18. 多品种组合策略：分散化投资组合构建，夏普比率优化

各位同学，欢迎来到第十八讲。

前面我们一直在讲单个品种的基差套利怎么做。但说实话，只做一个品种，风险太集中了。你想想看，万一这个品种的基本面突然变了，或者流动性枯竭了，你怎么办？

所以，这一讲我们来聊聊多品种组合。说白了，就是不要把鸡蛋放在一个篮子里。但怎么放？放多少？这里面有大学问。

18.1 为什么要做多品种分散？

我刚开始做量化那会儿，也犯过傻。有一段时间，我死磕螺纹钢的基差套利，觉得这个品种我熟，波动规律摸得透。结果呢？遇到一次政策突变，螺纹钢的期现价差直接扭曲，我回撤了将近15%。

那次之后，我痛定思痛。单品种策略，无论你模型多好，都逃不过一个致命问题——尾部风险。你无法预测黑天鹅，但你可以通过分散化来对冲它。

18.2 组合构建的核心指标

构建多品种组合，不是简单地把资金平均分给每个品种。那样太粗糙了。我们需要用数学来优化。

我个人习惯用三个核心指标来筛选和配权：

指标	含义	我的经验阈值
夏普比率	单位风险带来的超额收益	大于1.5才考虑纳入
最大回撤	历史最差表现	不超过15%
品种间相关性	两两之间的收益联动	低于0.5为佳

嗯，这里要注意。相关性不是越低越好。如果两个品种完全负相关，那组合的波动会很小，但收益也可能被抵消。我一般控制在0.2到0.5之间，既有分散效果，又不至于互相拖后腿。

18.3 夏普比率优化：数学框架

优化夏普比率，本质上是一个数学问题。我们要求解一组权重 w，使得组合的夏普比率最大。

公式很简单：

最大化: Sharpe = (E(R_p) - R_f) / σ_p

其中:
E(R_p) = w^T * μ   (组合预期收益)
σ_p = sqrt(w^T * Σ * w)  (组合波动率)
R_f = 无风险利率

但实际做的时候，有几个坑。我曾经踩过最大的坑就是——直接用历史数据算出来的最优权重，未来大概率失效。为什么？因为历史不会简单重复。

18.4 Python实现：滚动夏普优化

下面是我常用的一个优化框架。代码不长，但很实用。

import numpy as np
import pandas as pd
from scipy.optimize import minimize

def calculate_sharpe(weights, mean_returns, cov_matrix, rf=0.02):
    """计算组合夏普比率"""
    port_return = np.dot(weights, mean_returns)
    port_vol = np.sqrt(np.dot(weights.T, np.dot(cov_matrix, weights)))
    return (port_return - rf) / port_vol

def optimize_sharpe(mean_returns, cov_matrix, rf=0.02):
    """最大化夏普比率"""
    num_assets = len(mean_returns)
    args = (mean_returns, cov_matrix, rf)
    constraints = ({'type': 'eq', 'fun': lambda x: np.sum(x) - 1})
    bounds = tuple((0, 0.3) for _ in range(num_assets))  # 单个品种权重不超过30%
    
    result = minimize(
        lambda w, *a: -calculate_sharpe(w, *a),
        x0=np.array([1/num_assets]*num_assets),
        args=args,
        method='SLSQP',
        bounds=bounds,
        constraints=constraints
    )
    return result.x

# 滚动优化示例
def rolling_optimize(returns_df, window=252, rebalance=63):
    """每季度（63个交易日）重新优化一次"""
    weights_history = []
    for i in range(window, len(returns_df), rebalance):
        train_data = returns_df.iloc[i-window:i]
        mean_ret = train_data.mean() * 252  # 年化
        cov_mat = train_data.cov() * 252
        opt_weights = optimize_sharpe(mean_ret, cov_mat)
        weights_history.append(opt_weights)
    return weights_history

18.5 知识体系流程图

下面这张图，是我自己梳理的多品种组合策略核心逻辑。你可以把它当作一个检查清单。

18.6 实盘中的再平衡策略

优化出权重只是第一步。更关键的是，你怎么执行？

我个人的做法是：每季度再平衡一次。为什么不是每天？因为频繁调仓会产生大量交易成本，吃掉你的利润。为什么不是每年？因为市场变化太快，一年不调，权重早就偏离了。

再平衡时，我遵循一个简单规则：

• 如果当前权重偏离目标权重超过5%，就调回目标
• 如果偏离在5%以内，就放着不动
• 遇到极端行情（比如某个品种单日波动超过3%），立即检查是否需要临时调仓

好了，这一讲就到这里。记住，分散化是你唯一免费的午餐。好好利用它。

---