PyPortfolioOpt项目实战：四种资产配置策略详解

前言

在量化投资领域，资产配置是构建投资组合的核心环节。PyPortfolioOpt作为一个功能强大的Python库，提供了多种现代投资组合优化方法。本文将深入解析该库中四种典型的资产配置策略实现，帮助读者理解不同优化方法的应用场景和实现细节。

数据准备

首先我们需要准备基础数据，这是所有优化策略的前提：

import numpy as np
import pandas as pd
from pypfopt import (
    CLA,
    BlackLittermanModel,
    EfficientFrontier,
    HRPOpt,
    black_litterman,
    expected_returns,
    plotting,
    risk_models,
)

# 读取股票价格数据
df = pd.read_csv("tests/resources/stock_prices.csv", parse_dates=True, index_col="date")
returns = df.pct_change().dropna()

# 计算预期收益率和风险模型
mu = expected_returns.mean_historical_return(df)
S = risk_models.sample_cov(df)

这里我们计算了两个关键输入：

• mu: 基于历史数据的平均收益率
• S: 样本协方差矩阵，用于衡量资产间的风险关系

1. 非凸目标函数优化

传统均值-方差优化使用凸二次规划，但有时我们需要更灵活的目标函数：

def deviation_risk_parity(w, cov_matrix):
    diff = w * np.dot(cov_matrix, w) - (w * np.dot(cov_matrix, w)).reshape(-1, 1)
    return (diff**2).sum().sum()

ef = EfficientFrontier(mu, S)
weights = ef.nonconvex_objective(deviation_risk_parity, ef.cov_matrix)
ef.portfolio_performance(verbose=True)

技术要点：

• 这里实现了Kolm等人在2014年提出的偏差风险平价目标
• 与传统风险平价不同，它直接最小化各资产对组合风险贡献的差异
• 非凸优化可以处理更复杂的现实约束，但可能收敛到局部最优

结果分析：

• 年化收益率22.9%，波动率19.2%，夏普比率1.09
• 相比传统方法，这种优化能获得更均衡的风险贡献分布

2. Black-Litterman模型

Black-Litterman模型结合市场均衡观点和投资者主观观点：

# 计算市场隐含风险厌恶系数
spy_prices = pd.read_csv("tests/resources/spy_prices.csv", parse_dates=True, index_col=0, squeeze=True)
delta = black_litterman.market_implied_risk_aversion(spy_prices)

# 市场市值和先验收益
mcaps = {...}  # 各股票市值
prior = black_litterman.market_implied_prior_returns(mcaps, delta, S)

# 定义投资者观点
views = np.array([-0.20, 0.10, 0.15]).reshape(-1, 1)
picking = np.array([...])  # 观点矩阵

# 构建BL模型
bl = BlackLittermanModel(S, Q=views, P=picking, pi=prior, tau=0.01)
rets = bl.bl_returns()

# 优化
ef = EfficientFrontier(rets, S)
ef.max_sharpe()
print(ef.clean_weights())

关键概念：

• tau: 置信度参数，控制对先验的信任程度
• 观点矩阵P将主观观点映射到具体资产
• 市场隐含先验收益pi保持与市场均衡一致

结果解读：

• 组合明显超配GOOG(20.15%)、AAPL(23.68%)和BAC(18.55%)
• 对SBUX零配置，反映了看跌观点的影响
• 年化收益15.3%，波动28.7%，夏普0.46

3. 分层风险平价(HRP)

HRP利用资产间的层次结构进行风险配置：

hrp = HRPOpt(returns)
weights = hrp.optimize()
hrp.portfolio_performance(verbose=True)
plotting.plot_dendrogram(hrp)

算法优势：

• 不依赖协方差矩阵的精确估计
• 通过层次聚类识别资产间的相关性结构
• 更稳健，特别适合高维情况

组合特点：

• 配置更加分散，没有完全排除任何资产
• 年化收益10.8%，波动13.2%，夏普0.66
• 可视化树状图清晰展示资产聚类关系

4. 临界线算法(CLA)

CLA是均值-方差优化的精确解法：

cla = CLA(mu, S)
print(cla.max_sharpe())
cla.portfolio_performance(verbose=True)
plotting.plot_efficient_frontier(cla)

技术亮点：

• 计算整个有效前沿，而不仅是单个最优组合
• 可以精确识别拐点(critical lines)
• 结果可用于绘制经典的有效前沿曲线

最优组合：

• 重点配置FB(19.42%)、MA(23.09%)和PFE(19.13%)
• 年化收益高达32.5%，波动21.3%，夏普1.43
• 展现了高风险高收益特征

总结对比

方法	收益率	波动率	夏普比率	特点
非凸优化	22.9%	19.2%	1.09	灵活的目标函数
Black-Litterman	15.3%	28.7%	0.46	结合市场与主观观点
HRP	10.8%	13.2%	0.66	稳健，适合高维
CLA	32.5%	21.3%	1.43	精确有效前沿

不同方法各有优劣，实践中应根据数据特征和投资目标选择合适的优化策略。PyPortfolioOpt提供的这些工具让投资者能够方便地对比和实施多种资产配置方法。