2. 多目标优化基础：Pareto最优解、支配关系、Pareto前沿面、多目标与单目标的区别
做量化投资这些年，我越来越觉得——投资本质上就是个多目标优化问题。
你想想看，我们既要收益高，又要回撤小，还得考虑流动性、换手率、持仓集中度……这些目标往往互相打架。你提高收益，波动就上来了；你控制回撤，收益可能就下去了。
这时候，传统的单目标优化就不够用了。我们需要一套新的理论框架——多目标优化。
2.1 单目标优化 vs 多目标优化：本质区别在哪？
先说说单目标优化。说白了，就是找一个最优解。比如你只追求夏普比率最大化，那算法就拼命往那个方向跑，找到一个全局最优就完事了。
但多目标优化不一样。它要同时优化多个互相冲突的目标。比如：
- 目标A：最大化年化收益率
- 目标B：最小化最大回撤
- 目标C：最小化换手率（降低交易成本）
这三个目标不可能同时达到最优。你收益率做到30%，回撤可能就20%了；你回撤控制在5%以内，收益率可能只有8%。
核心区别一句话总结：
单目标优化找的是一个最优解，多目标优化找的是一组非劣解（也叫Pareto最优解集）。
我在项目中遇到过不少新手，上来就想用加权求和法把多目标变成单目标。比如给收益赋权0.7，给回撤赋权0.3，然后优化这个加权值。嗯，这样做确实简单，但问题很大——权重的选择太主观了。你凭什么说收益比回撤重要？市场环境一变，这个权重可能就完全不合理了。
2.2 支配关系：判断谁更优的规则
多目标优化里，我们怎么比较两个解的优劣？这就引出了支配关系。
定义很简单：
- 解A 支配 解B，当且仅当：
- 在所有目标上，A都不比B差
- 至少在一个目标上，A严格优于B
举个例子。假设我们有两个目标：收益（越大越好）和回撤（越小越好）。
| 策略 | 年化收益 | 最大回撤 |
|---|---|---|
| 策略A | 15% | 8% |
| 策略B | 12% | 6% |
| 策略C | 15% | 10% |
分析一下：
- A vs B：A收益更高（15% > 12%），但回撤也更大（8% > 6%）。互有优劣，互不支配。
- A vs C：A收益相同（15% = 15%），但回撤更小（8% < 10%）。所以A支配C。
- B vs C：B收益更低（12% < 15%），但回撤更小（6% < 10%）。互有优劣，互不支配。
避坑指南：我曾经在实盘策略筛选时，直接用夏普比率排序选前10个。结果发现这些策略的持仓高度重合，一遇到市场风格切换，集体回撤。后来我才意识到——夏普比率是个单目标指标，它把收益和波动揉在一起，掩盖了策略之间的本质差异。改用Pareto支配关系后，我才能选出真正多样化的策略组合。
2.3 Pareto最优解与Pareto前沿面
理解了支配关系，Pareto最优解就很好懂了。
Pareto最优解：在整个解空间中，不被任何其他解支配的解。
这些Pareto最优解构成的集合，就是Pareto最优解集。它们在目标空间中的映射，就是Pareto前沿面。
我习惯把Pareto前沿面想象成一条「边界线」。在这条线上，你无法在不牺牲一个目标的前提下，改善另一个目标。比如你想让收益更高，就必须接受更大的回撤；你想让回撤更小，就必须接受更低的收益。
Pareto前沿面的三个关键特征：
- 非支配性：前沿面上的解互不支配
- 完整性：所有非支配解都在前沿面上
- 凸性（通常）：前沿面通常是凸的，但也不绝对
下面我用一张SVG图来展示Pareto前沿面的概念。这张图我画了很多遍，每次给团队新人讲多目标优化时都会用到。
这张图里，红色曲线就是Pareto前沿面。曲线上的每个点都是一个Pareto最优解——你没法在不增加回撤的前提下提高收益，也没法在不降低收益的前提下减少回撤。灰色点是那些被支配的解，它们要么收益更低，要么回撤更大，或者两者都差。
注意：Pareto前沿面不一定总是凸的。当目标函数非凸时，前沿面可能出现凹陷。这时候用加权求和法会漏掉凹陷部分的解——这也是我为什么不太推荐加权求和法的原因之一。
2.4 多目标优化的实际应用：从理论到实战
理论讲完了，说说实战中怎么用。
在量化投资里，我通常把多目标优化用在以下几个场景：
- 策略参数优化：同时优化夏普比率、最大回撤、胜率
- 投资组合构建：同时优化收益、风险、换手率、持仓数量
- 因子筛选：同时考虑因子的收益预测能力、稳定性、容量
- 交易执行优化：同时优化滑点、冲击成本、完成时间
举个例子。我之前做CTA策略参数优化时，目标函数是这样的：
# 多目标优化目标函数示例
def objectives(params):
# 参数：移动平均周期、止损比例、仓位比例
ma_period, stop_loss, position_ratio = params
# 回测得到三个目标值
sharpe = backtest_sharpe(ma_period, stop_loss, position_ratio)
max_dd = backtest_max_drawdown(ma_period, stop_loss, position_ratio)
win_rate = backtest_win_rate(ma_period, stop_loss, position_ratio)
# 返回目标向量（注意：回撤要取负，因为我们要最小化它）
return [-sharpe, max_dd, -win_rate]然后我用NSGA-II算法跑一遍，得到一组Pareto最优解。最后我从中选了一个「回撤适中、收益不错、胜率尚可」的参数组合——而不是那个夏普比率最高的。
我的经验：拿到Pareto前沿面后，别急着选一个解。我习惯先看看前沿面的形状——如果某个区域特别密集，说明算法在那个区域找到了很多不错的解；如果某个区域很稀疏，说明那个区域的解很难找到，或者根本不存在。
另外，我通常会保留3-5个Pareto最优解，分别对应「激进型」「稳健型」「保守型」的策略风格。这样市场环境变化时，我可以快速切换，而不是重新跑一遍优化。
2.5 多目标优化的常见误区
最后说说我踩过的坑，希望能帮你少走弯路。
| 误区 | 问题 | 正确做法 |
|---|---|---|
| 把所有目标加权求和 | 权重主观，且会漏掉非凸前沿面上的解 | 用Pareto方法，保留完整前沿面 |
| 目标数量太多 | 维度灾难，Pareto前沿面几乎全是解 | 控制在2-4个目标，或者用降维方法 |
| 忽略目标之间的相关性 | 高度相关的目标等于浪费一个维度 | 先做相关性分析，合并高度相关的目标 |
| 只关注前沿面，不看具体解 | 前沿面上的解可能在实际中不可行 | 加入约束条件，过滤掉不可行解 |
嗯，说到目标数量太多这个问题，我记得有一次帮一个团队做多因子选股优化，他们一口气列了8个目标——收益、波动、换手率、持仓数量、行业集中度、市值暴露、动量因子暴露、价值因子暴露。结果跑出来的Pareto前沿面几乎覆盖了整个目标空间，根本没法选。后来我建议他们先做因子分析，把高度相关的目标合并，最终压缩到3个核心目标，问题才变得可解。
多目标优化的核心思想，说白了就是承认现实中的权衡取舍。你不可能什么都想要，但你可以找到那个「不后悔」的边界——这就是Pareto前沿面的价值。
公众号:蓝海资料掘金营，微信deep3321