拉格朗日乘子（等式约束优化）

一句话

解「在 g(x)=c 上最大/最小化 f」的工具：把约束写进新函数 L(x,λ)=f(x)−λ(g(x)−c)，令 ∇L=0。它不直接给数字，而是把带等式约束的问题改写成一个无约束问题，交给线搜索等算法去解——MPT 的解析解（w=λ₁Σ⁻¹r+λ₂Σ⁻¹1）就是这么来的。

当前理解

几何直觉（量化课堂 35）

• 水平集 L_c={x:g(x)=c} 是可行域；函数的梯度 ∇g 恒与自己的水平集垂直。
• 在 L_c 上优化 f 时，极值点处 ∇f 也垂直水平集 → ∇f ∥ ∇g：存在 λ 使 ∇f=λ∇g。满足 g=c 且 ∇f=λ∇g 的点叫驻点，是极值的候选（可能是极大/极小/鞍点，要另行验证）。
• 为什么需要 L 函数：二维时水平集是曲线、可手解；高维水平集无法用曲线描述，但「梯度平行」条件仍在。L 函数把两个条件（回到约束 + 梯度平行）合成一个函数，∇L=0 ⟺ 两条件同时满足。

多约束与数值求解

• m 个等式约束：每个约束一个乘子 λᵢ，L=f−Σλᵢ(gᵢ−cᵢ)；极值点必存在 λ̃ 使 ∇L=0（必要条件）。
• 函数丑时 ∇L 零点不可手解 → 转成 min ‖∇L(x,λ)‖ 的无约束问题，用线搜索数值解——「约束转无约束」是核心价值。
• f 与约束都是二次多项式时，∇L=0 退化成线性方程组、可精确解。

在量化里的用途：MPT 解析解（量化课堂 23）

• MPT：最小化 ½wᵀΣw，约束 wᵀr=μ、wᵀ1=1（等式约束）→ 拉格朗日一阶条件解出 w=λ₁Σ⁻¹r+λ₂Σ⁻¹1。
• λ 由 [μ;1]=[[a,b],[b,c]]·[λ₁;λ₂] 解出；有效前沿闭合式 σ(μ)=√((cμ²−2bμ+a)/(ac−b²))；最小方差组合 μ=b/c。
• 这就是「拉格朗日乘子 → 均值-方差解析解」的完整链路（35 篇结语预告的下一篇 = 23 篇）。

来源

• 拉格朗日乘子 — 水平集/梯度垂直、驻点定理、L 函数与多约束版（量化课堂 35，postId=3796）
• MPT 模型的解析解（上） — 拉格朗日解 MPT 的完整推导与数值算例（量化课堂 23，postId=4596）
• 关联：MPT 模型与有效前沿（均值-方差分析）（被解出的对象）、数学规划（优化问题与分类）（所属问题族）、线搜索（无约束优化的迭代下降法）（转无约束后的数值求解器）

常见混淆

• 拉格朗日乘子不是算法/最终答案：它只改写问题；数值求解靠线搜索，二次情形靠线性代数。
• λ 有经济含义（约束的边际价值/影子价格），但量化课堂 35 篇没讲——不要自行外推到「λ 就是……」，MPT 算例里 λ₁≈0 的解读来自 23 篇。
• 驻点是候选不是答案：可能是极大、极小或鞍点；还要二阶条件或枚举比较。
• 只处理等式约束：组合优化里 w≥0（不做空）、wᵢ≤1/3 是不等式约束，需要 KKT 条件——不能把本工具硬套上去。
• 多约束 = 多个 λ：每个等式约束配一个乘子，不是共用一个。

开放问题

• 严格证明（高维多约束版、二阶充分条件判别极大/极小）未展开 [需要验证]。
• 不等式约束（KKT）与带不等式的最优化不在本库素材，A 股做空受限的组合优化落地待补。
• 拉格朗日乘子的经济解释（影子价格）与灵敏度分析（约束变化对最优值的影响）可后续补素材。
• 23 篇的「带无风险资产版」（市场组合闭合式）未入库。