投资组合优化大师
概述
投资组合优化大师是一个基于 Python 的多策略投资组合优化工具，集成了四种业界主流的资产配置优化算法。所有数据均来自 akshare 真实A股行情接口，基于凸优化理论（cvxpy）构建，适用于学术研究、量化投资学习和投资决策辅助。
核心能力
1. 均值-方差优化 (Markowitz)
- 最大夏普比率组合：通过变量替换将非凸优化转化为二次规划问题，使用 cvxpy 求解
- 最小方差组合：在约束条件下最小化组合方差
- 有效前沿计算：扫描不同目标收益率水平，绘制完整的有效前沿曲线
- 权重约束：支持上下限约束和做空限制
2. Black-Litterman 模型
- 市场均衡收益：通过逆优化从市场权重反解隐含均衡收益
- 投资者观点：支持绝对观点和相对观点，自动从历史数据生成默认观点
- 后验收益：贝叶斯框架融合先验与观点，计算后验期望收益
- Omega 自动计算：基于 He-Litterman 启发式方法自动确定观点不确定性
3. 风险平价优化 (Risk Parity)
- 等风险贡献：使各资产对组合总风险的贡献相等
- 边际风险贡献：精确计算各资产的边际风险贡献和风险贡献占比
- SLSQP 求解：使用 scipy.optimize 的 SLSQP 方法迭代求解
4. 层次风险平价 (HRP)
- 相关性距离矩阵：基于相关系数构建距离度量
- 层次聚类：使用 Ward 连接法对资产进行自动分组
- 准对角化：按聚类顺序重排协方差矩阵
- 递归二分法：自顶向下递归分配权重，无需矩阵求逆
绩效指标
支持以下完整绩效指标计算：
- 年化收益率、年化波动率
- 夏普比率 (Sharpe Ratio)
- 最大回撤 (Max Drawdown)
- Calmar 比率
- Sortino 比率（下行风险调整）
- 信息比率 (Information Ratio)
- VaR (95%)、CVaR (95%)
能力边界说明
适用场景
- A股市场的多资产投资组合优化
- 学术研究中的资产配置算法对比
- 量化投资策略的权重分配
- 风险管理和绩效归因分析
不适用场景
- 非A股市场：当前仅支持 akshare 的 A 股数据接口
- 高频交易：数据粒度为日频，不适用于日内或高频策略
- 衍生品组合：不支持期权、期货等衍生品的优化
- 实时交易：本工具用于离线分析和研究，不具备实时交易功能
- 投资建议：本工具的输出仅供研究参考，不构成任何投资建议
已知限制
- akshare 接口可能因网络或数据源问题导致获取失败
- 历史数据不能保证未来表现，优化结果存在过拟合风险
- 协方差矩阵估计在样本量不足时可能不稳定（建议使用 Ledoit-Wolf 收缩估计）
- Black-Litterman 模型的观点质量直接影响优化结果
FAQ
Q1: 如何安装依赖？
pip install -r requirements.txt
主要依赖包括 akshare（数据）、cvxpy（凸优化）、scipy（科学计算）、scikit-learn（Ledoit-Wolf）、matplotlib（可视化）、rich（终端美化）。
Q2: 支持哪些股票代码格式？
支持标准的6位A股代码，如沪市的 600519（贵州茅台）、深市的 000858（五粮液）、 601318（中国平安）等。不需要加前缀（如 sh/sz）。
Q3: 协方差矩阵的 Ledoit-Wolf 收缩估计有什么优势？
当资产数量接近或超过样本数量时，样本协方差矩阵会变得不稳定（奇异）。Ledoit-Wolf 方法将样本协方差向结构化目标（如单位矩阵）收缩，显著降低估计误差。可通过 --cov-method ledoit_wolf 启用。
Q4: Black-Litterman 模型的观点如何设定？
工具默认根据历史收益率排名自动生成相对观点（排名靠前的资产优于排名靠后的资产）。高级用户可以通过修改 black_litterman.py 中的 create_default_views 方法或直接构造 P、Q、Omega 矩阵来自定义观点。
Q5: 四种优化方法各有什么特点和适用场景？
- Markowitz：经典方法，适合对收益有明确预期的场景，但对输入参数敏感
- Black-Litterman：融合市场均衡与主观观点，适合有明确投资观点的机构投资者
- 风险平价：关注风险分配而非收益预测，适合追求稳健的风险均衡策略
- HRP：无需矩阵求逆，对参数估计误差鲁棒，适合资产数量较多或相关性较高时
Q6: 如何选择数据区间？
建议使用至少1年（244个交易日）以上的历史数据以保证统计可靠性。过短的数据区间会导致协方差矩阵估计不准确。可通过 --start 和 --end 参数指定。
Q7: 优化结果中权重出现极小值怎么办？
这可能是由于某些资产的风险收益特征不佳，优化器自然降低了其权重。可以通过设置权重下限 --weight-lower 0.05（如最低5%）来避免过度集中。
Q8: 报告中的有效前沿为什么有时不完整？
有效前沿的完整性取决于约束条件和数据的可行性。当目标收益率过高（超出可达范围）时，优化问题可能不可行，对应的有效前沿点会被跳过。
输出示例
终端输出
╭─────────────────────────────────────────╮
│ 投资组合优化大师 │
│ 多策略投资组合优化工具 v1.0.0 │
╰─────────────────────────────────────────╯
配置信息:
股票池: 600519, 000858, 601318
优化方法: markowitz, bl, risk_parity, hrp
数据区间: 20240101 ~ 20250101
无风险利率: 3.0%
优化结果对比
┌──────────────────┬──────────┬─────────┬──────────┐
│ 优化方法 │ 预期收益率 │ 波动率 │ 夏普比率 │
├──────────────────┼──────────┼─────────┼──────────┤
│ 最大夏普比率组合 │ 18.52% │ 22.31% │ 0.6957 │
│ 最小方差组合 │ 12.34% │ 18.45% │ 0.5049 │
│ Black-Litterman组合│ 15.67% │ 20.12% │ 0.6297 │
│ 风险平价组合 │ 10.23% │ 19.87% │ 0.3639 │
│ 层次风险平价组合 │ 11.45% │ 19.56% │ 0.4321 │
└──────────────────┴──────────┴─────────┴──────────┘
HTML 报告
报告包含以下内容：
1. 数据摘要表（各资产年化收益率、波动率、夏普比率）
2. 优化结果对比表
3. 各方法权重分配表
4. 组合绩效指标对比表
5. 有效前沿图（标注最优组合点）
6. 权重分配饼图
7. 风险贡献条形图
8. 资产相关系数热力图
9. 累积收益曲线对比图
安装使用说明
安装
cd portfolio-optimizer
pip install -r requirements.txt
基本用法
# 运行所有优化方法
python optimize.py --tickers 600519,000858,601318 --method all --start 20240101 --end 20250101
# 仅运行均值-方差优化
python optimize.py --tickers 600519,000858,601318 --method markowitz
# 运行风险平价和HRP
python optimize.py --tickers 600519,000858,601318,000001,600036 --method risk_parity,hrp
# 使用Ledoit-Wolf协方差估计
python optimize.py --tickers 600519,000858,601318 --method all --cov-method ledoit_wolf
# 设置权重约束（每只股票至少5%，最多50%）
python optimize.py --tickers 600519,000858,601318 --method markowitz --weight-lower 0.05 --weight-upper 0.5
编程接口
from portfolio_optimizer import DataFetcher, MarkowitzOptimizer, RiskParityOptimizer
# 获取数据
fetcher = DataFetcher(['600519', '000858', '601318'], '20240101', '20250101')
fetcher.fetch_data()
mean_returns = fetcher.get_mean_returns()
cov_matrix = fetcher.get_covariance_matrix()
# 均值-方差优化
markowitz = MarkowitzOptimizer(mean_returns, cov_matrix, risk_free_rate=0.03)
max_sharpe = markowitz.max_sharpe()
print(max_sharpe['weights'])
# 风险平价优化
rp = RiskParityOptimizer(cov_matrix, risk_free_rate=0.03)
rp_result = rp.optimize(mean_returns=mean_returns)
print(rp_result['weights'])
