如何针对指定风险水平优化投资组合并设置std约束提取对应权重

方案1：基于你现有蒙特卡洛模拟代码快速实现 #

你现有的随机采样逻辑可以直接通过数组筛选得到目标结果，相比遍历列表效率更高，实现代码如下：

import numpy as np

# 将你已生成的列表转为numpy数组方便批量运算
returns = np.array(returns)
std_arr = np.array(std)
w_arr = np.array(w)

# 1. 先过滤符合风险区间要求（0.045 < std < 0.075）的有效样本
valid_mask = (std_arr > 0.045) & (std_arr < 0.075)
valid_returns = returns[valid_mask]
valid_std = std_arr[valid_mask]
valid_w = w_arr[valid_mask]

# 2. 筛选std接近0.06的样本，可自行调整tolerance控制误差范围
target_std = 0.06
tolerance = 1e-4
target_mask = np.abs(valid_std - target_std) < tolerance

# 3. 在符合目标风险的样本中选取收益最高的，即为有效前沿上对应风险的最优组合
if target_mask.sum() > 0:
    target_rets = valid_returns[target_mask]
    max_ret_idx = np.argmax(target_rets)
    target_weight = valid_w[target_mask][max_ret_idx]
    print(f"最优权重：{target_weight}")
    print(f"对应组合收益：{target_rets[max_ret_idx]:.4f}，实际风险：{valid_std[target_mask][max_ret_idx]:.4f}")
else:
    print("无符合误差要求的样本，可调大tolerance或增加模拟次数")

该方案的优点是不用改动你现有模拟逻辑，缺点是受随机采样限制，无法得到完全精准的std=0.06的结果。

方案2：基于凸优化的精准求解方案 #

如果需要完全匹配目标std=0.06的约束，建议使用scipy.optimize做凸优化求解，比随机采样效率高、结果准：

from scipy.optimize import minimize
import numpy as np

# 目标函数：最大化组合收益等价于最小化负的组合收益
def neg_port_ret(weight):
    return -portfolioreturn(weight)

# 约束条件：权重和为1、组合std等于0.06
constraints = [
    {"type": "eq", "fun": lambda w: np.sum(w) - 1},
    {"type": "eq", "fun": lambda w: portfoliostd(w) - 0.06}
]

# 边界条件：权重范围0~1（不允许做空，若允许做空可改为(-1,1)）
n_assets = df.shape[1]
bounds = tuple((0, 1) for _ in range(n_assets))

# 初始权重用平均权重
init_w = np.ones(n_assets) / n_assets

# 运行优化
res = minimize(neg_port_ret, init_w, method="SLSQP", bounds=bounds, constraints=constraints)

if res.success:
    optimal_w = res.x
    print(f"最优权重：{optimal_w}")
    print(f"对应组合收益：{-res.fun:.4f}，实际风险：{portfoliostd(optimal_w):.4f}")
else:
    print("优化失败，目标std不在可行风险范围内，请检查参数设置")

如果需要全局保留0.045 < std < 0.075的约束，只需将上述约束改为两个不等式约束即可：

constraints = [
    {"type": "eq", "fun": lambda w: np.sum(w) - 1},
    {"type": "ineq", "fun": lambda w: portfoliostd(w) - 0.045},
    {"type": "ineq", "fun": lambda w: 0.075 - portfoliostd(w)}
]

内容的提问来源于stack exchange，提问作者Fumez123