3、权重边界约束：个股/资产权重上下限、行业权重限制、多空头限制
权重边界约束，说白了就是给投资组合里的每个资产「画个圈」。
你不能让某只股票占比太大，也不能让某个行业过于集中。更不能在明明只能做多的账户里偷偷做空。这些约束，是量化投资中最基础也最容易被忽视的「安全护栏」。
我个人习惯把权重约束分成三类来理解：
- 个股/资产权重上下限：单只股票最多买多少，最少留多少
- 行业权重限制：某个行业不能超过总仓位的X%
- 多空头限制：做多和做空的资金比例怎么分配
咱们一个一个来看。
3.1 个股权重上下限：别把鸡蛋放一个篮子里
这个约束最直观。你想想看，如果某只股票权重到了30%，它一天跌停，整个组合就亏3%。这谁受得了？
所以我们会设置：
- 上限：比如单只股票不超过总资产的5%或10%
- 下限：比如单只股票不低于0%（即不允许做空），或者不低于-2%（允许少量做空）
核心公式：
对于每只资产 i，其权重 w_i 必须满足：
w_min ≤ w_i ≤ w_max
其中 w_min 和 w_max 是预设的上下限。
我在项目中遇到过这样一个坑：有个策略跑得挺好，年化收益20%+，但回撤特别大。一查原因，发现某只小盘股权重到了15%。那段时间它连续跌停，组合直接崩了。从那以后，我所有策略都强制加上了单只股票5%的上限。
3.2 行业权重限制：别让行业风险绑架你
个股约束只能管住单只股票，但管不住行业集中度。
举个例子：你买了10只银行股，每只只占2%，看起来分散了。但整个银行板块占了20%的仓位。一旦银行出利空，你照样亏得厉害。
行业权重限制就是解决这个问题的：
- 设定每个行业的最大权重，比如不超过20%
- 也可以设定最小权重，比如不低于5%（如果你看好某个行业）
我的经验：行业分类最好用申万一级行业，或者你自己定义的行业标签。别用太细的分类，否则约束太多，优化器容易跑不出解。
我曾经做过一个回测，不加行业约束时夏普比率1.5，加了行业约束后降到1.2。但实盘表现反而更好。为什么？因为行业约束避免了「过拟合」——你回测里表现好的行业，未来不一定好。
3.3 多空头限制：做多和做空不是一回事
很多初学者以为「权重可以是负的，那就是做空」。但实际交易中，做多和做空的资金管理完全不同。
多空头限制通常包括：
- 总多头仓位：所有做多资产权重之和，比如不超过100%
- 总空头仓位：所有做空资产权重之和（取绝对值），比如不超过50%
- 净头寸：多头仓位 - 空头仓位，比如要求净头寸为0（市场中性）
注意：做空不是免费的。融券有成本，而且可能被强制平仓。所以空头仓位一定要留足安全边际。
我记得有一次帮朋友调试策略，他设了「净头寸为0」的约束，但没设空头上限。结果优化器给出了「做多200%，做空200%」的解——虽然净头寸是0，但杠杆高得吓人。这种策略一遇到波动就爆仓。
3.4 代码实现：用Python搞定权重约束
下面我用一个简单的例子，展示如何在优化中加入这些约束。
import numpy as np
from scipy.optimize import minimize
# 假设我们有5只股票
n_assets = 5
expected_returns = np.array([0.12, 0.08, 0.15, 0.10, 0.09])
cov_matrix = np.random.randn(n_assets, n_assets)
cov_matrix = cov_matrix @ cov_matrix.T # 确保正定
# 定义目标函数：最大化夏普比率
def neg_sharpe(weights):
port_return = np.dot(weights, expected_returns)
port_vol = np.sqrt(np.dot(weights.T, np.dot(cov_matrix, weights)))
return -port_return / port_vol # 负号是因为我们要最小化
# 约束条件
constraints = [
# 1. 个股权重上下限：每只股票在0%到10%之间
{'type': 'ineq', 'fun': lambda w: w - 0.00}, # w >= 0%
{'type': 'ineq', 'fun': lambda w: 0.10 - w}, # w <= 10%
# 2. 行业权重限制：假设前两只股票属于"金融"行业
# 金融行业总权重不超过20%
{'type': 'ineq', 'fun': lambda w: 0.20 - (w[0] + w[1])},
# 3. 多空头限制：净头寸为0（市场中性）
{'type': 'eq', 'fun': lambda w: np.sum(w)}, # 权重之和为0
# 4. 总多头仓位不超过100%，总空头仓位不超过50%
{'type': 'ineq', 'fun': lambda w: 1.0 - np.sum(w[w > 0])}, # 多头 <= 100%
{'type': 'ineq', 'fun': lambda w: 0.5 - np.sum(np.abs(w[w < 0]))}, # 空头 <= 50%
]
# 初始权重（随机）
init_weights = np.random.randn(n_assets)
init_weights = init_weights / np.sum(np.abs(init_weights)) # 归一化
# 优化求解
result = minimize(neg_sharpe, init_weights, constraints=constraints,
method='SLSQP', options={'maxiter': 1000})
print("最优权重：", result.x)
print("负夏普比率：", result.fun)代码说明：
- 我用的是SLSQP算法，它支持等式和不等式约束
- 个股上下限用了两个不等式约束：w >= 0% 和 w <= 10%
- 行业约束通过组合多个资产的权重来实现
- 多空头约束用等式约束保证净头寸为0
3.5 避坑指南：我踩过的几个坑
做权重约束优化，有几个地方特别容易出问题：
- 约束太紧导致无解：比如你既要求每只股票不超过5%，又要求行业集中度不低于30%，还要求净头寸为0。这种组合很可能无解。我的建议是：先放松约束，看看最优解在哪里，再逐步收紧。
- 忽略交易成本：权重约束会让调仓更频繁。每次调仓都有手续费和冲击成本。我一般会在优化目标里加上一个「换手率惩罚项」。
- 行业分类过时：有些股票业务变了，但行业标签没更新。比如某公司原来是房地产，现在转型做新能源。如果你还用旧标签，行业约束就形同虚设。
一个小技巧：在实盘前，先用历史数据做一次「约束压力测试」。看看在极端行情下（比如2020年3月），你的约束条件是否还能被满足。如果不行，说明约束太理想化了。
3.6 知识体系总览
下面这张图，把权重边界约束的核心逻辑串起来了：
这张图把三类约束并列展示，它们之间是互补关系。个股约束管微观，行业约束管中观，多空头约束管宏观。三者配合，才能构建一个真正稳健的组合。
最后提醒一句：约束条件不是越多越好。每加一个约束，优化器的可行域就缩小一圈。有时候，少即是多。
公众号:蓝海资料掘金营，微信deep3321