Python投资组合优化Monte Carlo模拟的sum to one约束问题

你当前使用的均匀随机数归一化方案本质是采样α参数全为1的狄利克雷分布，当资产数量n=100时，单个权重的方差仅约为0.0001，因此所有样本会高度集中在1/n附近，无法生成极端分布。以下是可覆盖全部可行权重组合的实现方案：

方案1：调整参数的狄利克雷分布采样 #

狄利克雷分布天然满足所有权重和为1的约束，通过调低浓度参数α的取值即可生成大量极端分布：

• 当α < 1时，样本会出现大量接近0的权重，少数权重取值极高，完全覆盖你需要的单资产占比70%、其余为0这类场景
• 当α = 1时，就是你当前使用的采样方案，样本均匀分布在单纯形上
• 当α > 1时，所有权重会更趋近于1/n，适合做分散持仓的模拟

Python代码示例：

import numpy as np
n_assets = 100
n_simulations = 1000000
alpha = 0.1 # 数值越小，生成的权重分布越极端
weights = np.random.dirichlet(np.ones(n_assets)*alpha, size=n_simulations)

方案2：稀疏权重采样法 #

如果你的场景需要大量包含0权重的稀疏投资组合，可以用该方案精准控制持仓集中度：

• 第一步：随机生成本次组合的持仓资产数量k，k的取值范围为1~n_assets，可自定义k的采样概率（比如要多出现双资产组合，就调高k=2的采样概率）
• 第二步：从全部资产中随机不放回抽取k个作为有持仓的资产
• 第三步：对选中的k个资产生成随机权重并归一化，剩余资产权重赋值为0

该方案可以100%覆盖你需要的任意极端持仓场景，且逻辑简单易调试。

方案3：破棍法（Stick-breaking Process） #

如果需要自定义权重的衰减形态，可以使用狄利克雷过程的经典实现破棍法：

1. 初始化剩余权重为1
2. 对第i个资产，采样一个beta分布的比例p_i = Beta(α, β)，赋值该资产权重为p_i * 剩余权重
3. 更新剩余权重为剩余权重 * (1-p_i)
4. 重复上述步骤直到所有资产权重分配完成

调整α、β参数即可控制权重的集中程度，适合需要自定义分布形态的研究场景。

你原方案的采样结果分布如下：

内容的提问来源于stack exchange，提问作者Prebish