← 返回模块
2.5.1.3beta 可读 · 未来付费校验通过内容版本 2026-05-26

拉格朗日对偶与 KKT 条件

2.5.1 · 凸优化 · 数学与统计能力

开篇场景（Hook）：PM 真正想要的那个数

上海一家中型私募的 PM 周一早盘正在跟风控拉锯：当前组合的总杠杆（gross leverage）顶在 200% 的合规上限，他想申请抬到 220%。风控的问题不是「能不能」，而是「值不值」——多 20 个百分点能换多少边际信息比率（marginal information ratio）？答案其实早就躺在凸求解器（convex solver）的输出里：那条紧绑（active）的杠杆约束所对应的对偶变量 −ν∗-\nu^*，就是单位放松带来的最优目标改善值——一个不必再跑一遍回测的回答。本节要把这个对偶变量是怎么来的、什么时候等号能取到、以及在均值方差优化（mean-variance optimization, MVO）里具体长什么样子，从拉格朗日函数（Lagrangian）一路搭到 KKT 条件。

一、拉格朗日函数与对偶函数

延续上一节的标准凸优化（convex optimization）问题：f0f_0 凸、fif_i 凸（i=1,…,mi = 1, \ldots, m）、ajTx=bja_j^T x = b_j（j=1,…,pj = 1, \ldots, p），求 min⁡f0(x)\min f_0(x)。把每条约束乘上一个标量（不等式约束乘 λi≥0\lambda_i \ge 0、等式约束乘自由的 νj\nu_j）再加回目标函数，便得到​​拉格朗日函数​

L(x,λ,ν)=f0(x)+∑i=1mλifi(x)+∑j=1pνj(ajTx−bj)L(x, \lambda, \nu) = f_0(x) + \sum_{i=1}^m \lambda_i f_i(x) + \sum_{j=1}^p \nu_j (a_j^T x - b_j)

在 xx 上取下确界（infimum），得到​​对偶函数（dual function）​

g(λ,ν)=inf⁡xL(x,λ,ν)g(\lambda, \nu) = \inf_x L(x, \lambda, \nu)

关键观察：对固定的 xx，LL 是 (λ,ν)(\lambda, \nu) 的仿射函数（affine function）；gg 即一族仿射函数的逐点下确界——逐点下确界保持凹性，所以​​无论 f0f_0、fif_i 是不是凸的，gg 在其有效定义域上一定是凹的​​。正是这条凹性使「对偶问题」本身又是一个凸优化问题，可放心求解。

二、弱对偶与 Slater 条件

任取原始可行点 x~\tilde x（满足 fi(x~)≤0f_i(\tilde x) \le 0、Ax~=bA \tilde x = b）与对偶可行点（λ≥0\lambda \ge 0、ν\nu 任意）：

g(λ,ν)=inf⁡xL(x,λ,ν)  ≤  L(x~,λ,ν)  ≤  f0(x~)g(\lambda, \nu) = \inf_x L(x, \lambda, \nu) \;\le\; L(\tilde x, \lambda, \nu) \;\le\; f_0(\tilde x)

第二个不等号用到 λifi(x~)≤0\lambda_i f_i(\tilde x) \le 0 与 ajTx~−bj=0a_j^T \tilde x - b_j = 0。左边取 sup⁡\sup、右边取 inf⁡\inf，立刻得到​​弱对偶（weak duality）​

d∗=sup⁡λ≥0,  νg(λ,ν)  ≤  p∗=inf⁡x feasiblef0(x)d^* = \sup_{\lambda \ge 0,\; \nu} g(\lambda, \nu) \;\le\; p^* = \inf_{x \text{ feasible}} f_0(x)

差值 p∗−d∗≥0p^* - d^* \ge 0 称为​​对偶间隙（duality gap）​​。在最小例子上验证一下：min⁡x2\min x^2 s.t. x≥1x \ge 1 的 p∗=1p^* = 1；对偶函数 g(λ)=−λ2/4+λg(\lambda) = -\lambda^2/4 + \lambda 在 λ∗=2\lambda^* = 2 取得最大值 11，间隙为零。

​Slater 条件​​：若原问题为凸优化，且存在严格可行的内点（所有非仿射不等式严格满足 fi(x)<0f_i(x) < 0），则​​强对偶 d∗=p∗d^* = p^* 成立​​，且对偶最优在某 (λ∗,ν∗)(\lambda^*, \nu^*) 处取到。这是从业者每天默认引用的「正则性条件」：带预算约束的均值方差、普通最小二乘（ordinary least squares, OLS）、上一节那个二阶锥（second-order cone, SOC）形式的跟踪误差问题，全部满足。换句话说，量化场景里几乎没有 Slater 不成立的情形——直接套用就行。

三、KKT 条件

设 f0,fif_0, f_i 可微、强对偶成立、x∗x^* 与 (λ∗,ν∗)(\lambda^*, \nu^*) 分别为原始与对偶最优。由 g(λ∗,ν∗)=f0(x∗)g(\lambda^*, \nu^*) = f_0(x^*) 出发可证：x∗x^* 必为 L(⋅,λ∗,ν∗)L(\cdot, \lambda^*, \nu^*) 关于 xx 的极小点，故 ∇xL(x∗,λ∗,ν∗)=0\nabla_x L(x^*, \lambda^*, \nu^*) = 0；夹逼后还能挤出 λi∗fi(x∗)=0\lambda_i^* f_i(x^*) = 0（参考 Boyd 中译本 §5.5）。整理得到​​KKT 条件（Karush-Kuhn-Tucker conditions, KKT）​​：

  1. ​稳定性（stationarity）​​：∇f0(x∗)+∑iλi∗∇fi(x∗)+∑jνj∗aj=0\nabla f_0(x^*) + \sum_i \lambda_i^* \nabla f_i(x^*) + \sum_j \nu_j^* a_j = 0；
  2. ​原始可行（primal feasibility）​​：fi(x∗)≤0f_i(x^*) \le 0，Ax∗=bA x^* = b；
  3. ​对偶可行（dual feasibility）​​：λi∗≥0\lambda_i^* \ge 0；
  4. ​互补松弛（complementary slackness）​​：λi∗fi(x∗)=0\lambda_i^* f_i(x^*) = 0。

凸 + Slater 的设定下，这四条​​既必要又充分​​：任何一组 (x∗,λ∗,ν∗)(x^*, \lambda^*, \nu^*) 满足全部四条，它就是原始-对偶最优对（primal-dual optimal pair）。互补松弛的精确读法值得记住：「λi∗>0\lambda_i^* > 0」必定意味着约束在最优处紧绑（fi(x∗)=0f_i(x^*) = 0）；反之不一定——约束可以恰好紧绑而对应乘子仍为 0（退化情形）。但「未绑（fi(x∗)<0f_i(x^*) < 0）」一定推出 λi∗=0\lambda_i^* = 0。

四、等式约束均值方差的闭式解

把 KKT 落到一个量化研究员每天都遇到的最小例子。设资产数为 nn，预期收益向量 μ∈Rn\mu \in \mathbb{R}^n，​​协方差矩阵（covariance matrix）​ Σ∈Rn×n\Sigma \in \mathbb{R}^{n \times n} 为正定（强于 ​半正定（positive semidefinite, PSD）​​）。考虑带预算约束的等式型​​均值方差优化​

min⁡w∈Rn12wTΣw−μTws.t.1Tw=1\min_{w \in \mathbb{R}^n} \tfrac{1}{2} w^T \Sigma w - \mu^T w \quad \text{s.t.} \quad \mathbf{1}^T w = 1

只有一条等式约束（预算 budget），引入单一乘子 ν\nu，拉格朗日为

L(w,ν)=12wTΣw−μTw+ν(1Tw−1)L(w, \nu) = \tfrac{1}{2} w^T \Sigma w - \mu^T w + \nu (\mathbf{1}^T w - 1)

KKT 中的稳定性即 ∇wL=Σw−μ+ν1=0\nabla_w L = \Sigma w - \mu + \nu \mathbf{1} = 0。取​​矩阵逆（matrix inverse）​​​Σ−1\Sigma^{-1}，得

w∗=Σ−1(μ−ν∗1)w^* = \Sigma^{-1} (\mu - \nu^* \mathbf{1})

把它代回预算约束 1Tw∗=1\mathbf{1}^T w^* = 1，解出乘子

ν∗=1TΣ−1μ−11TΣ−11\nu^* = \frac{\mathbf{1}^T \Sigma^{-1} \mu - 1}{\mathbf{1}^T \Sigma^{-1} \mathbf{1}}

这就是组合优化（portfolio optimization）课本里反复出现的「带预算约束的有效前沿（efficient frontier）解」。模块 2.4.2 里那个不带预算约束的版本 w∗=Σ−1μw^* = \Sigma^{-1} \mu，不过是这里 ν∗\nu^* 被强行设为零的退化情形（KKT-degenerate case）。

在沪深300 ETF 成分股的实践里，把 Σ\Sigma 取作过去 250 个交易日日频收益的样本估计、μ\mu 取作分析师一致预期，再代入上式，便是国内多数私募 GMV / 切线组合的「教科书第一版」实现。

五、影子价格的实战解读

把预算右端 b=1b = 1 微调到 1+ϵ1 + \epsilon，最优值 p∗(b)p^*(b) 的局部斜率即

∂p∗∂b=−ν∗\frac{\partial p^*}{\partial b} = -\nu^*

这就是文章开头那位 PM 的问题：把总杠杆上限从 200% 抬到 220% 能换多少风险调整收益？解一次凸优化器，读输出里该约束对应的 −ν∗-\nu^*，再乘以 0.20.2，就是边际改善的一阶估计——不必再做扫描。下面试着拨动两资产的预期收益看 ν∗\nu^* 如何漂移（取 Σ=I\Sigma = I 的两资产情形，由上式可算出 ν∗=(μ1+μ2−1)/2\nu^* = (\mu_1 + \mu_2 - 1)/2）：

Formula Explorer

(mu1 + mu2 - 1) / 2

对一家 AMAC 备案私募而言，这一行数字足以把「向产品负责人申请放宽合规上限」从猜测变成可量化的提案——也正是对偶变量比原始解更有用的典型场景。

六、练习

Exercise

对问题 min⁡x12xTx\min_x \tfrac{1}{2} x^T x s.t. aTx=ba^T x = b：(i) 写出拉格朗日函数；(ii) 用 KKT 推出 x∗=(b/∥a∥22) ax^* = (b / \|a\|_2^2) \, a；(iii) 取 a=(1,2)Ta = (1, 2)^T、b=3b = 3，数值验证 f0(x∗)=g(ν∗)f_0(x^*) = g(\nu^*)（即对偶间隙为零）。

提示
拉格朗日为 L(x,ν)=12xTx+ν(aTx−b)L(x, \nu) = \tfrac{1}{2} x^T x + \nu (a^T x - b)。稳定性给出 ∇xL=x+νa=0\nabla_x L = x + \nu a = 0，即 x=−νax = -\nu a；把它代回等式约束 aTx=ba^T x = b 解出 ν∗\nu^*，再回代即得 x∗x^*。
提示
对偶函数 g(ν)=−12ν2∥a∥2−νbg(\nu) = -\tfrac{1}{2}\nu^2 \|a\|^2 - \nu b，ν∗=−b/∥a∥2\nu^* = -b/\|a\|^2。代入 ∥a∥2=5\|a\|^2 = 5：x∗=(0.6,1.2)Tx^* = (0.6, 1.2)^T、f0(x∗)=0.9=g(ν∗)f_0(x^*) = 0.9 = g(\nu^*)，间隙为零。

七、通往下一节

到这里你已经能把任意一条凸约束翻译成一个对偶变量，并用 KKT 把求解过程压成一组（通常仍是线性的）方程。下一节要把这套机制装进真正的生产级组合管理：长（long-only）、换手（turnover）、事前跟踪误差（ex-ante tracking error）、总杠杆上限会被一并塞进二阶锥规划（second-order cone programming, SOCP）的语言里，而每条约束的影子价格就成为递交给 PM 的可读诊断——是哪条约束在咬住组合，放松一单位能换多少边际信息比率，答案统统藏在 −λ∗-\lambda^* 与 −ν∗-\nu^* 里。