2. 多目标优化基础：帕累托最优、帕累托前沿、支配关系等核心概念详解

做量化投资组合，说白了就是在多个目标之间找平衡。你想收益高，又想风险低，还想换手率小——这本身就是个多目标问题。单目标优化我们熟，但多目标优化，嗯，这里面的门道可不少。

我刚开始做多因子选股那会儿，就踩过一个大坑。当时我试图用一个公式把夏普比率、最大回撤、年化收益揉在一起，搞了个加权打分。结果呢？调参调了三个月，实盘一跑就崩。后来我才明白，多目标优化不是这么玩的。你得先理解三个核心概念：支配关系、帕累托最优、帕累托前沿。

2.1 支配关系：谁比谁好？

先问个问题：两个投资组合A和B，你怎么判断A比B好？

单目标下很简单，收益高的就好。但多目标下就复杂了。比如A收益10%、回撤5%，B收益8%、回撤3%。A收益高但回撤也大，B收益低但回撤小——谁更好？

这时候就需要支配关系来帮忙。定义是这样的：

• 如果A在所有目标上都不比B差
• 并且至少在一个目标上严格优于B
• 那么我们就说A支配B

用数学语言说：

对于最大化问题（如收益）：
  如果 f_i(A) ≥ f_i(B) 对所有 i 成立
  且存在 j 使得 f_j(A) > f_j(B)
  则 A 支配 B

举个例子。假设我们只看两个目标：年化收益（越大越好）和最大回撤（越小越好）。

组合	年化收益	最大回撤
A	15%	8%
B	12%	6%
C	10%	5%
D	15%	10%

看这个表：

• A支配D？A收益一样（15% vs 15%），但回撤更小（8% vs 10%）。所以A支配D。
• A和B呢？A收益高但回撤也大，互不支配。
• B和C呢？B收益高但回撤也大，互不支配。

我个人习惯把支配关系想象成「全方位碾压」。只要有一个目标不如对方，那就谈不上支配。这个逻辑在实盘中特别重要——你想想看，如果一个策略在收益、风险、容量上都优于另一个，那肯定选它。但现实中，这种好事很少见。

2.2 帕累托最优：找不到更好的了

理解了支配关系，帕累托最优就顺理成章了。

帕累托最优的定义：如果一个解（投资组合）不被其他任何解支配，那它就是帕累托最优的。

说白了，就是「你没法在不损害一个目标的前提下，改善另一个目标」。比如上面例子中的A、B、C，它们之间互不支配，每个都是帕累托最优的。而D被A支配，所以D不是帕累托最优。

我在做CTA策略优化时遇到过这种情况。当时我同时优化夏普比率和最大回撤，跑出来的帕累托最优解集里，有的策略夏普高但回撤也大，有的策略回撤小但夏普通常。没有哪个策略能同时做到「夏普最高且回撤最小」——这就是多目标优化的本质。

2.3 帕累托前沿：最优解的边界

所有帕累托最优解在目标空间里构成的曲线（或曲面），就是帕累托前沿。

这个名字很形象——它就像一条「前沿线」，线内的点都被线外的点支配，线外的点才是最优的。

下面我用SVG画一张图，帮你直观理解：

图中红色曲线就是帕累托前沿。A、B、C、D、E都在前沿上，它们互不支配。而F、G、H都在前沿内部，它们都被前沿上的某个点支配。

举个例子：F点（收益中等、风险中等）被C点支配——C收益更高且风险更低。所以F不是帕累托最优。

2.4 三个概念的关系

这三个概念其实是一脉相承的：

1. 支配关系是基础——它定义了「谁比谁好」
2. 帕累托最优是筛选——找出所有不被支配的解
3. 帕累托前沿是可视化——把这些解画出来，形成一条边界

用一句话总结：支配关系是判断标准，帕累托最优是筛选结果，帕累托前沿是结果的可视化呈现。

2.5 避坑指南

另外要注意：帕累托最优不等于「全局最优」。它只是在多目标意义下的「非劣解」。你选出来的组合，可能在某些单目标上表现平平，但在整体权衡上是最佳的。

2.6 在量化投资中的应用

在实际的量化投资中，我们通常把以下目标放在一起优化：

• 年化收益率（最大化）
• 最大回撤（最小化）
• 夏普比率（最大化）
• 换手率（最小化，降低交易成本）
• 持仓集中度（适度分散）

这些目标之间天然存在冲突。比如你想降低回撤，就得牺牲一部分收益；你想降低换手率，就可能错过短期机会。帕累托前沿就是帮你找到这些冲突之间的「最佳平衡点」。

我个人习惯在实盘前，先跑出帕累托前沿，然后从中挑3-5个组合做压力测试。这样既保证了科学性，又留有余地。

---