基于Scipy的夏普比率优化代码中，数据传入路径是什么？

这段代码是用SciPy的优化工具实现最大化夏普比率的资产配置权重求解，属于量化投资里的均值-方差优化场景，下面逐段拆解并解答数据传入的问题：

代码各部分功能 #

1. 导入优化模块

   import scipy.optimize as sco
   

   引入SciPy的optimize模块，用来调用数值优化算法。

2. 定义资产数量

   n_assets = 7
   

   指定要进行配置的资产总数为7个。

3. 优化目标函数

   def min_func_sharpe(weights):
       return - port_ret(weights) / port_vol(weights)
   

   • 这是优化的核心目标：我们要最大化夏普比率（组合收益/组合波动率，默认无风险收益为0），但SciPy的优化器默认做最小化运算，所以返回负的夏普比率——最小化这个值就等价于最大化原夏普比率。
   • 这里的port_ret和port_vol是关键：你导入Jupyter的资产数据，就是通过这两个自定义函数传入优化流程的。这两个函数内部必然引用了你的资产历史收益数据，用来计算给定权重下的组合预期收益和波动率。

4. 配置约束条件

   cons = ({'type': 'eq', 'fun': lambda x: np.sum(x) - 1})
   

   设置等式约束：所有资产的权重之和必须等于1，保证是满仓配置（不允许空仓或加杠杆）。lambda函数用来验证权重和是否符合要求，返回0时满足约束。

5. 设置权重边界

   bnds = tuple((0, 1) for x in range(n_assets))
   

   给每个资产的权重设定范围：0到1之间，意味着不允许做空（权重不能为负），单个资产的配置比例最高为100%。

6. 初始化权重

   eweights = np.array(n_assets * [1. / n_assets,])
   

   给优化器提供一个初始的权重猜测值：所有资产等权分配，每个资产占比1/7。优化器会从这个点开始迭代寻找最优解。

7. 执行优化计算

   opts = sco.minimize(min_func_sharpe, eweights, method='SLSQP', bounds=bnds, constraints=cons)
   

   调用sco.minimize函数，使用SLSQP（序列最小二乘规划）算法执行优化：

   • 传入目标函数、初始权重、权重边界和约束条件。
   • 优化过程中，算法会不断调整权重值，每次调整后都会调用min_func_sharpe，而这个函数会触发port_ret和port_vol计算对应权重下的组合指标——这两个函数会直接使用你导入的资产数据，让优化器判断当前权重的优劣，逐步迭代找到最优解。

数据传入的关键环节 #

你导入Jupyter的资产收益数据，是通过port_ret和port_vol这两个自定义函数接入优化流程的。这两个函数的定义里肯定引用了你的数据（比如一个存储资产历史收益率的DataFrame或NumPy数组）。

举个这两个函数的典型实现示例（你代码里应该有类似的定义）：

import numpy as np

# 假设这是你导入的资产历史收益率数据：100个交易日，7个资产的日收益率
returns = np.random.randn(100, 7)

def port_ret(weights):
    # 计算组合预期年化收益率：权重与资产日均收益率的点积，乘以252（交易日数）
    return np.dot(weights, returns.mean(axis=0)) * 252

def port_vol(weights):
    # 计算组合年化波动率：权重协方差矩阵的二次型的平方根，乘以sqrt(252)
    return np.sqrt(np.dot(weights.T, np.dot(returns.cov() * 252, weights)))

在这个例子里，returns就是你导入的核心数据，port_ret和port_vol直接依赖它完成计算，当优化器调用目标函数时，就会间接把数据纳入优化过程。

内容的提问来源于stack exchange，提问作者Marlon Brando