如何使用 JoinQuant 优化器实现最大夏普比率投资组合？

这是一个基于聚宽（JoinQuant）平台的投资组合优化策略，旨在通过 jqlib.optimizer 库中的 最大化夏普比率（MaxSharpeRatio） 模型来分配仓位。

策略逻辑说明

1. 股票池选择：选取沪深300成分股作为基础股票池，代表大盘蓝筹股，流动性较好。
2. 数据过滤：剔除停牌和ST股票，确保标的可交易。
3. 优化目标：使用 MaxSharpeRatio 模型，寻找在给定风险下收益最高的组合权重。
4. 约束条件：
   • 单只股票权重上限设为 10% (Bound(0, 0.1))，防止持仓过于集中。
   • 组合总权重设为 100% (weight_sum_equal=1.0)。
5. 调仓频率：按月调仓（每月第一个交易日），因为组合优化计算量较大且基于中长期配置逻辑。

策略代码

# -*- coding: utf-8 -*-
from jqdata import *
from jqlib.optimizer import *
import pandas as pd

def initialize(context):
    """
    初始化函数
    """
    # 设定基准为沪深300
    set_benchmark('000300.XSHG')
    # 开启动态复权模式(真实价格)
    set_option('use_real_price', True)
    # 过滤掉order系列API产生的比error级别低的log
    log.set_level('order', 'error')
    
    # 设定手续费：买入万三，卖出万三加千一印花税，最低5元
    set_order_cost(OrderCost(close_tax=0.001, open_commission=0.0003, close_commission=0.0003, min_commission=5), type='stock')
    
    # 设定每月第一个交易日进行调仓
    run_monthly(rebalance, monthday=1, time='09:30')

def rebalance(context):
    """
    调仓主函数
    """
    log.info("开始进行组合优化调仓...")
    
    # 1. 获取股票池：沪深300
    stock_pool = get_index_stocks('000300.XSHG')
    
    # 2. 过滤停牌和ST股票
    current_data = get_current_data()
    stock_pool = [stock for stock in stock_pool 
                  if not current_data[stock].paused 
                  and not current_data[stock].is_st]
    
    # 如果股票池为空，则不操作
    if len(stock_pool) == 0:
        return

    # 3. 组合优化配置
    # 目标：最大化夏普比率
    # rf=0.0: 无风险利率设为0
    # weight_sum_equal=1.0: 权重之和为1
    # count=250: 使用过去250个交易日的数据计算协方差矩阵和预期收益
    target = MaxSharpeRatio(rf=0.0, weight_sum_equal=1.0, count=250)
    
    # 边界约束：每只股票权重范围 0% ~ 10%
    # 这样可以避免资金过度集中在某一只股票上
    bounds = [Bound(0.0, 0.1)]
    
    # 调用优化器
    # 注意：优化器计算需要一定时间，且可能因为数据不足或无法收敛而返回None
    optimized_weight = portfolio_optimizer(
        date=context.previous_date,
        securities=stock_pool,
        target=target,
        bounds=bounds,
        ftol=1e-09, # 精度控制
        return_none_if_fail=True
    )
    
    # 4. 执行交易
    if optimized_weight is None:
        log.warn("组合优化失败，本次不调仓")
        return
    
    # 获取当前账户总资产
    total_value = context.portfolio.total_value
    
    # 先卖出：不在优化结果中的，或者权重降低的
    # 获取当前持仓
    current_positions = context.portfolio.positions
    
    for stock in current_positions.keys():
        if stock not in optimized_weight.index:
            order_target_value(stock, 0)
    
    # 买入/调整：按照优化后的权重下单
    # 遍历优化结果
    for stock, weight in optimized_weight.items():
        # 计算目标持仓市值
        target_value = total_value * weight
        # 下单调整到目标市值
        order_target_value(stock, target_value)
        
    log.info("调仓完成")

代码关键点解析

1. portfolio_optimizer 函数：

   • 这是聚宽提供的核心优化函数。它需要历史数据来计算收益率均值和协方差矩阵。
   • date=context.previous_date：使用前一交易日的数据进行计算，避免未来函数。
   • return_none_if_fail=True：如果优化求解失败（例如数据不足或无解），返回 None，策略中做了相应的判断处理，防止报错停止。

2. MaxSharpeRatio 目标：

   • 该目标函数会自动寻找有效前沿上与无风险利率连线斜率最大的点（即切点组合）。
   • count=250 表示使用过去一年的数据来估算波动率和收益率，这是比较常用的参数。

3. Bound 约束：

   • 如果不加 Bound(0.0, 0.1)，优化器可能会将 100% 的资金分配给历史上表现最好的一两只股票，导致风险过度集中。限制单只股票权重是工程实践中必要的风控手段。

4. 交易执行：

   • 使用 order_target_value 可以直接根据目标市值下单，系统会自动计算需要买入或卖出的股数，非常方便。

Q&A

Q: 为什么选择沪深300作为股票池？
A: 沪深300指数包含了A股市场中规模大、流动性好的300只股票。对于组合优化算法（特别是涉及协方差矩阵计算的算法），数据的完整性和股票的流动性非常重要。如果使用小盘股，可能会因为停牌、流动性不足或数据缺失导致优化器求解失败。

Q: 策略中的 count=250 可以修改吗？
A: 可以。count 代表用于计算历史统计量（如均值、方差）的回溯天数。

• 调大（如 500）：样本更多，统计结果更稳定，但对近期市场变化的反应较慢。
• 调小（如 60）：对近期趋势反应快，但噪音较大，换手率可能会显著增加。

Q: 为什么优化器有时会返回 None？
A: 常见原因包括：

1. 数据不足：选定的股票在回溯期内（如过去250天）有大量停牌或未上市，导致无法计算协方差。
2. 约束冲突：设置的约束条件过于苛刻，导致数学上无解（例如要求单只股票权重<1%，但总权重=100%，而股票池只有50只股票，这是不可能满足的）。
3. 求解超时：股票数量过多（如几千只），计算量过大导致超时。

Q: 如何进一步改进这个策略？
A:

1. 添加风险模型约束：使用 BarraConstraint 来控制行业暴露或风格暴露（如限制在某个行业的权重不超过20%）。
2. 更换股票池：可以先通过多因子模型选出前50只股票，再对这50只股票进行夏普比率优化，结合了Alpha选股和Beta风控。
3. 调整调仓频率：根据市场波动情况，可以尝试周频调仓，但需注意手续费对收益的侵蚀。