数据源

bash SCRIPTS=$SKILLS_ROOT/cn-stock-data/scripts

各资产日K线（用于计算收益率序列和协方差矩阵）

python $SCRIPTS/cnstockdata.py kline --code [CODE] --freq daily --start [起始日期]

各资产最新行情

python $SCRIPTS/cnstockdata.py quote --code [CODE1],[CODE2],[CODE3],...

无风险利率参照（十年期国债收益率，可手动指定，默认2.5%）

大盘基准（有效前沿对比）

python $SCRIPTS/cnstockdata.py kline --code SH000300 --freq daily --start [起始日期]

量化优化脚本

bash OPTIM=$SKILLS_ROOT/a-share-portfolio-optimize/scripts

给定资产收益率矩阵，运行组合优化

python $OPTIM/portfolio_optimizer.py \ --returns_csv [收益率CSV路径] \ --method [minvar|maxsharpe|riskparity|equalweight] \ --rf 0.025 \ --long_only \ --max_weight 0.40

工作流程（5个步骤）：

步骤1：输入资产池与约束

收集用户信息：

项目	说明	默认值
资产池	股票代码列表	用户提供
历史窗口

用于估计参数的历史区间 | 近1年（250个交易日） |
| 优化方法 | minvar / maxsharpe / riskparity / equalweight / BL | max_sharpe |
| 无风险利率 | Rf | 2.5% |
| 约束条件 | 做多约束、个股上限、行业上限 | long_only, max 40% |
| 预期观点（BL） | 用户主观收益预期（仅BL模型需要） | - |

步骤2：数据获取与收益率/风险估计

1. 1. 通过cn-stock-data kline获取各资产日K线
2. 计算日收益率序列 -> 年化收益率向量mu
3. 计算收益率协方差矩阵Sigma（默认样本协方差，可选Ledoit-Wolf收缩）
4. 展示关键统计：

| 代码 | 名称 | 年化收益(%) | 年化波动(%) | 夏普比 | 最大回撤(%) |
|------|------|-----------|-----------|-------|-----------|

相关系数矩阵热力图描述（哪些资产高度正相关、哪些负相关/低相关提供分散化收益）。

步骤3：组合优化求解

根据用户选择的方法执行优化：

方法A：均值方差/最大夏普（MVO - Max Sharpe）

• - 目标：max (mu^T w - Rf) / sqrt(w^T Sigma w)
• 约束：sum(w)=1, w>=0 (longonly), wi<=max_weight

方法B：最小方差（Min Variance）

• - 目标：min w^T Sigma w
• 约束：sum(w)=1, w>=0

方法C：风险平价（Risk Parity）

• - 目标：各资产风险贡献相等 RCi = wi * (Sigma w)i / sqrt(w^T Sigma w) = 1/N
• 数值求解：min sumi (RC_i - 1/N)^2

方法D：等权（Equal Weight）

• - w_i = 1/N（作为基准参照）

方法E：Black-Litterman（可选）

• - 均衡收益 pi = delta Sigma wmkt
• 融合用户观点：muBL = [(tauSigma)^-1 + P^T Omega^-1 P]^-1 [(tauSigma)^-1 pi + P^T Omega^-1 Q]
• 基于mu_BL再做MVO

调用portfolio_optimizer.py执行计算，输出最优权重。

步骤4：结果展示与有效前沿

最优权重：
| 代码 | 名称 | 权重(%) | 风险贡献(%) |
|------|------|---------|-----------|

组合预期指标：

指标	最优组合	等权组合	沪深300
预期年化收益(%)
预期年化波动(%)

| | |
| 夏普比 | | | |
| 最大回撤(%) | | | |

有效前沿描述：

• - 最小方差组合位置（收益-波动坐标）
• 最大夏普组合位置（切线组合）
• 各个股在收益-风险平面上的位置
• 当前组合相对有效前沿的位置

步骤5：输出

风格说明

维度	formal（量化研报风格）	brief（快速优化风格）
篇幅	4-6页	1-2页
统计分析

完整收益/风险/相关性矩阵 | 关键指标摘要 |

| 优化方法 | 多方法对比+有效前沿 | 单一方法结果 | | 权重输出 | 完整表格+风险贡献分解 | 权重饼图描述 | | 敏感性 | 参数敏感性分析 | 不含 | | 理论说明 | 含模型原理简述 | 不含 | | 免责声明 | 需要 | 不需要 |

关键规则

1. 1. 历史不代表未来：基于历史数据的优化结果仅供参考，必须声明过去业绩不预测未来收益
2. 估计误差：均值估计不稳定，优先推荐最小方差或风险平价等不依赖收益率估计的方法
3. 协方差稳定性：短期协方差可能不稳定，建议使用至少1年数据，可选Ledoit-Wolf收缩估计
4. 约束合理性：默认做多约束（A股做空受限），个股上限40%防止过度集中
5. 多方法对比：formal风格下建议对比多种方法结果，让用户理解不同优化目标的权衡
6. 与其他skill联动：可用a-share-comps补充估值视角、a-share-technical确认技术面、a-share-sector检查行业暴露
7. Black-Litterman谨慎使用：BL模型需要用户提供主观观点，引导用户合理设定观点及置信度