跟着小K开始零基础Python量化分析之旅 6: 进一步修炼 —— 组合投资与风险管理初探

第六章：进一步修炼 —— 组合投资与风险管理初探

在前几章的探险中，小K已经如同初出茅庐的侠客，学会了单兵作战（单一股票回测）的基本武艺。但当他踏入量化江湖更深处时，前辈的一句话如晨钟暮鼓般在耳边回响：“不要把鸡蛋放在同一个篮子里！”股市犹如汹涌的大海，单一的船只随时可能遭遇风浪；而组合投资就像一支舰队，既能分担风险，又能协同作战，带来更稳健的收益。与此同时，小K逐渐明白，量化投资不仅追求盈利，更重要的是学会驾驭风险的利剑，为每一次出征护航。

---

一、组合投资基础：构筑你的量化舰队

为什么要选择多只股票？

想象一下，如果你只拥有一只小舟出海，遇上暴风雨时便难以抵御风险。而拥有一支舰队，每艘船之间彼此独立、互相支撑，即使有一艘暂时失去平衡，其它舰船仍可确保整体航行稳定。小K了解到，单只股票可能因行业、市场波动而遭遇暴跌，而多只股票的组合则能在风险分散的同时，降低整体波动性。

相关性与分散化：巧妙配置，稳如泰山

在构建舰队时，选择不同型号、不同用途的舰船能够有效对抗海上的变幻莫测。股票之间的相关性就像舰船之间的协同关系：

• 低相关性：当一艘舰船（股票）遇险时，另一艘若在风平浪静中前行，则能弥补损失。
• 分散化：跨越不同行业和市场的股票，如同组成了多样化的舰队，能够在风暴中降低整体风险。

---

二、简单组合回测：多舰齐发，检验组合实力

构建多股票回测框架

小K决定将自己那艘单兵作战的小舟升级为一支舰队。他开始在自己的回测框架中同时加载多只股票的数据。以两只股票A和B为例，前辈告诉他：“试着让这两只‘舰船’按照固定比例或者市值权重分配资金，看看组合的整体表现如何。”

下面是一段简化的Python代码示例，帮助大家直观感受如何实现这一过程：

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

# 模拟生成两只股票的历史数据（收盘价）
dates = pd.date_range(start='2020-01-01', periods=200)
np.random.seed(42)
price_A = np.cumprod(1 + np.random.normal(0.001, 0.02, size=200))
price_B = np.cumprod(1 + np.random.normal(0.001, 0.03, size=200))
data = pd.DataFrame({
   'A': price_A, 'B': price_B}, index=dates)

# 固定比例配置：各50%
weights = np.array([0.5, 0.5])
portfolio = data.dot(weights)

# 绘制股票与组合的资金曲线
plt.figure(figsize