一、投资难题概述：传统投资决策的痛点
做量化投资这些年，我见过太多人一上来就追求「高收益」。
说实话，这本身没错。但问题在于——他们只盯着收益这一个目标。
你想想看，一个策略年化50%，最大回撤却达到40%，你敢重仓吗？
我不敢。我在2018年就吃过这个亏。当时一个CTA策略回测曲线漂亮得不行，实盘三个月直接腰斩。嗯，从那以后我就明白了一个道理：投资决策从来不是单目标问题。
1.1 传统投资决策的三大痛点
传统方法通常只优化一个指标，比如夏普比率或年化收益。这听起来很合理，但实际跑起来全是坑。
痛点一：收益与风险的对立
高收益必然伴随高风险。你压中一只妖股，三天赚20%，但可能一天就跌回去。传统优化器只会告诉你「这个策略收益最高」，却不会告诉你「它可能让你睡不着觉」。
痛点二：单一目标导致过拟合
我记得有个团队，为了最大化夏普比率，把参数调了上千次。回测夏普3.5，实盘直接变0.2。为什么？因为优化器找到了一个「恰好」在历史数据上表现好的组合，但那些参数根本不稳定。
痛点三：忽略实际约束
传统方法很少考虑交易成本、流动性、持仓集中度这些现实问题。我见过一个策略，回测年化30%，但每天换手率200%。算上手续费和滑点，实际收益直接打对折。
1.2 为什么需要多目标优化
说白了，投资就是一个多目标权衡的过程。
你要同时考虑：
- 收益——赚多少钱
- 风险——亏多少能接受
- 稳定性——策略会不会突然失效
- 流动性——能不能顺利买卖
- 容量——资金大了还能不能跑
这些目标之间往往是冲突的。比如收益和稳定性，你很难两全。
多目标优化的价值就在这里——它不追求「最好」，而是帮你找到一组「不差」的解决方案，让你根据实际情况做选择。
我的经验：在实际项目中，我通常会把收益、最大回撤、夏普比率、换手率这四个目标同时优化。这样出来的策略，实盘表现往往比单目标优化稳定得多。
1.3 多目标优化的核心逻辑
我们来看一张图，它展示了多目标优化的基本框架：
这张图展示了多目标优化的核心流程：
- 先定义目标——收益、风险、稳定性等
- 然后分解——每个目标都要有明确的量化指标
- 再用算法优化——比如NSGA-II、MOEA/D这些进化算法
- 最后得到一组解——也就是帕累托前沿上的策略集合
注意：多目标优化不是万能的。它不会帮你「消除」风险，而是帮你「看清」风险与收益之间的权衡关系。最终选哪个策略，还是得你自己拍板。
1.4 课程目标与学习路径
这门课的目标很明确：让你掌握用多目标优化解决实际投资问题的能力。
具体来说，学完这门课你能够：
- 理解多目标优化的数学原理和核心算法
- 用Python实现NSGA-II、MOEA/D等主流算法
- 将多目标优化应用到投资组合构建、策略参数优化等场景
- 看懂帕累托前沿，做出更理性的投资决策
学习路径我建议这样走：
| 阶段 | 内容 | 预计时间 |
|---|---|---|
| 基础篇 | 多目标优化概念、帕累托最优、算法原理 | 2-3天 |
| 实战篇 | Python实现、投资组合优化、策略参数调优 | 3-5天 |
| 进阶篇 | 动态多目标优化、约束处理、大规模问题 | 2-3天 |
我的建议：别急着看算法细节。先理解「为什么要多目标优化」这个核心问题。我见过太多人一上来就啃NSGA-II的论文，结果越看越懵。先建立直觉，再深入细节，这样效率更高。
好了，这一章就到这里。下一章我们开始讲帕累托最优——多目标优化的理论基础。到时候我会用一个实际案例，带你直观感受一下什么叫「不冲突的解」。