Convex Function

凸函数 (Convex Function)

凸函数（Convex Function）是数学分析与优化理论中最核心的概念之一，其定义源于函数图像"下凸"的几何直觉：连接图像上任意两点的线段始终位于图像上方。这一看似简单的性质在经济学、运筹学与统计学中引发了深刻的结构性后果。

形式上，令 $f: C \to \mathbb{R}$，其中 $C \subseteq \mathbb{R}^n$ 为凸集。称 $f$ 为凸函数，若对任意 $x, y \in C$ 及 $\lambda \in [0, 1]$，成立：

当不等式严格（$x \neq y, \lambda \in (0, 1)$）时称为严格凸。该不等式直接推广为离散形式的琴生不等式（Jensen's Inequality）：$f(\sum_{i=1}^n \lambda_i x_i) \leq \sum_{i=1}^n \lambda_i f(x_i)$，其中 $\sum \lambda_i = 1, \lambda_i \geq 0$。在概率论框架下，琴生不等式表述为 $f(\mathbb{E}[X]) \leq \mathbb{E}[f(X)]$，构成了风险厌恶理论与信息论的数学基础——例如，由 $-\ln x$ 的凸性可导出算术-几何平均不等式以及Gibbs不等式。

等价刻画

对于可微函数，凸性有三种互补的等价刻画，各自从不同角度揭示凸性的结构力量：

一阶条件（梯度不等式）：对一元函数，$f(y) \geq f(x) + f'(x)(y-x), \forall x, y$。多元情形下，梯度 $\nabla f(x)$ 满足 $f(y) \geq f(x) + \nabla f(x)^T (y-x)$。此条件表明函数图像始终位于其任意切平面之上——切线是函数的全局下估计（global underestimator）。直接推论：任何临界点 $\nabla f(x^*) = 0$ 必为全局极小点，这使得凸优化无需担心局部极小与鞍点。

二阶条件：若 $f$ 二阶可微，则 $f$ 凸当且仅当其Hessian矩阵 $\nabla^2 f(x)$ 处处半正定（$\nabla^2 f(x) \succeq 0$）。若 Hessian 处处正定则 $f$ 严格凸。对一元函数退化为 $f''(x) \geq 0$，直观理解即"斜率单调不减"。

上图刻画：$f$ 凸当且仅当其上图（epigraph）$\operatorname{epi}(f) = \{(x, t) \mid f(x) \leq t\}$ 为凸集。该几何视角将函数凸性与集合凸性统一，是凸分析（Convex Analysis）的基石。基于上图可定义闭凸函数（epigraph 为闭集）和正常凸函数，且任意正常闭凸函数恰为其所有支撑仿射函数的上确界——这为Fenchel共轭与对偶理论提供了几何基础。

运算保持性与次微分

凸函数在一系列核心运算下保持封闭：（1）非负加权和 $\sum_i w_i f_i$（$w_i \geq 0$）；（2）逐点上确界 $\sup_{\alpha \in A} f_\alpha$；（3）与仿射映射的复合 $f(Ax + b)$；（4）透视函数 $t f(x/t), t > 0$；（5）部分下确界 $g(y) = \inf_x f(x, y)$（在 $f$ 联合凸的条件下）。这些保持性使凸性在复杂模型中具有极强的可组合性。

次微分（subdifferential）将光滑函数的梯度概念推广到非光滑凸函数：$\partial f(x) = \{g \mid f(y) \geq f(x) + g^T(y-x), \forall y\}$。凸函数在定义域内点处次微分非空、紧、凸。当 $f$ 在 $x$ 处可微时，$\partial f(x) = \{\nabla f(x)\}$。次微分是KKT条件、单调算子理论与近端算法的核心工具。

常见凸函数

经典凸函数在各学科中反复出现：$\mathbb{R}$ 上的指数函数 $e^x$、幂函数 $x^a$（$a \geq 1$ 或 $a \leq 0$）、负熵 $x \ln x$（$x>0$）；$\mathbb{R}^n$ 上的任意范数 $\|x\|_p$（$p \geq 1$）；二次型 $x^T P x$（$P \succeq 0$）；log-sum-exp 函数 $\ln(\sum_i e^{x_i})$（Softmax 的 log-partition）；负熵 $\sum_i x_i \ln x_i$（信息论中 KL 散度的核心）；矩阵空间中的谱范数 $\|X\|_2$、核范数 $\|X\|_*$ 与 log-determinant 函数 $-\log \det X$（在正定锥上凸）。

经济学应用

凸函数在经济学中以多重面貌出现，其重要性不亚于凹函数（两者通过取负相互转化：$f$ 凸 $\iff -f$ 凹）。

风险与不确定性：在期望效用理论中，冯·诺依曼-摩根斯特恩效用函数 $u$ 的凹性等价于风险厌恶，等价地 $-u$ 为凸。Arrow-Pratt绝对风险厌恶系数 $A(x) = -u''(x)/u'(x)$ 度量了 $u$ 的标准化二阶凸性。前景理论（Kahneman \& Tversky, 1979）中，价值函数在损失域为凸、收益域为凹，解释了个人在亏损时的风险寻求行为与盈利时的风险规避。随机占优理论中，二阶随机占优等价于所有凹效用函数的一致偏好排序。

生产与成本：成本函数在产出 $q$ 上为凸，反映边际成本递增规律。成本函数 $C(w, q)$ 在要素价格 $w$ 上为凹（成本最小化对偶），但对偶地，利润函数在产出价格上为凸——由Hotelling引理可直接推导。谢泼德引理（$x_i^* = \partial C / \partial w_i$）与 Hessian 的半负定性均根植于凸分析。

资产定价与固定收益：布莱克-斯科尔斯公式中，期权价格在波动率上为凸，这解释了"波动率微笑"与波动率交易策略的利润来源。固定收益中，凸性指标定义为 $\text{Convexity} = \frac{1}{P} \frac{d^2 P}{dy^2}$，度量债券价格-收益率曲线的弯曲程度。正凸性使收益率下行时的价格涨幅大于上行时的跌幅，是久期免疫策略必需的二阶风控指标。而MBS与可赎回债券中，嵌入的提前偿付期权产生负凸性，导致"凸性对冲"成为固定收益交易中最具挑战性的风险管理工作之一。

激励与契约设计：委托代理模型中，代理人的参与约束与激励相容约束常构成凸可行性区域；信息租金函数依据包络定理在代理人类型上为凸。机制设计中，可实施分配规则等价于单调性条件，而单调性又等价于某一凸函数的次梯度映射，这揭示了激励相容与凸分析的深层联系。在最优税收（Mirrlees 模型）中，税收函数的实施条件同样取决于相关函数的凸性。

相关概念与推广

拟凸与对数凸：拟凸函数（quasiconvex）仅要求下水平集为凸集，弱于凸性，在无差异曲线分析与单调似然比中自然出现。对数凸函数（$\ln f$ 凸）在可靠性理论与信息经济学的信号甄别中起关键作用。强凸函数引入二次下界 $f(y) \geq f(x) + \nabla f(x)^T(y-x) + \frac{\mu}{2}\|y-x\|^2$（$\mu>0$），保证了梯度下降的线性收敛速率。联合凸与对偶：Fenchel共轭 $f^*(y) = \sup_x \{y^T x - f(x)\}$ 将凸函数对偶映射到另一凸函数，是Lagrange对偶的几何实质。Bregman散度 $D_f(x, y) = f(x) - f(y) - \nabla f(y)^T(x-y)$ 利用凸性构造非对称距离，广泛应用于信息几何、镜像下降与变分推断。