python 组合优化 回撤最小_Python最优化——构建你的资产组合投资

实践是最好的学习方式，如果能学以致用，不仅能巩固提升技能，也有助于保持学习动力。网上也有其他人用Python建投资组合的文章，但不是过于强调理论就是直接上代码，代码又长又难懂，还用了不少没见过的库，画出的图形很炫，但不适合我这种初级水平、只想求出个权重的人。所以决定不找网上现成的代码，自己从零编起。

我的需求很朴素，给定若干资产，求出它们在组合中的权重。

马科维茨资产组合投资理论其实就是一个有条件的最优化问题：给定期望收益率水平，求使风险最小的资产权重。求出权重后可以得到组合的风险(用方差表示)。一个个(风险，收益率)点画在图上，就叫做可行集，如下图。

b到a部分对我们没用，我们需要的是b到c部分，所以问题也可转化成给定风险，求最大化收益率

我们手里有的数据是(输入)各只股票每天的交易价格，要得到的是(输出)每只股票价值占组合价值的比例，即权重。

马科维茨资产组合投资理论里没有价格，有的是每只股票的平均收益率和方差，二者的基础都是日收益率，所以先把日收益率求出来。接着求期望和协方差矩阵

解决这个问题的关键在于解最优化问题。Scipy的optimize是用来处理最优化问题的。在资产组合问题中使用 scipy.optimize.minimize 方法。scipy.optimize.minimize(fun, x0, args=(), method=None, jac=None,  hess=None,  hessp=None, bounds=None, constraints=(), tol=None, callback=None, options=None)

参数很多，我们只需用到以下几个：

fun表示目标函数，即收益率

x0是参数的初始值，即要先给出权重的初始值，随意给，我是平均分配的

args是要提前传给目标函数的其他参数，包括每只股票的平均收益率和股票个数

method是求解方法，选择“SLSQP”

bounds是参数的取值范围，因为股票只能做多不能做空，所以是(0,1)

constraints约束条件，一个约束条件是一个字典，多个约束条件是由字典组成的序列。描述一个约束条件最主要由两部分：类型(等式还是不等式)和函数(约束条件长啥样)

至此，用python求解投资组合最重要的部分就解决了！