PyPortfolioOpt · 第 8 章 其他优化器

PyPortfolioOpt · 第 8 章 其他优化器

章节摘要:均值-方差依赖协方差可逆且收益估计可信,在资产多、样本少时容易失稳。本章介绍两种绕开这些痛点的替代优化器:层次风险平价(HRP)用层次聚类构造相关性树,再按树递归分配风险,完全不需要协方差可逆,对噪声鲁棒;临界线算法(CLA)精确求解带不等式约束的有效前沿,产出整段前沿上的拐点组合。两者分别来自 hierarchical_portfolio.py 与 cla.py,与 Cookbook 5 配套。本章共 2 节,前置依赖为「第 3~4 章」。

学习目标

阅读完本章,你应当能够:

1. 用 HRP 做层次风险平价优化,理解聚类与递归分配。
2. 用 CLA 求临界线算法的有效前沿拐点。
3. 说清二者与均值-方差的差异及适用场景。

核心概念速览

当协方差不可逆或收益不可信时,换一种不依赖它们的优化思路,往往比硬调参数更靠谱。

子章节导航

01 层次风险平价 HRP

HRP 用距离矩阵与层次聚类构造树,按叶节点递归分配风险,无需协方差可逆。

02 临界线算法 CLA

CLA 精确求解带不等式约束的二次规划,产出有效前沿上的拐点组合。

子章节之间的逻辑关系

第 04 章(均值-方差)── 依赖协方差与收益
        │
        ▼ 替代优化器
第 01 节(HRP)── 无需协方差可逆,鲁棒
第 02 节(CLA)── 精确前沿拐点
        │
        ▼
第 9 章(后处理:把权重转成整数股)
​

前置知识与后续延伸

前置知识:

• 第 3~4 章(理解协方差与均值-方差的局限)

后续延伸:

• 第 9 章把任一优化器输出的连续权重转成整数股数
• 第 10 章 BaseOptimizer 让你写自己的优化器