一、约束处理入门：组合优化中的常见约束类型

做组合优化，说白了就是在一堆限制条件里找最优解。

我刚开始接触这块时，总觉得约束是麻烦事。后来踩过几次坑才明白——没有约束的优化，就像没有护栏的悬崖。你算出来的权重再漂亮，实际交易时根本没法用。

1.1 权重约束：最基础也最容易被忽视

权重约束，就是限制每只股票能买多少。

最常见的两种：

• 上下限约束：比如单只股票不低于1%，不高于10%
• 整数手约束：必须按100股的整数倍交易

我在项目中遇到过一件事。有个同事做回测，权重算出来是3.14159%。结果实盘时发现，按这个比例根本买不了整数手。最后被迫调整，收益直接掉了0.5%。

代码实现其实不复杂。用cvxopt或者scipy都能做：

# 权重上下限约束示例
import numpy as np
from scipy.optimize import minimize

# 定义约束：权重之和=1，且每个权重在[0.01, 0.10]之间
constraints = [
    {'type': 'eq', 'fun': lambda x: np.sum(x) - 1},  # 满仓
    {'type': 'ineq', 'fun': lambda x: x - 0.01},     # 下限1%
    {'type': 'ineq', 'fun': lambda x: 0.10 - x}      # 上限10%
]

# 优化目标：最小化组合方差
def portfolio_variance(weights, cov_matrix):
    return weights.T @ cov_matrix @ weights

result = minimize(portfolio_variance, 
                  x0=np.ones(10)/10,
                  args=(cov_matrix,),
                  constraints=constraints)

1.2 行业约束：别把鸡蛋放在一个篮子里

行业约束，就是限制某个行业的持仓比例。

举个例子：你特别看好新能源，但不能全仓押上。监管要求、风控要求都会限制单一行业的暴露。

常见的行业约束形式：

• 绝对比例约束：某行业不超过总仓位的30%
• 相对基准约束：某行业偏离基准不超过±5%
• 行业中性约束：各行业权重与基准完全一致

嗯，这里要注意。行业约束和权重约束可能会打架。比如你设了单只股票上限10%，又设了某个行业上限20%。如果这个行业只有两只股票，那每只最多10%，行业上限20%其实用不上。

行业约束的数学表达：

# 行业约束示例
# 假设有5个行业，每个行业包含若干股票
industry_map = {
    '科技': [0, 1, 2],    # 股票索引
    '消费': [3, 4, 5],
    '医药': [6, 7],
    '金融': [8, 9],
    '能源': [10, 11, 12]
}

# 约束：每个行业权重不超过30%
def industry_constraint(weights, industry_map, max_weight=0.30):
    constraints = []
    for industry, stocks in industry_map.items():
        industry_weight = np.sum(weights[stocks])
        constraints.append(industry_weight - max_weight)  # 必须 ≤ 0
    return np.array(constraints)

1.3 换手率约束：别让交易成本吃掉收益

换手率约束，说白了就是限制你买卖的幅度。

你想想看，如果每次调仓都大进大出，交易成本会高得吓人。我见过一个策略，年化收益15%，但换手率高达2000%。扣除交易成本后，实际收益只剩3%。

换手率约束通常有两种：

• 单期换手率约束：本次调仓的买卖总额不超过某个比例
• 累计换手率约束：一段时间内的总换手率不超过某个阈值

我个人习惯用单期约束，因为它更直观、更容易控制。

# 换手率约束示例
# 假设当前持仓权重为 current_weights
# 目标权重为 target_weights
# 换手率 = sum(|target_weights - current_weights|) / 2

def turnover_constraint(target_weights, current_weights, max_turnover=0.20):
    turnover = np.sum(np.abs(target_weights - current_weights)) / 2
    return turnover - max_turnover  # 必须 ≤ 0

# 在优化中加入换手率约束
constraints = [
    {'type': 'eq', 'fun': lambda x: np.sum(x) - 1},
    {'type': 'ineq', 'fun': lambda x: 0.20 - turnover_constraint(x, current_weights)}
]

1.4 三种约束的关系与权衡

这三种约束不是独立的。它们之间会互相影响。

我画了一张图，帮你理清思路：

从图上你能看出来，这三个约束是互相牵制的。权重约束影响行业约束的实现空间，行业约束又会影响换手率的高低。我建议的做法是：

1. 先定权重约束：这是最基础的，决定了每只股票的可调范围
2. 再定行业约束：在权重约束的基础上，控制行业暴露
3. 最后调换手率：根据前两个约束的结果，设定合理的换手率上限

1.5 实战中的常见问题

说了这么多，我总结几个实际中经常遇到的问题：

问题	原因	解决方法
优化无解	约束太紧，没有可行域	放松约束，或使用松弛变量
换手率过高	权重约束和行业约束变化太大	增加换手率惩罚项，或分步调仓
行业集中度过高	权重约束没考虑行业分布	加入行业约束，限制单一行业暴露
实盘与回测偏差大	约束条件在回测中被忽略	回测时就用实盘相同的约束条件

嗯，最后说一句。约束处理这件事，没有标准答案。不同的策略、不同的市场环境，需要不同的约束组合。关键是要理解每个约束背后的逻辑，然后根据实际情况去调整。

我做了这么多年，最大的体会就是：好的约束不是限制你，而是保护你。它让你的策略在极端行情下也能稳住，不会因为一次失误就全军覆没。

---

公众号:蓝海资料掘金营，微信deep3321