logo

开发者热搜

Python量化投资组合实战：从理论到代码的全流程解析

作者：蛮不讲李2025.09.26 17:38浏览量：0

简介：本文详细解析Python量化交易中投资组合的核心方法，涵盖现代投资组合理论（MPT）、风险平价模型、机器学习优化等关键技术，结合NumPy/Pandas/CVXPY等工具的实战代码，提供可落地的量化投资组合构建方案。

一、量化投资组合的核心理论框架

现代投资组合理论（Modern Portfolio Theory, MPT）由哈里·马科维茨于1952年提出，其核心思想是通过资产配置实现风险-收益的最优平衡。该理论建立了两个关键公式：

  1. 预期收益率计算：
    E(R<em>p)=∑</em>i=1nwiE(Ri)E(R<em>p) = \sum</em>{i=1}^n w_i E(R_i)
    其中$w_i$为资产权重，$E(R_i)$为第i种资产的预期收益率。

  2. 组合方差计算：
    σ<em>p2=∑</em>i=1n∑<em>j=1nwiwjσ</em>ij\sigma<em>p^2 = \sum</em>{i=1}^n \sum<em>{j=1}^n w_i w_j \sigma</em>{ij}
    其中$\sigma_{ij}$为资产i与j的协方差。

通过优化目标函数$\min \sigma_p^2$（在给定预期收益下）或$\max E(R_p)$（在给定风险水平下），可求解最优资产权重。实际中需考虑交易成本、流动性约束等现实因素。

二、Python实现投资组合优化的关键步骤

1. 数据准备与预处理

使用yfinance获取多资产历史数据：

  1. import yfinance as yf
  2. import pandas as pd
  4. # 下载股票、债券、商品等资产数据
  5. tickers = ['AAPL', 'GOOGL', 'TLT', 'GLD']
  6. data = yf.download(tickers, start='2018-01-01', end='2023-12-31')['Adj Close']
  7. returns = data.pct_change().dropna()

2. 风险收益特征计算

  1. import numpy as np
  3. # 计算年化收益率与波动率
  4. annual_returns = returns.mean() * 252
  5. annual_volatility = returns.std() * np.sqrt(252)
  7. # 计算协方差矩阵
  8. cov_matrix = returns.cov() * 252

3. 均值-方差优化实现

使用cvxpy构建优化模型：

  1. import cvxpy as cp
  3. n = len(tickers)
  4. weights = cp.Variable(n)
  5. ret = annual_returns @ weights
  6. risk = cp.quad_form(weights, cov_matrix)
  8. # 目标函数：最小化风险（给定目标收益）
  9. target_return = 0.10  # 年化10%
  10. constraints = [
  11.     cp.sum(weights) == 1,
  12.     weights >= 0,  # 不允许卖空
  13.     ret >= target_return
  14. ]
  15. prob = cp.Problem(cp.Minimize(risk), constraints)
  16. prob.solve()
  18. print("最优权重:", weights.value.round(4))

4. 风险平价模型实现

风险平价模型通过等权分配风险贡献，而非资金权重：

  1. from scipy.optimize import minimize
  3. def risk_parity_loss(weights, cov):
  4.     portfolio_vol = np.sqrt(weights.T @ cov @ weights)
  5.     marginal_risk = (cov @ weights) / portfolio_vol
  6.     risk_contrib = weights * marginal_risk
  7.     target_contrib = np.ones(len(weights)) / len(weights) * portfolio_vol
  8.     return np.sum((risk_contrib - target_contrib)**2)
  10. n = len(tickers)
  11. initial_weights = np.ones(n) / n
  12. bounds = [(0, 1) for _ in range(n)]
  13. constraints = [{'type': 'eq', 'fun': lambda x: np.sum(x) - 1}]
  15. result = minimize(
  16.     risk_parity_loss,
  17.     initial_weights,
  18.     args=(cov_matrix.values,),
  19.     bounds=bounds,
  20.     constraints=constraints
  21. )
  23. print("风险平价权重:", result.x.round(4))

三、进阶优化技术

1. Black-Litterman模型整合观点

该模型通过贝叶斯方法将主观观点与市场均衡收益结合：

  1. def black_litterman(market_cap, views, view_conf, cov_matrix, tau=0.025):
  2.     n = len(market_cap)
  3.     # 市场均衡收益（假设风险厌恶系数为2.5）
  4.     risk_aversion = 2.5
  5.     market_returns = risk_aversion * cov_matrix @ market_cap / np.sum(market_cap)
  7.     # 构建观点矩阵
  8.     P = np.zeros((len(views), n))
  9.     for i, (assets, ret) in enumerate(views.items()):
  10.         idx = [tickers.index(a) for a in assets]
  11.         P[i, idx] = 1 / len(assets)
  12.     q = np.array([ret for _, ret in views.items()])
  14.     # 合并先验与观点
  15.     Omega = np.diag(np.array([conf**2 for conf in view_conf]))
  16.     combined_cov = np.linalg.inv(np.linalg.inv(tau * cov_matrix) + P.T @ np.linalg.inv(Omega) @ P)
  17.     combined_returns = combined_cov @ (
  18.         np.linalg.inv(tau * cov_matrix) @ market_returns + 
  19.         P.T @ np.linalg.inv(Omega) @ q
  20.     )
  22.     return combined_returns

2. 机器学习优化方法

使用遗传算法进行全局优化：

  1. from pymoo.algorithms.moo.nsga2 import NSGA2
  2. from pymoo.factory import get_problem, get_sampling, get_crossover, get_mutation
  3. from pymoo.optimize import minimize
  5. class PortfolioProblem(get_problem("ZDT1")):
  6.     def __init__(self, returns, cov):
  7.         super().__init__(n_var=len(returns))
  8.         self.returns = returns
  9.         self.cov = cov
  11.     def _evaluate(self, x, out, *args, **kwargs):
  12.         f1 = -x @ self.returns  # 最大化收益（取负为最小化）
  13.         f2 = np.sqrt(x.T @ self.cov @ x)  # 最小化风险
  14.         out["F"] = np.column_stack([f1, f2])
  16. problem = PortfolioProblem(annual_returns.values, cov_matrix.values)
  17. algorithm = NSGA2(
  18.     pop_size=100,
  19.     n_offsprings=10,
  20.     sampling=get_sampling("real_random"),
  21.     crossover=get_crossover("real_sbx", prob=0.9, eta=15),
  22.     mutation=get_mutation("real_pm", eta=20),
  23.     eliminate_duplicates=True
  24. )
  26. res = minimize(problem, algorithm, ('n_gen', 100), seed=1, verbose=True)
  27. pareto_front = res.F

四、实践中的关键考量

  1. 再平衡策略：
    定期（如季度）再平衡可维持目标风险特征，但需权衡交易成本。动态再平衡可根据市场波动率调整频率。

  2. 压力测试：
    使用历史极端情景（如2008年金融危机、2020年疫情暴发）测试组合韧性：

    1. def stress_test(returns, weights, scenario_returns):
    2.     scenario_port_return = weights @ scenario_returns
    3.     scenario_vol = np.sqrt(weights.T @ (returns.cov() * 252) @ weights)
    4.     return scenario_port_return, scenario_vol

  3. 交易成本建模：
    实际优化需纳入滑点、佣金等成本：

    1. def total_cost(weights, old_weights, bid_ask_spread=0.001):
    2.     turnover = np.sum(np.abs(weights - old_weights))
    3.     return turnover * bid_ask_spread

五、完整案例：全球资产配置

构建包含美股、国债、黄金、新兴市场股票的组合：

  1. # 扩展资产类别
  2. tickers_global = ['SPY', 'TLT', 'GLD', 'EEM']
  3. data_global = yf.download(tickers_global, start='2010-01-01', end='2023-12-31')['Adj Close']
  4. returns_global = data_global.pct_change().dropna()
  6. # 风险平价优化
  7. cov_global = returns_global.cov() * 252
  8. n_global = len(tickers_global)
  9. initial_guess = np.ones(n_global) / n_global
  11. result_global = minimize(
  12.     risk_parity_loss,
  13.     initial_guess,
  14.     args=(cov_global.values,),
  15.     bounds=[(0, 1)] * n_global,
  16.     constraints=[{'type': 'eq', 'fun': lambda x: np.sum(x) - 1}]
  17. )
  19. print("全球资产风险平价权重:")
  20. for ticker, weight in zip(tickers_global, result_global.x):
  21.     print(f"{ticker}: {weight*100:.1f}%")

六、工具与资源推荐

  1. 量化库：

    • PyPortfolioOpt：封装了经典优化方法
    • riskfolio-lib：支持风险平价、层次风险平价等高级模型
    • empyrical：提供多种风险度量指标计算

  2. 数据源：

    • yfinance：免费获取美股、ETF数据
    • Quandl：提供宏观经济、另类数据
    • WRDS：学术级金融数据库（需订阅）

  3. 回测框架：

    • Backtrader：支持多资产策略回测
    • Zipline：Quantopian开源的回测引擎

通过系统掌握上述理论、代码实现与实战技巧，投资者可构建符合自身风险偏好的量化投资组合，在控制风险的同时追求长期稳健收益。实际运用中需持续监控组合表现，根据市场变化动态调整策略参数。

相关文章推荐

发表评论

最热文章

关于作者

  • 被阅读数
  • 被赞数
  • 被收藏数
活动
咨询