A Share Portfolio Optimize

数据源#

bash

SCRIPTS="$SKILLS_ROOT/cn-stock-data/scripts"

# 各资产日K线（用于计算收益率序列和协方差矩阵）
python "$SCRIPTS/cn_stock_data.py" kline --code [CODE] --freq daily --start [起始日期]

# 各资产最新行情
python "$SCRIPTS/cn_stock_data.py" quote --code [CODE1],[CODE2],[CODE3],...

# 无风险利率参照（十年期国债收益率，可手动指定，默认2.5%）
# 大盘基准（有效前沿对比）
python "$SCRIPTS/cn_stock_data.py" kline --code SH000300 --freq daily --start [起始日期]

量化优化脚本#

bash

OPTIM="$SKILLS_ROOT/a-share-portfolio-optimize/scripts"

# 给定资产收益率矩阵，运行组合优化
python "$OPTIM/portfolio_optimizer.py" \
  --returns_csv [收益率CSV路径] \
  --method [min_var|max_sharpe|risk_parity|equal_weight] \
  --rf 0.025 \
  --long_only \
  --max_weight 0.40

Workflow (5 steps):#

Step 1: 输入资产池与约束

收集用户信息：

项目说明默认值资产池股票代码列表用户提供历史窗口用于估计参数的历史区间近1年（250交易日）优化方法min_var / max_sharpe / risk_parity / equal_weight / BLmax_sharpe无风险利率Rf2.5%约束条件做多约束、个股上限、行业上限long_only, max 40%预期观点(BL)用户主观收益预期（仅BL模型需要）-

Step 2: 数据获取与收益率/风险估计

1. 通过 cn-stock-data kline 获取各资产日K线
2. 计算日收益率序列 -> 年化收益率向量 mu
3. 计算收益率协方差矩阵 Sigma（默认样本协方差，可选 Ledoit-Wolf 收缩）
4. 展示关键统计：

代码名称年化收益(%)年化波动(%)夏普比最大回撤(%)

相关系数矩阵热力图描述（哪些资产高度正相关、哪些负相关/低相关提供分散化收益）。

Step 3: 组合优化求解

根据用户选择的方法执行优化：

方法 A: 均值方差 / 最大夏普 (MVO - Max Sharpe)

• 目标: max (mu^T w - Rf) / sqrt(w^T Sigma w)
• 约束: sum(w)=1, w>=0 (long_only), w_i<=max_weight

方法 B: 最小方差 (Min Variance)

• 目标: min w^T Sigma w
• 约束: sum(w)=1, w>=0

方法 C: 风险平价 (Risk Parity)

• 目标: 各资产风险贡献相等 RC_i = w_i * (Sigma w)_i / sqrt(w^T Sigma w) = 1/N
• 数值求解: min sum_i (RC_i - 1/N)^2

方法 D: 等权 (Equal Weight)

• w_i = 1/N (作为基准参照)

方法 E: Black-Litterman (可选)

• 均衡收益 pi = delta * Sigma * w_mkt
• 融合用户观点: mu_BL = [(tau Sigma)^-1 + P^T Omega^-1 P]^-1 [(tau Sigma)^-1 pi + P^T Omega^-1 Q]
• 基于 mu_BL 再做 MVO

调用 portfolio_optimizer.py 执行计算，输出最优权重。

Step 4: 结果展示与有效前沿

最优权重：

代码名称权重(%)风险贡献(%)

组合预期指标：

指标最优组合等权组合沪深300预期年化收益(%)预期年化波动(%)夏普比最大回撤(%)

有效前沿描述：

• 最小方差组合位置（收益-波动坐标）
• 最大夏普组合位置（切线组合）
• 各个股在收益-风险平面上的位置
• 当前组合相对有效前沿的位置

Step 5: 输出

风格说明#

维度formal（量化研报风格）brief（快速优化风格）篇幅4-6 页1-2 页统计分析完整收益/风险/相关性矩阵关键指标摘要优化方法多方法对比 + 有效前沿单一方法结果权重输出完整表格 + 风险贡献分解权重饼图描述敏感性参数敏感性分析不含理论说明含模型原理简述不含免责声明需要不需要

关键规则#

1. 历史不代表未来：基于历史数据的优化结果仅供参考，必须声明"过去业绩不预测未来收益"
2. 估计误差：均值估计不稳定，优先推荐最小方差或风险平价等不依赖收益率估计的方法
3. 协方差稳定性：短期协方差可能不稳定，建议使用至少1年数据，可选 Ledoit-Wolf 收缩估计
4. 约束合理性：默认做多约束（A股做空受限），个股上限40%防止过度集中
5. 多方法对比：formal 风格下建议对比多种方法结果，让用户理解不同优化目标的权衡
6. 与其他 skill 联动：可用 a-share-comps 补充估值视角、a-share-technical 确认技术面、a-share-sector 检查行业暴露
7. Black-Litterman 谨慎使用：BL 模型需要用户提供主观观点，引导用户合理设定观点及置信度