Python投资组合优化器中高效生成权重范围的方法咨询

核心问题分析 #

原方案的暴力遍历本质是在N维空间中枚举所有可能的权重组合，再过滤出和为1的合法组合，存在两个致命缺陷：

• 绝大多数迭代是无效的，仅筛选出极小部分合法组合
• 时间复杂度为O((1/step)^N)，当股票数量N≥3时，计算量会呈指数级爆炸

高效替代方案 #

1. 降维生成合法权重

利用权重和为1的约束，只生成前N-1个股票的权重，最后一个股票的权重直接由1 - sum(前N-1个权重)计算，同时确保该权重非负。这种方式直接将迭代次数从(101)^N降到(101)^(N-1)，且无需过滤步骤。

代码实现：

import numpy as np
from itertools import product

optimal_performance = 0
stocks = ["A", "B"]
step = 0.01
weight_scale = np.linspace(0, 1, int(1/step) + 1)

# 仅生成前N-1个股票的权重组合
for weights_part in product(weight_scale, repeat=len(stocks)-1):
    remaining_weight = 1 - sum(weights_part)
    # 处理浮点精度误差，确保剩余权重合法
    if 0 <= remaining_weight <= 1 + 1e-9:
        weights = list(weights_part) + [remaining_weight]
        # 计算组合表现
        # performance = calculate_portfolio_performance(weights)
        if performance > optimal_performance:
            optimal_performance = performance

2. 用数值优化库替代暴力遍历

当股票数量N≥3时，网格搜索完全不现实。此时应将问题转化为带约束的优化问题，利用专业数值优化工具求解，时间复杂度远低于暴力遍历。

以最大化夏普比率为例，使用scipy.optimize.minimize实现：

import numpy as np
from scipy.optimize import minimize

# 示例参数：股票预期收益率、协方差矩阵
expected_returns = np.array([0.12, 0.08])
cov_matrix = np.array([[0.0064, 0.0012], [0.0012, 0.0025]])
risk_free_rate = 0.02  # 无风险利率

# 目标函数：最小化负夏普比率（等价于最大化夏普比率）
def negative_sharpe(weights):
    port_return = np.dot(weights, expected_returns)
    port_volatility = np.sqrt(np.dot(weights.T, np.dot(cov_matrix, weights)))
    return -(port_return - risk_free_rate) / port_volatility

# 约束条件：权重和为1
constraints = ({'type': 'eq', 'fun': lambda x: np.sum(x) - 1})
# 边界条件：权重范围0~1（不允许做空）
bounds = tuple((0, 1) for _ in stocks)
# 初始猜测：等权重分配
initial_guess = np.full(len(stocks), 1/len(stocks))

# 执行优化
opt_result = minimize(negative_sharpe, initial_guess, method='SLSQP', bounds=bounds, constraints=constraints)

if opt_result.success:
    optimal_weights = opt_result.x.round(4)
    optimal_sharpe = -opt_result.fun.round(4)
    print(f"最优权重：{optimal_weights}")
    print(f"最优夏普比率：{optimal_sharpe}")
else:
    print(f"优化失败：{opt_result.message}")

该方案的优势：

• 支持任意数量的股票，效率不受N增长的指数级影响
• 可灵活调整目标函数（如最大化收益率、最小化波动率等）
• 自带浮点精度处理，无需手动过滤

3. 修正原方案的浮点精度问题

如果必须保留网格搜索逻辑，需将严格等于判断改为误差容忍判断，避免因浮点精度丢失合法组合：

# 替换原代码中的sum(weights) == 1
if abs(sum(weights) - 1) < 1e-9:
    # 计算组合表现
    pass

内容的提问来源于stack exchange，提问作者Manuel