Python A股量化投资组合优化策略

---

前言

`
优化投资组合的目标是在给定一组资产的预期收益率和协方差矩阵的情况下，找到最优的资产配置比例，以最大化预期收益或最小化风险。以下是一种常用的优化组合方法：

确定输入数据：准备资产的预期收益率和协方差矩阵。预期收益率可以根据历史数据或其他方法进行估计，而协方差矩阵则反映了资产之间的相关性和波动性。

定义目标函数：选择一个目标函数来衡量投资组合的优劣。常见的目标函数包括投资组合的预期收益率、风险（如方差或标准差）或风险调整后的收益率（如夏普比率）。

添加约束条件：为了确保投资组合的有效性，需要添加约束条件。例如，权重之和应等于1，以确保全部资金都被分配；每个资产的权重应在0到1之间，表示资产在投资组合中的比例限制。

设定边界和初始权重：对每个资产的权重设置上下界，一般为0到1之间。并设定初始权重，可以采用等权重分配或其他初始策略。

进行优化：使用优化算法（如最小化函数的数值优化方法）求解最优权重。常用的优化算法有均值-方差模型、Monte Carlo 模拟、遗传算法等。

解读结果：根据优化结果，可以计算出各个资产在投资组合中的比例，根据预期收益率和协方差矩阵评估投资组合的风险和收益。

需要注意的是，优化投资组合是一个复杂的问题，涉及到许多假设和决策。预期收益率的估计和协方差矩阵的计算对于优化结果具有重要影响。此外，优化结果也可能受到约束条件和优化算法的选择影响。因此，在应用优化方法时，需要认真考虑输入数据和模型假设，并对结果进行充分的解读和验证`
查询dqnapi接口域名：http://www.dqnapi.com/
在这里插入图片描述

pro.stock_basic dqnapi号:100.3568/2023.10_v1

python 代码

import tushare as ts
import pandas as pd
import numpy as np
from scipy.optimize import minimize

# 设置Tushare token
ts.set_token('')

# 获取股票数据
symbols = ['600276.SH', '600600.SH', '600690.SH', '600941.SH', '000063.SZ', '002049.SZ', '002594.SZ', '300015.SZ']
start_date = '20230101'
end_date = '20230621'

data = {}
for symbol in symbols:
    df = ts.pro_bar(ts_code=symbol, adj='qfq', start_date=start_date, end_date=end_date)
    data[symbol] = df['close']

df = pd.DataFrame(data)
returns = df.pct_change().dropna()

# 定义投资组合优化函数
def optimize_portfolio(expected_returns, cov_matrix, risk_tolerance):
    num_assets = len(expected_returns)
    args = (expected_returns, cov_matrix)

    def objective(weights, expected_returns, cov_matrix):
        return weights.dot(cov_matrix).dot(weights)

    def constraint(weights):
        return weights.sum() - 1

    bounds = tuple((0, 1) for _ in range(num_assets))
    constraints = ({'type': 'eq', 'fun': constraint})
    initial_weights = np.ones(num_assets) / num_assets

    result = minimize(objective, initial_weights, args=args, bounds=bounds, constraints=constraints)
    return result.x


# 示例使用参数并进行投资组合优化
expected_returns = returns.mean()
cov_matrix = returns.cov()
risk_tolerance = 0.1

optimized_weights = optimize_portfolio(expected_returns, cov_matrix, risk_tolerance)

print("优化后的权重：", optimized_weights)

# 假设初始持仓并计算买卖股票的数量
initial_holdings = {
    '600276.SH': 200,
    '600600.SH': 100,
    '600690.SH': 700,
    '600941.SH': 100,
    '000063.SZ': 400,
    '002049.SZ': 100,
    '002594.SZ': 100,
    '300015.SZ': 900
}

portfolio_value = 120000
prices = df.iloc[-1]
current_value = prices.dot(pd.Series(initial_holdings))

target_value = portfolio_value * optimized_weights

trade_quantity = {}
for symbol, target in zip(symbols, target_value):
    current_quantity = initial_holdings.get(symbol, 0)
    target_quantity = max(int(target / prices[symbol] / 100) * 100, 100)  # 设置买卖数量为整100数
    trade_quantity[symbol] = target_quantity - current_quantity

print("买卖股票的数量：", trade_quantity)
print("初始持仓的总价值：", current_value)

总结

优化后的权重： [0.125 0.125 0.125 0.125 0.125 0.125 0.125 0.125]
买卖股票的数量： {‘600276.SH’: 100, ‘600600.SH’: 0, ‘600690.SH’: -100, ‘600941.SH’: 100, ‘000063.SZ’: 100, ‘002049.SZ’: 0, ‘002594.SZ’: 0, ‘300015.SZ’: -300}
初始持仓的总价值： 113030.20000000001
后续我会再写一个模型评估方法，不断迭代优化，再看实际执行效果，也欢迎大家交流学习，多提宝贵意见