投资组合优化大师

要解决什么问题

多资产组合里，权重怎么配往往比单票择时更难：既要估计收益与协方差，又要在约束下平衡收益与风险，还要对比不同资产配置范式是否一致。手工试权重或只靠经验，很难系统画出有效前沿、量化风险贡献，也无法在同一套数据上公平比较 Markowitz 与风险平价等思路。

本技能面向 A 股多标的日频场景：用真实行情拉历史序列，在同一协方差与收益估计框架下跑多种优化器，并输出可对比的权重与绩效指标，适合研究、回测前的权重设计与方法对照。

技能如何工作

数据侧通过 akshare 获取标准六位 A 股代码的日行情，再估计收益与协方差（可选用 Ledoit-Wolf 收缩以缓解「资产数接近样本数」时的矩阵不稳定）。优化层基于 cvxpy 与 scipy，集成四类主流方法：

• 均值-方差（Markowitz）：最大夏普、最小方差、扫描目标收益的有效前沿；支持权重上下限与做空限制。
• Black-Litterman：由市场权重反推均衡收益，融合绝对/相对观点与 Omega 启发式不确定性，得到后验期望收益再优化。
• 风险平价：等风险贡献目标，用 SLSQP 迭代，并给出边际风险贡献占比。
• 层次风险平价（HRP）：相关系数距离、Ward 聚类、准对角化与递归二分配权，避免对协方差矩阵求逆。

除权重外，可计算年化收益/波动、夏普、最大回撤、Calmar、Sortino、信息比率、VaR/CVaR（95%） 等，并生成含有效前沿、权重、风险贡献与相关矩阵等内容的 HTML 报告。

适用边界与注意点

• 市场与频率：仅覆盖 akshare 支持的 A 股；日频数据，不适合高频或衍生品组合优化。
• 用途：离线分析与学习参考，不构成投资建议，也无实时交易能力。
• 结果风险：历史优化存在过拟合；Black-Litterman 高度依赖观点质量；有效前沿在约束过紧或目标收益不可行时可能缺段。
• 实操建议：区间宜至少约一年交易日；权重出现极小值时可设 --weight-lower 等约束；接口偶发失败需重试或换区间。