如何从随机波动率-收益对中筛选有效前沿并绘制连线？

首先修正你代码里的数组维度问题：你初始化eR、eV、sR时用了(nPort,11)，但每个投资组合只有一个预期收益和波动率，改成一维数组(nPort,)才对，否则会出现不必要的维度错误。

接下来是筛选有效前沿的核心逻辑：有效前沿要求相同波动率下收益最高，换个角度看，就是把所有组合按波动率从小到大排序后，只保留收益不低于之前所有点的组合——因为如果一个组合的波动率比之前的高，但收益却更低，那它肯定不在有效前沿上。

下面是修正+添加筛选逻辑后的完整代码：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

# 假设ff是你的日收益率DataFrame
Mean = ff.mean() * 252  # 乘以252转换成年化收益，和波动率匹配
Vol = ff.cov() * 252    # 协方差矩阵同步年化
nPort = 10000
weight = np.zeros((nPort, 11))
# 修正数组维度为一维
eR = np.zeros(nPort)
eV = np.zeros(nPort)
sR = np.zeros(nPort)

for k in range(nPort):
    # 生成随机权重并归一化
    w = np.array(np.random.random(11))
    w = w / np.sum(w)
    weight[k, :] = w
    # 计算预期收益
    eR[k] = np.sum(Mean * w)
    # 计算预期波动率
    eV[k] = np.sqrt(np.dot(w.T, np.dot(Vol, w)))
    # 计算夏普比率
    sR[k] = eR[k] / eV[k]

# 开始筛选有效前沿点
# 1. 把波动率和收益配对，按波动率从小到大排序
portfolios = np.array([eV, eR]).T
portfolios = portfolios[portfolios[:, 0].argsort()]

# 2. 筛选有效点：只保留收益不低于之前最大收益的点
frontier_vol = []
frontier_ret = []
max_ret = -np.inf

for vol, ret in portfolios:
    if ret >= max_ret:
        max_ret = ret
        frontier_vol.append(vol)
        frontier_ret.append(ret)

# 绘图
plt.figure(figsize=(12, 5))
# 绘制所有随机组合的散点图
plt.scatter(eV, eR, c=sR, alpha=0.5)
# 绘制有效前沿曲线
plt.plot(frontier_vol, frontier_ret, 'r-', linewidth=2, label='有效前沿')
plt.colorbar(label='夏普比率(sR)')
plt.xlabel('波动率(Volatility)')
plt.ylabel('预期收益(Expected Returns)')
plt.legend()
plt.show()

几点说明：

• 把日收益和协方差矩阵年化（乘以252，美股年交易日数量），让收益和波动率单位统一，更符合实际分析习惯
• 筛选有效点时，按波动率排序后只保留收益持续上升的点，确保每个波动率区间对应最高收益的组合
• 给散点图加alpha=0.5的半透明效果，避免遮挡有效前沿曲线

内容的提问来源于stack exchange，提问作者BenGekko