4、Alpha组合构建：选股流程、打分法 vs 优化法、组合约束条件
好，咱们进入正题。Alpha组合怎么搭？说白了，就是把你上一章筛选出来的那些“好股票”，用一套规则组合起来。这步做不好，前面选股再牛也白搭。
我个人习惯把组合构建拆成三个核心问题：选什么？怎么配权重？有什么限制？ 今天咱们一个一个聊透。
4.1 选股流程：从候选池到最终组合
先说说我的标准流程。嗯，这流程我用了好几年，踩过坑也优化过，现在基本稳定。
- 初筛：剔除ST、停牌、上市不足60天的票。这一步没啥技术含量，但必须做。
- 因子打分：用多因子模型给每只股票打分。我一般用5-8个因子，太多了容易过拟合。
- 排序分层：按总分从高到低排序，取前10%-20%作为候选池。
- 约束过滤：检查行业、市值、流动性等硬约束，不符合的直接剔除。
- 权重分配：用打分法或优化法确定最终权重。
核心原则：选股流程要可重复、可回溯。我见过有人靠“感觉”选股，结果回测漂亮实盘崩盘——因为感觉没法复现。
我曾经犯过一个低级错误：初筛时忘了剔除新股，结果组合里全是次新股，波动大得吓人。从那以后，我把初筛规则写成了自动化脚本，每次跑之前先检查一遍。
4.2 打分法 vs 优化法：两种主流思路
权重怎么定？业内两大流派：打分法和优化法。我两种都用过，各有优劣。
4.2.1 打分法：简单粗暴但有效
打分法的逻辑很直观：每个因子给一个权重，加权求和得到总分，然后按总分分配资金。
# 打分法示例（Python伪代码）
def score_weighting(factor_scores, factor_weights):
total_score = sum(factor_scores[f] * factor_weights[f] for f in factor_weights)
# 等权重或按得分比例分配
weight = total_score / sum(total_score)
return weight优点很明显：透明、易解释、鲁棒性强。你想想看，基金经理问你“为什么给这只股票配5%”，你可以直接说“因为它综合得分排第10”。
缺点呢？不够精细。打分法不考虑因子之间的相关性，也不考虑风险预算。比如两个因子高度相关，相当于重复计分，组合可能过度暴露在某些风险上。
我的建议：如果你刚开始做组合管理，或者组合规模不大（比如1亿以下），打分法完全够用。我早期做小资金时一直用打分法，效果不错。
4.2.2 优化法：精确但容易过拟合
优化法是用数学规划求解最优权重。常见的目标函数有：最大化Alpha、最小化风险、最大化信息比率等。
# 优化法示例（均值-方差优化）
import cvxpy as cp
w = cp.Variable(n_assets)
objective = cp.Maximize(mu.T @ w - lambda_ * cp.quad_form(w, Sigma))
constraints = [cp.sum(w) == 1, w >= 0, w <= 0.05]
problem = cp.Problem(objective, constraints)
problem.solve()优化法的优势是精确控制风险暴露。你可以把行业偏离、市值偏离、换手率等全部写成约束条件，一次性求解。
但问题也很明显：对输入参数极其敏感。预期收益差一点，最优权重可能天差地别。我见过有人用优化法跑回测，夏普比率2.5，实盘直接变0.5——因为参数估计误差被放大了。
避坑指南：我曾经用优化法做300只股票的组合，结果优化器给了某只股票0.01%的权重。你说这有意义吗？后来我加了最小权重约束（比如0.5%），才解决这个问题。
4.2.3 我的选择策略
| 场景 | 推荐方法 | 原因 |
|---|---|---|
| 股票数量少（<50） | 打分法 | 简单、稳定、易解释 |
| 股票数量多（>100） | 优化法 | 能处理大量约束 |
| 追求极致收益 | 优化法 | 可以精细调参 |
| 追求稳健 | 打分法 | 不容易过拟合 |
我个人习惯：先用打分法做初版，再用优化法微调。这样既保留了打分法的稳健性，又利用了优化法的精确性。
4.3 组合约束条件：行业、市值、换手率
约束条件是什么？说白了就是“不能乱来”。没有约束的组合，就像没有护栏的悬崖——收益可能很高，但掉下去的概率也不小。
4.3.1 行业约束
行业约束是为了避免过度集中。比如你选股时发现消费股得分都很高，如果不加约束，组合可能80%都是消费股。一旦消费行业出问题，组合就崩了。
常见的做法：设定行业偏离上限。比如基准指数中消费行业权重20%，你的组合中消费行业权重不能超过25%（偏离5%）。
实战经验：我一般设两个阈值——硬上限和软上限。硬上限是绝对不能超的（比如30%），软上限是建议不超的（比如25%）。如果某行业确实很强，可以突破软上限但必须写说明。
4.3.2 市值约束
市值约束控制的是风格暴露。如果你做的是沪深300增强，组合的平均市值就不能偏离沪深300太多。否则你名义上做的是大盘股，实际持仓全是小盘股。
具体怎么设？我常用两种方式：
- 市值中位数偏离：组合市值中位数 vs 基准市值中位数，偏离不超过20%
- 市值分层限制：大盘股占比不低于60%，小盘股不超过10%
嗯，这里要注意：市值约束和行业约束经常冲突。比如某行业全是小盘股，你既要配够行业权重，又要控制小盘股比例——这时候就需要权衡了。
4.3.3 换手率约束
换手率约束控制的是交易成本。你想想看，如果每周换仓50%，光手续费就能吃掉大部分收益。
我一般设月度换手率上限30%。也就是说，每个月最多调整30%的仓位。这样既保证了组合能跟上市场变化，又不会产生过高的交易成本。
一个小技巧：换手率约束不要设得太死。如果市场出现极端行情（比如2020年3月的暴跌），适当放宽换手率反而能抓住机会。我通常设一个“正常情况”和一个“紧急情况”两套参数。
4.4 知识体系框架图
下面这张图总结了本章的核心逻辑，我手绘的SVG，凑合看：
4.5 实战避坑总结
最后，分享几个我踩过的坑，希望能帮你少走弯路：
- 别迷信优化器：优化器给出的结果，一定要人工检查一遍。我曾经遇到优化器给某只ST股票配了5%权重——因为它的“预期收益”被错误地设成了100%。
- 约束条件要留余地：不要把约束设得太紧。比如行业偏离设±3%，结果每次调仓都因为微小偏离而频繁交易，换手率直接爆表。
- 定期复盘约束有效性：每季度检查一次约束条件是否还合理。市场在变，约束也要跟着调整。
一句话总结：Alpha组合构建不是选最好的股票，而是选最合适的股票，然后用最稳健的方式配权重。打分法和优化法没有绝对的好坏，关键看你的资金规模、风险偏好和团队能力。
公众号:蓝海资料掘金营，微信deep3321