组合优化 · PowerQuant

选出一篮子股票后，每只配多少是比「选什么」更关键的问题。聚宽的 portfolio_optimizer 函数能在给定约束下自动计算最优权重，支持风险平价、最大夏普、最小方差等经典模型。本章讲清怎么用。

一、核心函数

from jqlib.optimizer import *

optimized_weight = portfolio_optimizer(
    date,                       # 优化日期（注意未来函数）
    securities,                 # 股票代码列表
    target,                     # 目标函数（选一个）
    constraints,                # 约束条件列表
    bounds=[Bound(0.0, 1.0)],   # 单标的权重边界
    default_port_weight_range=[0.0, 1.0],  # 总权重范围
    ftol=1e-9,                  # 求解精度
    return_none_if_fail=True    # 失败返回 None
)

返回一个 pd.Series，index 是股票代码，value 是优化后的权重。

二、目标函数（选一个）

目标函数	含义	适用场景
`MinVariance(count=250)`	最小化组合方差	追求低波动
`MaxProfit(count=250)`	最大化组合收益	预期收益明确时
`MaxSharpeRatio(rf=0, count=250)`	最大化夏普比率	风险收益平衡
`RiskParity(count=250)`	风险平价（各资产风险贡献相等）	均衡配置
`MinTrackingError(benchmark, count=250)`	最小化追踪误差	指数增强
`MaxScore(scores)`	打分最大化	因子打分选股
`MaxFactorValue(factor, count=1)`	因子值最大化	因子驱动

# 风险平价：每只股票风险贡献相等
target = RiskParity(count=250, risk_budget=None)

# 最大夏普：无风险利率 2%，组合权重和为 1
target = MaxSharpeRatio(rf=0.02, weight_sum_equal=1.0, count=250)

# 因子打分最大化
scores = pd.Series([0.1, 0.2, 0.3], index=['000001.XSHE','000002.XSHE','000005.XSHE'])
target = MaxScore(scores=scores)

三、约束条件（可多个）

约束	含义
`WeightConstraint(low=0.5, high=0.9)`	组合总权重上下限
`WeightEqualConstraint(limit=1.0)`	组合总权重等于某值
`AnnualStdConstraint(limit=0.15)`	年化波动率上限
`AnnualProfitConstraint(limit=0.1)`	年化收益下限
`IndustryConstraint('HY007', low=0, high=0.2)`	某行业权重上下限
`IndustriesConstraint('jq_l1', low=0, high=0.2)`	行业分类下所有行业各自上限
`MarketConstraint('stock', low=0, high=0.9)`	某类标的权重上下限
`BarraConstraint(size=[-0.5,0.5], beta=[None,1.5])`	Barra 风险因子暴露限制
`TrackingErrorConstraint(benchmark, limit=0.05)`	追踪误差限制
`TurnoverConstraint(limit=0.5)`	换手率限制
`MaxDrawdownConstraint(-0.25)`	最大回撤限制

constraints = [
    WeightConstraint(low=0.9, high=1.0),       # 满仓左右
    AnnualStdConstraint(limit=0.15),            # 波动率不超 15%
    IndustryConstraint('HY007', low=0, high=0.2),  # 银行业不超 20%
]

四、边界（单标的权重）

边界	含义
`Bound(low=0, high=0.1)`	每只权重不超 10%
`IndustryBound(['HY001'], low=0, high=0.05)`	某行业个股额外限制
`LiquidityBound(0.5, capital=1000000)`	成交量占比不超 50%
`CapBound(0.025, capital=1e8)`	市值占比不超 2.5%

bounds = [Bound(0, 0.1)]   # 每只股票最多 10%

五、完整示例：风险平价调仓

from jqlib.optimizer import *

def initialize(context):
    set_benchmark('000300.XSHG')
    set_option('use_real_price', True)
    run_monthly(rebalance, 1, '09:30')

def rebalance(context):
    # 选股：沪深 300 成分
    stocks = get_index_stocks('000300.XSHG')[:30]

    # 风险平价优化，总权重 90%~100%，单只不超 10%
    weights = portfolio_optimizer(
        date=context.previous_date,
        securities=stocks,
        target=RiskParity(count=250),
        constraints=[WeightConstraint(low=0.9, high=1.0)],
        bounds=[Bound(0, 0.1)],
        return_none_if_fail=True
    )

    if weights is None:
        log.warn('优化失败')
        return

    # 按优化结果调仓
    total = context.portfolio.total_value
    for stock, w in weights.items():
        order_target_value(stock, total * w)

    # 卖掉不在目标池的持仓
    for stock in context.portfolio.positions:
        if stock not in weights.index:
            order_target_value(stock, 0)

六、常见模型对比

模型	特点	适合场景
等权重	最简单，无需优化	基线对比
风险平价	低相关资产均衡分散	多资产配置
最小方差	追求绝对稳健	震荡市
最大夏普	风险收益最优	趋势明确时
打分最大化	给好票更高权重	因子选股

portfolio_optimizer 不会自动执行下单，你需要拿到权重后自己用 order_target_value 调仓。

小结

portfolio_optimizer 通过「目标函数 + 约束条件 + 边界」三要素求最优权重：目标定方向（风险平价/最大夏普），约束控整体（行业/波动率），边界限个股。拿到权重后用 order_target_value 落地。下一步进入因子研究：因子研究。