Список проголосовавших за комментарий "SergeyJu, спасибо, люблю ваши комментарии!<br/> <blockquote>В формуле присутствует обращение ковариационной матрицы. Надо понимать, что эта операция обычно усиливает компоненты спектра матрицы, относящиеся именно к шуму.</blockquote>Обращение матрицы ковариации будет тем более неустойчиво, чем матрица ближе к вырожденной, то есть чем сильнее коррелируют между собой активы. Предполагаю, такая ситуация часто возникает, например, при оптимизации портфеля, состоящего из большого количества акций одного рынка, тогда несомненно нужны методы регуляризации. В моём случае небольшого количества несильно (<0.5) коррелирующих активов вряд ли это обоснованно. <br/> <br/> <blockquote>Теория Марковица базируется на стационарности и низком шуме. В реальных условиях оценки ковариационных матриц неустойчивы. </blockquote>В моём случае, графики коэффициентов корреляции во времени с rolling window = 2 года выглядят на глазок достаточно устойчиво, но в общем случае, конечно, эта проблема есть. Можно попробовать применить байесовские методы для сглаживания шума. Или, в стиле алготрейдинга, оптимизировать параметр окна.<br/> <br/> В общем, мне кажется, из этого метода всё ещё можно что-то выжать, если аккуратно учитывать все его недостатки и ограничения. <br/> <br/> С другой стороны, моя изначальная цель была просто изучить основы портфельной теории, я даже не ожидал, что Марковиц «в лоб» может принести какой-то практический результат. Я также попробовал некоторые другие методы, которые есть в пакете <a class="icon icon-home" href="/r.php?u=https%3A%2F%2Fpyportfolioopt.readthedocs.io%2Fen%2Flatest%2Findex.html&s=1720036160">PyPortfolioOpt</a>, например Hierarchical Risk Parity, но вот этот простой подход показал более хороший результат на моём классе активов."