和数据估算出的“效率/风险”特征。仅仅完成这一步，他就感到眼前混沌的决策局面清晰了许多。他不再面对六个名称，而是面对六种不同风险收益特征的“金融产品”。
接下来是最关键的步骤：优化求解。假设他下周可用于自主攻坚的学习时间总额是三十小时（这已刨除上课、作业、必要休息）。他需要将这三十小时，像分配投资资金一样，分配到六张“卡片”上，使得最终“投资组合”的“整体单位风险预期提分”最高。这涉及权衡：是继续加仓已经具备“低风险、高效率”特性的数学，以巩固基本盘？还是将重兵投入“**险、潜在高收益”的物理，以求突破瓶颈？亦或是少量配置“低效率、中**险”的语文英语，仅仅为了“避险”和“满足最低配置要求”？
他尝试在脑中模拟几种分配方案。方案A：平均分配，每科五小时。这看起来公平，但忽视了资产特性的巨大差异，就像把资金平均投入股票、债券、期货，必然不是最优。方案B：重点进攻物理和数学，其他维持。这似乎更符合直觉，但他担心会否在语文英语上“爆雷”，导致总分波动过大。方案C：完全根据“效率”高低分配，忽略风险。这可能导致组合过度暴露在物理的波动风险下，一旦物理攻坚受挫，满盘皆输。
他需要更系统的工具。凭借自学过的简单优化思想和Excel的基本功能，他尝试构建一个极简的数学模型。他将各科的预估效率和风险系数代入，将总时间设为约束条件，目标函数设为“风险调整后的总预期提分”。虽然模型参数充满主观估测，但计算过程本身强迫他进行更严格的思考。
模型给出的理论最优解，与他最初的直觉既有吻合，也有惊人的背离。吻合之处在于：物理和数学获得了最高的时间配比，物理因其巨大的提升空间（尽管风险高）而获得了最大的一块时间蛋糕，数学则凭借其卓越的“风险调整后收益”稳居第二。化学和生物作为“稳定器”，获得了适中且稳定的配置。最大的背离出现在语文和英语上。模型冷静地显示，基于他当前估算的低效率和中**险，将大量时间投入这两科，对提升“投资组合”整体“夏普比率”的贡献极低。
本章未完，请点击下一页继续阅读！