第4章传统优化方法

第4章：传统优化方法：线性规划与二次规划在投资组合中的应用；Python实现（SciPy）

说到投资组合优化，很多人第一反应就是马科维茨的均值-方差模型。没错，这确实是经典中的经典。但你知道吗？在实际工程中，我们往往需要更灵活的数学工具来处理各种约束条件。今天我就带你看看线性规划和二次规划这两个老朋友，在投资组合里能玩出什么花样。

4.1 为什么需要传统优化方法？

强化学习虽然强大，但它不是万能的。我在做量化策略的时候，经常遇到这样的情况：策略跑得好好的，突然某天回撤变大，一查发现是权重分配出了问题。这时候，传统优化方法反而更靠谱。

说白了，传统优化方法有几个不可替代的优势：

可解释性强：每一步都有明确的数学推导，出了问题容易排查
计算效率高：对于凸优化问题，求解速度非常快
约束处理灵活：可以轻松加入各种业务约束，比如不允许做空、行业集中度限制等

我个人习惯把传统优化方法当作强化学习的"安全网"。先用传统方法算出一个基准组合，再用强化学习去微调。这样既保证了稳定性，又保留了学习能力。

4.2 线性规划：最简单的投资组合优化

线性规划（LP）的目标函数和约束条件都是线性的。你想想看，在投资组合里，什么场景适合用线性规划？

举个例子：假设你有100万资金，要在5只股票里分配，要求每只股票不超过40%，总仓位必须满仓。这就是一个典型的线性规划问题。

线性规划的标准形式：

min c^T x
s.t. Ax ≤ b
x ≥ 0

其中x是权重向量，c是目标系数，A和b定义约束条件。

嗯，这里要注意一点：线性规划只能处理线性目标。如果你想最大化收益，那没问题。但如果你想最小化风险（方差），那就不是线性问题了。这时候就需要二次规划出马。

4.3 二次规划：均值-方差模型的数学本质

马科维茨的均值-方差模型，本质上就是一个二次规划问题。目标函数是二次的（方差），约束条件是线性的（权重和等于1，不允许做空等）。

我记得第一次用二次规划做投资组合时，踩过一个坑：协方差矩阵必须是半正定的，否则求解器会报错。后来我养成了一个习惯，每次计算协方差矩阵后，先检查一下特征值，确保没有负数。

避坑指南：我曾经因为数据缺失导致协方差矩阵不正定，结果优化出来的权重全是负数。后来我改用收缩估计（Shrinkage Estimation）来处理协方差矩阵，效果好了很多。

4.4 Python实现：用SciPy搞定优化问题

SciPy的optimize模块提供了线性规划和二次规划的求解器。我个人最常用的是linprog和minimize（配合SLSQP方法）。

先看一个线性规划的例子：

import numpy as np
from scipy.optimize import linprog

# 假设我们有3只股票，预期收益分别为[0.1, 0.12, 0.08]
# 目标：最大化收益（注意linprog默认求最小值，所以取负号）
c = -np.array([0.1, 0.12, 0.08])

# 约束条件：每只股票不超过40%
A_ub = np.array([[1, 0, 0],
                 [0, 1, 0],
                 [0, 0, 1]])
b_ub = np.array([0.4, 0.4, 0.4])

# 等式约束：权重和等于1
A_eq = np.array([[1, 1, 1]])
b_eq = np.array([1])

# 变量边界：不允许做空
bounds = [(0, None), (0, None), (0, None)]

# 求解
result = linprog(c, A_ub=A_ub, b_ub=b_ub, 
                 A_eq=A_eq, b_eq=b_eq, 
                 bounds=bounds, method='highs')

print("最优权重:", result.x)
print("最优收益:", -result.fun)

接下来是二次规划，实现均值-方差优化：

import numpy as np
from scipy.optimize import minimize

# 假设我们有4只股票的历史收益率数据
returns = np.random.randn(100, 4) * 0.02  # 模拟数据
cov_matrix = np.cov(returns.T)
expected_returns = np.mean(returns, axis=0)

# 目标函数：最小化方差（风险）
def portfolio_variance(weights):
    return weights.T @ cov_matrix @ weights

# 约束条件
constraints = [
    {'type': 'eq', 'fun': lambda x: np.sum(x) - 1}  # 权重和等于1
]

# 变量边界
bounds = [(0, 1) for _ in range(4)]  # 不允许做空

# 初始猜测
x0 = np.array([0.25, 0.25, 0.25, 0.25])

# 求解
result = minimize(portfolio_variance, x0, 
                  method='SLSQP', 
                  bounds=bounds, 
                  constraints=constraints)

print("最小风险组合权重:", result.x)
print("组合方差:", result.fun)

小技巧：在实际项目中，我经常把目标函数改成"最大化夏普比率"。做法很简单：目标函数变成 (weights @ expected_returns) / sqrt(weights.T @ cov_matrix @ weights)，然后加一个约束让分母不为零。

4.5 知识体系总览

下面这张图展示了传统优化方法在投资组合中的应用框架。我画这张图的时候，特意把强化学习和传统方法的关系也标出来了，方便你理解它们各自的位置。

4.6 实际项目中的经验总结

做了这么多年量化，我总结了几条关于传统优化方法的经验：

场景	推荐方法	注意事项
只考虑收益最大化	线性规划	注意约束条件是否合理
均值-方差优化	二次规划	协方差矩阵必须正定
加入交易成本	二次规划	成本函数要可微
大规模资产（>1000）	线性规划	二次规划计算量太大

最后说一句：传统优化方法不是万能的，但它是每个量化工程师必须掌握的基本功。我见过太多人一上来就搞深度学习，结果连最基本的约束条件都处理不好。先把这些基础打牢，再谈强化学习，你会走得更稳。

公众号:蓝海资料掘金营，微信deep3321

📚 课程目录