4. CVaR优化模型构建：线性规划视角下的CVaR最小化问题

好，咱们进入正题。

上一章我们聊了CVaR是什么，以及它怎么算。但光会算没用，对吧？我们真正要解决的是：如何在给定的资产池里，找到一组权重，让CVaR最小。

这就是CVaR优化模型要干的事。

我个人习惯把这类问题分成两步：先建模，再求解。建模就是把你的投资目标、约束条件写成数学公式；求解就是扔给计算机去算。今天咱们重点讲建模，而且是从线性规划的角度切入。

4.1 为什么是线性规划？

你可能会问：优化方法那么多，为什么偏偏选线性规划？

嗯，这里有个关键点。传统的均值-方差模型，目标函数是二次的，求解起来比较麻烦。而CVaR优化，在一定的处理技巧下，可以转化为线性规划问题。

线性规划意味着什么？

• 求解速度快：即使有上千个资产、几万个场景，也能在几秒内算完。
• 全局最优：线性规划的解一定是全局最优解，不会陷入局部最优。
• 成熟工具多：Python的PuLP、scipy.optimize，甚至Excel的规划求解都能搞定。

我在项目中遇到过一位同事，他用遗传算法做CVaR优化，跑了整整一夜才出结果。我帮他改成线性规划模型，同样的数据，30秒搞定。他当时就愣住了。

4.2 数学建模：从CVaR到线性规划

咱们先回忆一下CVaR的定义。假设我们有T个历史场景（或蒙特卡洛模拟的场景），每个场景下投资组合的损失为L_t(w)，其中w是资产权重向量。那么，在置信水平α下的CVaR可以写成：

CVaR_α(w) = min_{ζ} { ζ + (1/(1-α)) * (1/T) * Σ max(L_t(w) - ζ, 0) }

这个公式看着有点复杂，但说白了就是：找一个阈值ζ，让超过ζ的损失的平均值最小。

现在，我们把这个公式改写成线性规划的形式。

引入辅助变量z_t，表示第t个场景下超过阈值ζ的损失部分。那么，CVaR最小化问题可以写成：

minimize:    ζ + (1/((1-α) * T)) * Σ z_t

subject to:
    z_t ≥ L_t(w) - ζ,    t = 1, 2, ..., T
    z_t ≥ 0,             t = 1, 2, ..., T
    Σ w_i = 1
    w_i ≥ 0              (如果允许做空，则去掉这个约束)

你看，目标函数和约束条件都是线性的。这就是线性规划的魅力。

4.3 代码实现：用Python求解CVaR最小化

理论讲完了，咱们上代码。我用的是PuLP库，它是我个人比较喜欢的线性规划求解器，语法清晰，容易上手。

import pulp
import numpy as np

# 假设我们有3个资产，100个历史场景
n_assets = 3
n_scenarios = 100

# 随机生成场景损失数据（实际中应该用真实数据）
np.random.seed(42)
loss_scenarios = np.random.randn(n_scenarios, n_assets) * 0.02

# 置信水平
alpha = 0.95

# 创建问题实例
prob = pulp.LpProblem("CVaR_Minimization", pulp.LpMinimize)

# 决策变量：资产权重
w = [pulp.LpVariable(f"w_{i}", lowBound=0) for i in range(n_assets)]

# 辅助变量：阈值ζ
zeta = pulp.LpVariable("zeta", lowBound=None)

# 辅助变量：每个场景的超额损失z_t
z = [pulp.LpVariable(f"z_{t}", lowBound=0) for t in range(n_scenarios)]

# 目标函数：CVaR
prob += zeta + (1 / ((1 - alpha) * n_scenarios)) * pulp.lpSum(z)

# 约束条件1：z_t ≥ 损失 - ζ
for t in range(n_scenarios):
    loss_t = pulp.lpSum([loss_scenarios[t, i] * w[i] for i in range(n_assets)])
    prob += z[t] >= loss_t - zeta

# 约束条件2：权重之和为1
prob += pulp.lpSum(w) == 1

# 求解
prob.solve()

# 输出结果
print("最优权重：")
for i in range(n_assets):
    print(f"  资产{i+1}: {pulp.value(w[i]):.4f}")
print(f"最小CVaR: {pulp.value(prob.objective):.6f}")

这段代码跑起来很快。我建议你试试不同的置信水平α，看看结果怎么变。

4.4 知识体系：CVaR优化的核心逻辑

为了让你更直观地理解整个流程，我画了一张图。这张图展示了从数据输入到最终权重输出的完整链路。

这张图里，我特意加了一个反馈回路。为什么？因为实际项目中，你很少能一次搞定。往往是先跑一版，发现结果不合理，然后回去调整参数或补充数据，再跑。这个迭代过程，才是真实的工作流。

4.5 避坑指南：我踩过的三个坑

做CVaR优化这几年，我踩过不少坑。挑三个最典型的分享给你：

1. 场景数量太少：我之前说过，少于500个场景，结果不稳定。有一次我用252个交易日的数据做优化，结果每周跑出来的权重都不一样，根本没法用。
2. 忽略交易成本：线性规划模型默认调仓是免费的。但现实中，买卖股票有手续费、冲击成本。我建议在目标函数里加一个惩罚项，或者直接约束换手率。
3. 权重过于集中：有时候求解器会把所有资金都压在一两个资产上。虽然从CVaR角度看是最优的，但实际投资中没人敢这么干。我的做法是加一个最大权重的约束，比如单个资产不超过20%。

4.6 小结

这一章我们讲了CVaR优化模型的核心——如何把它转化为线性规划问题。说白了，就是引入一个阈值ζ和一组辅助变量z_t，把非线性的CVaR公式变成线性的目标函数和约束条件。

代码实现上，PuLP是个不错的选择。你只要定义好变量、目标函数和约束，剩下的交给求解器。

下一章，我们会在这个基础上加入更多实际约束，比如行业集中度限制、流动性约束等。到时候你会发现，线性规划框架的扩展性非常强，加约束就像搭积木一样简单。

---