PyPortfolioOpt · 第 2 章 期望收益模型

PyPortfolioOpt · 第 2 章 期望收益模型

章节摘要:本章讲组合优化的第一个输入——期望收益(expected returns)。垃圾进垃圾出,收益估计的质量直接决定优化结果。PyPortfolioOpt 在 expected_returns.py 提供三种主流估计法:均值历史收益(mean_historical_return)直接取过去收益均值,简单但对近期不敏感;指数加权 EMA(ema_historical_return)给近期更高权重,响应更快;CAPM 资本资产定价模型用市场 beta 与风险溢价推收益,理论根基最稳。本章共 3 节,前置依赖为「第 1 章」,是后续均值-方差优化的收益输入端。

学习目标

阅读完本章,你应当能够:

1. 用 mean_historical_return 算历史均值收益。
2. 用 ema_historical_return 算指数加权收益,理解衰减系数。
3. 用 CAPM 模型结合市场收益与 beta 估计期望收益。
4. 根据数据特征选合适的收益模型。

核心概念速览

期望收益是优化的指南针——指错方向,再精巧的优化器也只会带你更快走错路。

子章节导航

01 均值历史收益

mean_historical_return 的算法、频率参数、适用与局限。

02 指数加权 EMA

ema_historical_return 的衰减系数 span、对近期更敏感的特性。

03 CAPM 模型

资本资产定价模型、市场收益与风险溢价、beta 计算、理论假设。

子章节之间的逻辑关系

第 01 节(均值历史) ──► 第 02 节(EMA) ──► 第 03 节(CAPM)
   简单直接            响应更快          理论最稳
                                              │
                                              ▼
                                  收益向量 → 第 4 章优化器
                                  (中间先过第 3 章风险模型)
​

前置知识与后续延伸

前置知识:

• 第 1 章(会跑基本流程)

后续延伸:

• 收益向量将喂给第 4 章 EfficientFrontier
• 第 7 章 Black-Litterman 会用市场隐含收益替代历史估计