joinquant 组合优化器：MaxSharpeRatio 夏普比率最大化模型应用

在量化投资与资产配置中，**夏普比率（Sharpe Ratio）**是衡量单位风险下超额收益的核心指标。利用 JoinQuant（聚宽）内置的 portfolio_optimizer 投资组合优化器，我们可以便捷地使用 MaxSharpeRatio 目标函数，在满足多种约束条件（如单标的权重限制、行业暴露限制等）的前提下，自动化计算出最优资产配置权重。

1. 组合优化器核心 API：portfolio_optimizer

在 JoinQuant 中，进行组合优化的核心函数为 portfolio_optimizer，其导入方式与函数定义如下：

from jqlib.optimizer import portfolio_optimizer, MaxSharpeRatio, Bound, WeightConstraint

optimized_weight = portfolio_optimizer(
    date=context.previous_date,
    securities=g.buy_list,
    target=MaxSharpeRatio(rf=0.0, weight_sum_equal=0.5, count=250),
    constraints=[],
    bounds=[Bound(0, 0.1)],
    default_port_weight_range=[0.0, 1.0],
    ftol=1e-09,
    return_none_if_fail=True
)

MaxSharpeRatio 参数详解：

• rf：年化无风险利率（Risk-Free Rate），默认值为 0.0。
• weight_sum_equal：组合总权重的约束值。在进行夏普比率最大化优化时，通常需要约束组合权重的和为固定值（例如 0.5 或 1.0）。
• count：向前获取历史收益率天数，默认使用过去 250 个交易日（约 1 年）的数据进行协方差与收益估计。

2. 完整策略示例代码

以下是一个完整的月度调仓策略，选定部分上证 50 成分股与 ETF 基金，使用 MaxSharpeRatio 模型进行组合优化并自动调仓：

import pandas as pd
from jqdata import *
from jqlib.optimizer import *

def initialize(context):
    # 设定沪深300作为基准
    set_benchmark('000300.XSHG')
    # 开启动态复权模式(真实价格)
    set_option('use_real_price', True)
    
    # 设置交易税费
    set_order_cost(OrderCost(close_tax=0.001, open_commission=0.0003, close_commission=0.0003, min_commission=5), type='stock')
    
    # 定时运行：每月第一个交易日开盘调仓
    run_monthly(before_market_open, monthday=1, time='09:00', reference_security='000300.XSHG')
    run_monthly(market_open, monthday=1, time='09:30', reference_security='000300.XSHG')

def before_market_open(context):
    # 筛选标的池：上证50后15只股票 + 选定ETF
    etf = ['159902.XSHE', '159903.XSHE', '510050.XSHG', '510880.XSHG', '510440.XSHG']
    g.buy_list = list(get_index_stocks('000016.XSHG')[-15:]) + etf

def market_open(context):
    # 1. 卖出不在股票池中的标的
    sell_list = set(context.portfolio.positions.keys()) - set(g.buy_list)
    for stock in sell_list:
        order_target_value(stock, 0)
        
    # 2. 调用组合优化器计算最优权重（夏普比率最大化）
    # 约束：单只标的权重上限为 10%，组合总权重和约束为 0.5
    optimized_weight = portfolio_optimizer(
        date=context.previous_date,
        securities=g.buy_list,
        target=MaxSharpeRatio(rf=0.0, weight_sum_equal=0.5, count=250),
        constraints=[],
        bounds=[Bound(0, 0.1)],
        default_port_weight_range=[0., 1.0],
        ftol=1e-09,
        return_none_if_fail=True
    )
    
    # 3. 检查优化结果并调仓
    if optimized_weight is None:
        log.warn('组合优化失败，维持现有持仓')
    else:
        log.info('优化权重结果：\n%s' % optimized_weight)
        total_value = context.portfolio.total_value
        for stock, weight in optimized_weight.items():
            target_value = total_value * weight
            order_target_value(stock, target_value)

3. 组合优化的最佳实践与注意事项

1. 动态复权模式：建议在 initialize 函数中设置 set_option('use_real_price', True)，确保组合优化器基于历史真实真实价格进行精确计算，避免未来函数。
2. 求解失败处理：设置 return_none_if_fail=True，当约束条件过于苛刻导致优化无解时，API 会返回 None。策略应捕获此状态，避免出现报错中断。
3. 灵活使用 Constraints 与 Bounds：
   • Bound(low, high)：限制单只股票的权重（例如单股不超过 10%）。
   • IndustryConstraint / MarketConstraint：可用于限制特定行业或资产类别（股票/ETF）的总权重上限，进一步实现多资产风险分散。