3、多目标投资策略框架：目标函数设计
各位同学，今天我们进入多目标策略的核心环节——目标函数设计。说实话，很多人在做量化策略时，只盯着收益率看。我早期做CTA策略时也犯过这个错，结果回测曲线漂亮得不行，实盘一跑就崩。后来我明白了，单一目标优化就像「瘸腿走路」，走不远。
多目标优化，说白了就是同时考虑多个维度的约束。你想想看，一个策略如果收益很高但流动性极差，或者收益不错但ESG评分垫底，这样的策略你敢用吗？我不敢。
3.1 收益目标函数
收益目标是最直观的。我们通常用年化收益率或累计收益率来衡量。但这里有个坑——我建议你不要直接用「总收益」作为目标，而是用「超额收益」或「风险调整后收益」。
常见的收益目标函数有几种：
- 年化收益率：简单粗暴，但容易受极端值影响
- 夏普比率：收益/波动，我最常用的指标
- 信息比率：超额收益/跟踪误差，适合指数增强策略
- 卡玛比率：年化收益/最大回撤，适合绝对收益策略
我个人习惯用夏普比率作为主目标。为什么？因为它同时考虑了收益和波动。我在一个CTA策略项目中，用夏普比率优化后，最大回撤从18%降到了7%，收益反而提升了3%。
核心公式：
Sharpe Ratio = (Rp - Rf) / σp其中 Rp 是组合收益率，Rf 是无风险利率，σp 是组合波动率。
3.2 风险目标函数
风险目标函数，嗯，这里要重点讲。很多新手只关注波动率，但风险是多维的。我在项目中遇到过最惨的一次，就是只控制了波动率，没控制尾部风险，结果一次黑天鹅事件直接回撤了25%。
常见的风险度量指标：
| 风险指标 | 含义 | 适用场景 |
|---|---|---|
| 波动率 | 收益的标准差 | 通用 |
| VaR | 给定置信水平下的最大损失 | 风控合规 |
| CVaR | 超过VaR的平均损失 | 尾部风险管理 |
| 最大回撤 | 历史最高点到最低点的跌幅 | 绝对收益策略 |
| 偏度/峰度 | 收益分布的形态 | 非正态分布策略 |
我建议你在目标函数中至少包含两个风险指标：一个衡量整体波动（如波动率），一个衡量尾部风险（如CVaR）。这样能避免「看起来稳，实际很脆」的情况。
避坑指南：我曾经只用波动率做风险目标，结果策略在正常市场表现很好，但遇到2015年股灾时直接崩了。后来我加入了CVaR约束，才真正把尾部风险管住。
3.3 流动性目标函数
流动性，说白了就是你的策略能不能「进得去、出得来」。很多人在回测时忽略流动性，结果实盘一跑就发现滑点吃掉所有收益。
流动性目标函数通常包括：
- 持仓集中度：单只股票占比不超过X%
- 日均换手率：持仓股票的日均成交量
- Amihud非流动性指标：价格冲击成本
- 买卖价差：bid-ask spread
我个人习惯用「持仓集中度」和「日均换手率」两个指标。举个例子，如果一个策略持有某只小盘股占比20%，但这只股票日均成交额只有500万，那你想卖出时可能得砸好几个跌停板。
小技巧：在目标函数中，可以把流动性指标作为惩罚项。比如，当持仓集中度超过5%时，每超过1%就扣0.5%的收益。这样优化器会自动避开流动性差的持仓。
3.4 ESG目标函数
ESG现在越来越重要了。说实话，五年前我还不怎么关注ESG，但这两年机构资金对ESG的要求越来越高。我记得去年帮一家保险资管做策略，对方明确要求ESG评分必须在B级以上。
ESG目标函数的设计方式：
- ESG评分加权：组合的加权平均ESG评分
- ESG排除法：剔除ESG评分低于阈值的标的
- ESG倾斜法：在优化中给予高ESG评分标的更高权重
- ESG动量：关注ESG评分改善的标的
我建议用「ESG评分加权」作为主目标，同时配合「ESG排除法」做硬约束。比如，要求组合的ESG评分不低于行业平均，同时剔除ESG评分D级以下的标的。
ESG目标函数示例：
ESG_score = Σ(wi * ESG_i)
约束条件：ESG_i >= D级阈值3.5 约束条件构建
约束条件，说白了就是给优化器画个圈，让它只能在圈里找最优解。没有约束的优化，结果往往不切实际。
常见的约束条件：
| 约束类型 | 具体内容 | 示例 |
|---|---|---|
| 权重约束 | 单只标的权重上下限 | 0% ≤ wi ≤ 10% |
| 行业约束 | 行业暴露度限制 | 行业权重 ≤ 20% |
| 风险预算 | 各风险因子暴露度 | Beta ≤ 1.2 |
| 换手率约束 | 单期换手率上限 | 换手率 ≤ 30% |
| ESG约束 | 最低ESG评分 | ESG ≥ B级 |
我在项目中遇到过最头疼的问题，就是约束条件太多导致无解。后来我学会了「软约束」和「硬约束」的区分——硬约束是必须满足的，软约束是尽量满足的，可以适当放宽。
注意：约束条件不是越多越好。我曾经在一个策略中加了15个约束，结果优化器跑了3个小时还没收敛。后来精简到6个核心约束，5分钟就出结果了。
3.6 决策变量空间
决策变量空间，就是优化器可以调整的参数范围。说白了，就是给优化器一个「操作手册」，告诉它哪些可以调、调多少。
常见的决策变量：
- 权重向量：各标的的配置比例
- 因子暴露度：对风格因子的暴露程度
- 调仓频率：多久调一次仓
- 阈值参数：买卖信号的触发阈值
- 风险预算：各风险因子的分配比例
我个人习惯把决策变量分为两类：连续变量和离散变量。连续变量如权重，可以用梯度优化；离散变量如调仓频率，用网格搜索或遗传算法。
经验之谈：决策变量空间越大，优化难度越高。我建议先固定一部分变量，只优化核心的几个。比如，先固定调仓频率为周频，只优化权重和阈值。等找到不错的结果后，再放开其他变量。
3.7 多目标优化框架图
下面这张图是我自己总结的多目标优化框架，你可以看到各个模块之间的关系：
这张图展示了多目标优化的完整流程：从输入数据开始，经过目标函数设计、约束条件构建，最后到决策变量空间。每个环节都相互关联，缺一不可。
3.8 实战中的权衡
最后说点实战中的体会。多目标优化最大的挑战，就是目标之间的冲突。收益和风险天生就是一对冤家，流动性和收益也常常打架。
我常用的处理方式：
- 加权求和法：给每个目标赋一个权重，然后求加权和。简单但主观。
- 帕累托前沿法：找到所有非支配解，让决策者自己选。客观但计算量大。
- 分层优化法：先优化最重要的目标，再在满足该目标的前提下优化次要目标。
我个人偏好分层优化法。比如，先保证风险不超过某个阈值，再最大化收益，最后优化ESG评分。这样逻辑清晰，也容易跟投资委员会解释。
核心总结：多目标优化不是「既要又要还要」，而是「在约束下找到最优平衡」。目标函数设计是框架的灵魂，约束条件是框架的骨架，决策变量空间是框架的血肉。三者缺一不可。
好了，这一章的内容就到这里。记住，多目标优化没有银弹，关键是根据你的策略特点，找到最合适的平衡点。