PyPortfolioOpt处理大量股票时输出等权重异常问题咨询

输入格式说明 #

PyPortfolioOpt内置的mean_historical_return、sample_cov等统计量计算函数，要求输入为逐期复权后原始价格序列（每列对应一只资产，每行对应一个交易日），既不需要传入原始涨跌幅，也不需要传入1+涨跌幅，函数会内部自动完成收益率计算。你之前对输入格式的理解有误，错误的输入会直接导致期望收益、协方差矩阵计算偏差，也是优化异常的诱因之一。

高维资产下等权重输出的原因 #

这不是库的预期行为，和你的参数配置、方法选择有关，核心诱因有三个：

• 你添加了L2正则项，L2正则的作用就是惩罚权重偏离均匀分布的程度，gamma越大惩罚力度越强。当资产数量较多时，夏普比最大化的目标信号会被协方差矩阵的噪声稀释，此时正则项影响占主导，优化器会直接输出最符合正则要求的等权重结果。
• 你使用nonconvex_objective求解夏普比属于非凸优化逻辑，高维场景下收敛性极差，很容易落到等权重的局部最优解，实际上库本身提供了凸优化实现的max_sharpe()方法，稳定性远高于非凸求解。
• 样本协方差矩阵在资产数量接近或超过时间序列长度时，会出现严重的奇异性、数值不稳定问题，也会导致优化问题退化输出等权重。

修复方案 #

按照如下顺序调整代码即可解决问题：

1. 确认输入的prices为复权后收盘价序列，不要提前计算收益率
2. 替换非凸优化逻辑为内置的最大夏普求解方法，调整或移除L2正则
3. 将样本协方差替换为降噪后的收缩协方差估计，提升高维场景下的数值稳定性

调整后的参考代码：

from pypfopt import expected_returns, risk_models
from pypfopt.efficient_frontier import EfficientFrontier

# 计算期望收益和收缩协方差矩阵
mu = expected_returns.mean_historical_return(prices, compounding=True)
S = risk_models.CovarianceShrinkage(prices).ledoit_wolf()

# 均值方差优化
ef = EfficientFrontier(mu, S)
# 若保留L2正则，将gamma下调到0.01或更小
ef.add_objective(objective_functions.L2_reg, gamma=0.001) 
# 用内置凸优化方法求解最大夏普组合
w = ef.max_sharpe()

内容的提问来源于stack exchange，提问作者Julian Chu