A Share Portfolio Optimize

数据源

SCRIPTS="$SKILLS_ROOT/cn-stock-data/scripts"

# 各资产日K线（用于计算收益率序列和协方差矩阵）
python "$SCRIPTS/cn_stock_data.py" kline --code [CODE] --freq daily --start [起始日期]

# 各资产最新行情
python "$SCRIPTS/cn_stock_data.py" quote --code [CODE1],[CODE2],[CODE3],...

# 无风险利率参照（十年期国债收益率，可手动指定，默认2.5%）
# 大盘基准（有效前沿对比）
python "$SCRIPTS/cn_stock_data.py" kline --code SH000300 --freq daily --start [起始日期]

量化优化脚本

OPTIM="$SKILLS_ROOT/a-share-portfolio-optimize/scripts"

# 给定资产收益率矩阵，运行组合优化
python "$OPTIM/portfolio_optimizer.py" \
  --returns_csv [收益率CSV路径] \
  --method [min_var|max_sharpe|risk_parity|equal_weight] \
  --rf 0.025 \
  --long_only \
  --max_weight 0.40

Workflow (5 steps):

Step 1: 输入资产池与约束

收集用户信息：

Step 2: 数据获取与收益率/风险估计

1. 通过 cn-stock-data kline 获取各资产日K线
2. 计算日收益率序列 -> 年化收益率向量 mu
3. 计算收益率协方差矩阵 Sigma（默认样本协方差，可选 Ledoit-Wolf 收缩）
4. 展示关键统计：

相关系数矩阵热力图描述（哪些资产高度正相关、哪些负相关/低相关提供分散化收益）。

Step 3: 组合优化求解

根据用户选择的方法执行优化：

方法 A: 均值方差 / 最大夏普 (MVO - Max Sharpe)

• 目标: max (mu^T w - Rf) / sqrt(w^T Sigma w)
• 约束: sum(w)=1, w>=0 (long_only), w_i<=max_weight

方法 B: 最小方差 (Min Variance)

• 目标: min w^T Sigma w
• 约束: sum(w)=1, w>=0

方法 C: 风险平价 (Risk Parity)

• 目标: 各资产风险贡献相等 RC_i = w_i * (Sigma w)_i / sqrt(w^T Sigma w) = 1/N
• 数值求解: min sum_i (RC_i - 1/N)^2

方法 D: 等权 (Equal Weight)

• w_i = 1/N (作为基准参照)

方法 E: Black-Litterman (可选)

• 均衡收益 pi = delta Sigma w_mkt
• 融合用户观点: mu_BL = [(tauSigma)^-1 + P^T Omega^-1 P]^-1 [(tauSigma)^-1 pi + P^T Omega^-1 Q]
• 基于 mu_BL 再做 MVO

调用 portfolio_optimizer.py 执行计算，输出最优权重。

Step 4: 结果展示与有效前沿

最优权重：

组合预期指标：

有效前沿描述：

• 最小方差组合位置（收益-波动坐标）
• 最大夏普组合位置（切线组合）
• 各个股在收益-风险平面上的位置
• 当前组合相对有效前沿的位置

Step 5: 输出

风格说明

关键规则

1. 历史不代表未来：基于历史数据的优化结果仅供参考，必须声明"过去业绩不预测未来收益"
2. 估计误差：均值估计不稳定，优先推荐最小方差或风险平价等不依赖收益率估计的方法
3. 协方差稳定性：短期协方差可能不稳定，建议使用至少1年数据，可选 Ledoit-Wolf 收缩估计
4. 约束合理性：默认做多约束（A股做空受限），个股上限40%防止过度集中
5. 多方法对比：formal 风格下建议对比多种方法结果，让用户理解不同优化目标的权衡
6. 与其他 skill 联动：可用 a-share-comps 补充估值视角、a-share-technical 确认技术面、a-share-sector 检查行业暴露
7. Black-Litterman 谨慎使用：BL 模型需要用户提供主观观点，引导用户合理设定观点及置信度