PyPortfolioOpt · 第 4 章 均值方差优化

PyPortfolioOpt · 第 4 章 均值方差优化

章节摘要:本章是全教程的优化核心。马科维茨均值-方差优化(Mean-Variance Optimisation)在给定收益与协方差下,求最优权重。PyPortfolioOpt 的 EfficientFrontier 对象是这一层的入口,它把收益模型与风险模型的输出作为输入,再按不同目标求解。本章逐一拆解五种核心目标:max_sharpe 最大化夏普比率(切线组合)、min_volatility 最小化方差、efficient_risk 在目标收益下最小化风险、efficient_return 在目标风险下最大化收益、quadratic_utility 在风险厌恶系数下最大化二次效用。本章共 5 节,前置依赖为「第 2~3 章」,是后续进阶与高阶模型的共同基础。

学习目标

阅读完本章,你应当能够:

1. 用 EfficientFrontier 构造优化器,喂入收益与协方差。
2. 用 max_sharpe 求最大夏普(切线)组合。
3. 用 min_volatility 求最小方差组合。
4. 用 efficient_risk 与 efficient_return 求目标约束组合。
5. 用 quadratic_utility 在风险厌恶系数下求效用最大化。

核心概念速览

均值-方差优化的本质是——在风险与收益的权衡曲线上,按你的目标挑那一个最优的点。

子章节导航

01 EfficientFrontier

EfficientFrontier 对象的构造、add_constraint 加约束、clean_weights 与 set_weights 等方法。

02 max_sharpe

max_sharpe 最大化夏普比率,即切线组合,数学含义与求解技巧。

03 min_volatility

min_volatility 最小化方差,最保守的全局最小方差组合。

04 efficient_risk 与 efficient_return

efficient_risk 给定目标波动求最小风险、efficient_return 给定目标收益求最优,二者构成有效前沿。

05 二次效用

quadratic_utility 用风险厌恶系数 gamma 平衡收益与方差。

子章节之间的逻辑关系

第 01 节(EfficientFrontier)── 是五种目标的共同容器
   │
   ├──► 第 02 节(max_sharpe)      最高风险调整收益
   ├──► 第 03 节(min_volatility)  最保守
   ├──► 第 04 节(risk / return)   目标约束,描出前沿
   └──► 第 05 节(quadratic_utility) 效用视角
                                          │
                                          ▼
                              第 5 章(进阶:约束 / 正则 / 自定义)
​

前置知识与后续延伸

前置知识:

• 第 2 章(期望收益)
• 第 3 章(协方差矩阵)

后续延伸:

• 第 5 章加约束、L2 正则、自定义目标
• 第 6 章换成 CVaR、Semivariance、CDaR 度量
• 第 7 章 Black-Litterman 替换收益输入