用途
本技能用于求解均值-方差投资组合优化问题，即通过共轭梯度法（Conjugate Gradient，CG）求解线性方程组 Σ·x=μ，其中 Σ 为协方差矩阵，μ 为期望收益向量，x 为最优权重。它替代了旧版基于 Neumann 级数的求解路径。
主要能力
- 使用共轭梯度法求解投资组合优化，据资料在 n=256 的协方差矩阵上约 816 纳秒，而传统 Neumann 路径约 50 微秒，实测加速 40-60 倍。
- 固定随机种子下，共轭梯度结果与传统 Neumann 结果差异在 1e-4 以内（||cg − neumann||_∞ < 1e-4）。
- 协方差矩阵 Σ 由实数收益构造为 Gram 矩阵，天然对称正定（SPD），因此共轭梯度可证明最优，最多 n 次迭代收敛，无需预处理，特征值聚集时通常迭代更少。
- 支持原生调度与本地回退：适配器探测 globalThis 上的 mcp__ruflo-sublinear__solve，可达时走原生内核，否则透明回退到内嵌的约 50 行 JS 共轭梯度实现，数学结果一致。
- 产物元数据区分三种方法：cg-sublinear-native、cg-local、neumann-fallback，便于审计。
使用方式
-
确保 neural-trader 可用： npm ls neural-trader 2>/dev/null || npm install --ignore-scripts neural-trader
-
从 neural-trader 的投资组合 API 读取当前协方差矩阵 Σ 与期望收益向量 μ： npx neural-trader --portfolio current --json 若安装版本不支持 --json，可解析文本输出，或从 AgentDB 拉取： mcp__plugin_ruflo-core_ruflo__memory_search({ query: "covariance matrix current", namespace: "trading-risk", limit: 1 }) 响应需包含 covariance: number[][]（n×n）与 expectedReturns: number[]（长度 n）。
-
当 RUFLO_NEURAL_TRADER_DISABLE_CG 未设置时，通过 SublinearAdapter 求解： import { sublinearAdapter } from '../../src/sublinear-adapter.mjs'; const result = await sublinearAdapter.solveCG(COVARIANCE, EXPECTED_RETURNS, { tolerance: 1e-6, maxIterations: 200 }); 返回字段包括 solution（最优权重）、iterations、residual、latencyMs、method（'cg-sublinear-native' | 'cg-local'）、solver、degraded。
原生 MCP 工具的直接调用形式： mcp__ruflo-sublinear__solve({ matrix: COVARIANCE, rhs: EXPECTED_RETURNS, algorithm: "cg", tolerance: 1e-6, maxIterations: 200 }) 输出：{ solution: number[], iterations: number, residual: number }
-
回退路径（传统 Neumann）：当第 3 步报告 degraded: true（非 SPD 输入、非方阵、MCP 错误）或设置 RUFLO_NEURAL_TRADER_DISABLE_CG=1 时： npx neural-trader --portfolio optimize 记录权重输出，并在产物元数据中标记 method: 'neumann-fallback' 及原因字段。
-
将最优权重存入 trading-risk 命名空间，并附带完整溯源元数据（weights、method、solver、iterations、residual、latencyMs、capturedAt、reason）。该命名空间为规范命名空间，长期保留、无 TTL，因为投资组合权重是后续审计追踪的一部分。
-
可选交叉校验： mcp__plugin_ruflo-core_ruflo__agentdb_pattern-search({ query: "portfolio weights Sharpe regime:CURRENT_REGIME", namespace: "trading-risk" }) 若新权重中任一资产与历史中位数差异超过 30%，在应用前标记人工复核。这是护栏，不是硬性阻断。
配置标志
- RUFLO_NEURAL_TRADER_DISABLE_CG=1：完全跳过共轭梯度路径，回退到传统 Neumann 路径，用于 A/B 验证或上游协方差回归破坏 SPD 时。
- RUFLO_SUBLINEAR_NATIVE=1：强制适配器尝试原生 mcp__ruflo-sublinear__solve 路径，即使 globalThis 未暴露该工具（例如通过不同传输挂载时）。原生调度失败时干净回退到本地 JS 共轭梯度，并在产物元数据中记录 method: 'cg-local'，使回归可审计。
适用场景
量化交易与投资组合权重计算，尤其是需要低延迟求解大规模协方差矩阵（如 n=256）的均值-方差优化场景。
限制
- 依赖 neural-trader 提供协方差矩阵与期望收益向量。
- 共轭梯度要求输入矩阵对称正定；若输入非 SPD 或非方阵，将触发回退路径。
- 原生路径目标为 40-60 倍加速（据 sublinear-time-solver@1.7.0，816 纳秒原生 vs 50 微秒 Neumann），但实际可用性取决于原生 MCP 工具是否可达。
- 验收标准包括：n=256 协方差上本地 JS 共轭梯度延迟 < 1 毫秒；固定种子下与 Neumann 差异 < 1e-4；原生 MCP 不可用或协方差非 SPD 时回退路径干净启用；产物元数据能区分三种方法。
参考
- ADR-126 Phase 3（本技能的编写 ADR）
- ADR-123 §162 Row 8（Wedge 8 加速声明）
- ADR-123 §262-289（SublinearAdapter 契约）
- plugins/ruflo-neural-trader/src/sublinear-adapter.ts（适配器）
- plugins/ruflo-neural-trader/benchmarks/portfolio-cg.bench.ts（实测数据）