请根据以下 SEO 主题生成完整页面内容：

Title: joinquant 组合优化风控：利用 RatioConstraint 限制组合 VaR 与 Sharpe

Question: 在 joinquant 优化器中如何通过 RatioConstraint 限制组合的在险价值（VaR）或夏普比率？

在 JoinQuant 中使用 RatioConstraint 限制组合 VaR 与 Sharpe

在 JoinQuant（聚宽）的投资组合优化器 portfolio_optimizer 中，RatioConstraint 约束函数专门用于对组合的特定风险或收益比率进行限制（例如夏普比率、信息比率、VaR、CVaR 等）。

---

1. RatioConstraint 函数语法

RatioConstraint(ratio, low=None, high=None, rf=None, benchmark=None, count=250)

参数说明：

• ratio (str): 比率类型，支持 "sharpe_ratio"、"var"、"cvar"、"information_ratio"、"calmar_ratio"、"omega_ratio"、"sortino_ratio" 等。
• low (float): 比率下限，若不限制则为 None。
• high (float): 比率上限，若不限制则为 None。
• rf (float): 无风险利率，适用于 sharpe_ratio 和 omega_ratio，默认为 0。
• benchmark (str): 参照基准，适用于 information_ratio，默认为 '000300.XSHG'。
• count (int): 回溯计算收益率的历史天数，默认为 250 天。

---

2. 核心场景代码示例

限制在险价值（VaR）

假设要求组合每日风险在特定置信度下的在险价值（VaR）不低于 -3%（即最大单日预期的风险损失不超过 3%）：

from jqlib.optimizer import RatioConstraint

# 设置在险价值下限为 -0.03
var_constraint = RatioConstraint(ratio='var', low=-0.03, count=250)

限制夏普比率（Sharpe Ratio）

假设要求组合的预期夏普比率不低于 1.0（年化无风险利率设为 2%）：

from jqlib.optimizer import RatioConstraint

# 设置夏普比率下限为 1.0
sharpe_constraint = RatioConstraint(ratio='sharpe_ratio', low=1.0, rf=0.02, count=250)

---

3. 完整策略应用示例

下面展示如何在聚宽策略中调用 portfolio_optimizer 并配合 RatioConstraint 进行投资组合权重优化：

import pandas as pd
from jqdata import *
from jqlib.optimizer import portfolio_optimizer, MaxProfit, RatioConstraint, Bound

def initialize(context):
    set_benchmark('000300.XSHG')
    set_option('use_real_price', True)
    run_monthly(rebalance, monthday=1, time='09:30')

def rebalance(context):
    # 选定标的池（以沪深300前10只股票为例）
    securities = get_index_stocks('000300.XSHG')[:10]
    
    # 定义目标函数：追求组合收益最大化
    target = MaxProfit(count=250)
    
    # 定义限制条件：通过 RatioConstraint 限制 VaR 不低于 -3%
    constraints = [
        RatioConstraint(ratio='var', low=-0.03, count=250)
    ]
    
    # 个股权重限制：单只股票权重 0% ~ 20%
    bounds = [Bound(low=0.0, high=0.2)]
    
    # 求解最优权重
    optimized_weight = portfolio_optimizer(
        date=context.previous_date,
        securities=securities,
        target=target,
        constraints=constraints,
        bounds=bounds,
        ftol=1e-09,
        return_none_if_fail=True
    )
    
    if optimized_weight is not None:
        # 按照求解出的权重进行调仓
        total_value = context.portfolio.total_value
        for stock, weight in optimized_weight.items():
            order_target_value(stock, total_value * weight)
    else:
        log.warn("组合优化失败，维持原有持仓")