你把三只资产各买一点，本来是想避免“一只出事，全盘受伤”。可这套办法暗含一个前提：它们不会在坏时候一起跌。如果平日各走各的资产，到了压力期突然同向波动，持仓数量增加了，真正的风险来源却未必减少。
Peng Liu 与 Yang Liu 的论文研究的正是这个问题：当投资者大致知道每项资产各自会怎样涨跌，却无法可靠判断它们如何共同波动时，组合究竟该分散，还是集中？论文给出的答案不是“集中总比平均好”，而是一条更窄也更重要的边界：在依赖结构完全未知、并按最坏情形做稳健优化时，若采用论文讨论的多类常用风险泛函，模型往往会把最优解推到单一资产。
这里的结论均来自这篇 arXiv 论文。供稿簇没有第二个独立信源，也没有市场回测、收益改进幅度或可直接照搬的最优权重，因此更适合把它看作一套理论诊断工具，而不是集中投资的实证背书。
分散不是“多买几只”这么简单
论文先把“更分散”这件事说清楚。它采用 majorization order，中文可称“优序”——一种比较两组权重谁更均匀的数学排序。它不必把分散程度压缩成一个分数，而是直接判断：一组权重能否由另一组权重经过若干次平均化得到。
完成这种平均化的工具是 doubly stochastic matrix（双随机矩阵）：矩阵元素非负，每一行、每一列之和都等于 1。直观地说，它像一套不增不减的重新分装规则。若权重向量 可以由 经过这种重新分装得到，即 ，那么 比 更均匀。全仓一只资产位于集中端，等权组合位于分散端。
这个定义的好处是，它把讨论从“资产看起来是否不同”转向了“权重究竟经过了怎样的平均”。作者称，他们相较既有工作的一项推进，是把关注点从资产分布移到权重的几何结构。
接下来要问：权重变均匀以后，风险是否一定下降？这里的“风险泛函”，就是把整个损失分布转换成一个风险数字的规则。论文证明，在依赖结构已知时，风险泛函与优序“弱一致”的充要条件是 quasi-convexity（准凸性）。准凸性大意是：混合两个组合后，风险不应超过两者中较坏的那个。
“弱一致”特意比“越分散、风险越低”更克制。资产彼此不同时，同一组权重分配给哪只资产也很重要。因此，它只要求更分散组合的风险，不高于原权重在各种资产排列中最坏的结果。论文还说明，若要求对任意资产都严格满足“越分散越安全”，风险度量会退化到只看均值，忽略波动等信息。这样的要求数学上过强，实务上也不好用。
如果资产损失具有 exchangeability（可交换性，即调换资产顺序后，联合分布在统计上不变），且风险泛函准凸并只取决于分布，那么更强的分散化结论才可以恢复。问题在于，现实资产往往并不具备这种对称性。
最坏情形为何反而奖励集中
论文真正反直觉的部分出现在 dependence uncertainty（依赖不确定性）下。它指的是：投资者可以描述每只资产自己的边际分布，却不知道它们如何共同变化，也就是不知道联合分布或 copula（连接各资产边际分布的依赖结构）。
当这种依赖结构完全模糊时，模型会在所有可能的共同波动方式中寻找最坏一种。对方像一个可以自由安排资产联动方式的对手：你每增加一项持仓，它就多了一处可以制造不利联动的接口。集中于一只资产，则干脆消除了资产之间“怎样一起动”的问题。
这就是论文所谓的 concentration paradox（集中悖论）。根据作者的定理，对满足特定性质的一类风险泛函，以及在相应尾部分布条件下的 VaR、ES 和 Range-VaR，最坏情形风险可能随权重变得更均匀而上升。VaR（Value-at-Risk）关注给定置信水平下的损失分位点；ES（Expected Shortfall）看超过该门槛后的平均尾部损失；RVaR（Range-Value-at-Risk）则在一段分位区间内衡量风险，并连接 VaR 与 ES。
论文进一步求解稳健组合选择问题。在其给定条件下，VaR 和 RVaR 的最优解会落在权重单纯形的顶点，也就是把全部资金配置给某一项资产。对于同时满足次可加性、正齐次性和共单调可加性的风险泛函，作者也得到集中解。这里的“共单调”，可以理解为不同损失由同一个底层冲击按同方向推动，是一种极强的同步变化。
standard deviation（SD，标准差）则更有条件。若各资产损失来自同一 location-scale family（位置—尺度族，即分布形状相同，只是中心和伸缩程度不同），最坏依赖下的最优组合也会集中到单一资产。若分布形状明显不同，集中结论便不一定成立。
论文用两项资产说明这个边界：一项损失服从正态分布，另一项服从 Laplace 双指数分布；两者均值和方差相同，但形状不属于同一位置—尺度族。在最坏情形标准差下，两个全仓组合的风险都是 1，而各配置一半的组合风险严格小于 1。因此，顶点不是最优解，分散重新获得了价值。
这个反例很关键。它表明“集中悖论”不是一句无条件的投资口号。结果取决于不确定集合有多宽、使用哪种风险泛函，以及资产边际分布满足什么条件。
不必在盲信模型与假定全未知之间二选一
现实中，风险经理通常既不会完全相信参考模型，也不会真的认为所有依赖结构同样可能。论文因此讨论了更有结构的不确定集合。
一种做法是 Wasserstein ball——以参考联合分布为中心，允许真实分布在给定“运输距离”半径内偏离。论文针对 distortion riskmetrics（一类通过重新加权分布概率来衡量风险的泛函）把相应稳健问题化为可处理的确定性优化。由不确定半径产生的范数惩罚可能抑制集中，但不能保证一定出现内部解，也就是不能保证资金必然分到多项资产上。
另一种做法只保留均值和协方差等矩信息。论文得到的稳健目标呈现类似均值—方差的权衡，因此重新引入分散激励，同样不保证最后一定分散。
作者还提出 weighted robustness formulation（加权稳健框架），在参考依赖结构与最坏依赖结构之间插值。它可以理解为给模型可信度装上一只旋钮：越相信参考联合分布，越靠近常规模型；越担心模型在压力期失效，越提高最坏情形的权重。
论文称，这种凸组合在结构上类似 FRTB（Fundamental Review of the Trading Book，《交易账簿基本审查》）中 constrained/unconstrained Expected Shortfall blend，即受约束与不受约束 ES 的混合。不过，这只是结构类比。论文明确把它保留为一个独立的组合模型，不能据此说它属于 FRTB、与监管公式等价，或已得到监管背书。
真正值得带走的，是先给“不知道”定价
这篇论文没有推翻分散化。它提醒的是：分散化降低风险，依赖于对共同涨跌关系有足够可信的描述。若把依赖结构设为完全未知，再要求模型防住所有可能的最坏联动，集中可能只是这套极端防御规则的逻辑结果。
因此，组合构建的关键问题不只是“持有多少只资产”，而是“我们对它们如何一起变化有多大把握”。完全相信估计相关结构，可能低估模型错误；把一切关系都视为未知，又可能得到过度保守的单资产解。论文的实务价值，在于把这两端放进同一个框架，让模型对依赖信息的可信度作出显式选择。
局限与未知
- 全仓单一资产的结论只在论文规定的完全依赖模糊、风险泛函性质及边际分布条件下成立；标准差的异形分布反例已经表明，它不能外推为普遍投资建议。
- 论文虽给出数值示意，但供稿没有提供可完整复核的表格数值、市场回测、交易成本或样本外表现，无法判断加权稳健框架在真实组合中能改善多少。
- 所有核心论断目前只有同一篇论文这一项独立信源；其定理条件和“广泛适用”的边界仍需后续研究与实证交叉检验。