第25章多目标优化

25、多目标优化：帕累托前沿在收益-风险-成本中的权衡

做期权交易的朋友，经常会问我一个问题：

“有没有一个策略，收益最高、风险最低、成本还最小？”

我的回答很直接——没有。

这就像你想买一辆车，又要跑得快、又要省油、又要便宜。现实吗？不现实。期权组合优化也是这个道理。收益、风险、成本，这三者天然就是互相拉扯的。你追求高收益，就得承受高风险；你想降低风险，可能就得牺牲收益或者增加成本。

那怎么办？我们得学会在三个目标之间找到“最优的妥协”。这就是今天要聊的——帕累托前沿。

什么是帕累托前沿？

先讲个我自己的经历。几年前我在做一套波动率曲面套利系统，目标有三个：最大化年化收益、最小化最大回撤、最小化交易成本。我一开始傻乎乎地写了个单目标优化函数，把三个目标加权求和。结果呢？调参调了三天，出来的组合要么收益高但回撤吓人，要么成本低但收益还不如买理财。

后来我才意识到，这三个目标根本不能简单加权。因为它们之间是“非支配”的关系——你没法在不牺牲一个目标的前提下，同时改善另外两个。

帕累托前沿，说白了就是：一组“不差”的解的集合。在这个集合里，任何一个解，你都没办法在不损害其他目标的情况下，让某个目标变得更好。

核心定义：

如果一个解 A 在所有目标上都优于或等于解 B，且至少在一个目标上严格优于 B，那么 A 就“支配”了 B。所有不被任何其他解支配的解，就构成了帕累托前沿。

举个例子。假设我们有两个策略：

策略A：年化收益20%，最大回撤15%，年化成本2%
策略B：年化收益18%，最大回撤10%，年化成本1.5%

哪个好？没法直接说。A收益高但回撤大、成本高；B收益低但更稳、更便宜。它们互不支配，都在帕累托前沿上。

收益-风险-成本的三维权衡

在期权组合优化里，我们通常面对三个维度：

目标	衡量指标	优化方向
收益	年化收益率、夏普比率	最大化
风险	最大回撤、VaR、波动率	最小化
成本	买卖价差、佣金、滑点	最小化

你想想看，这三个目标放在一起，就是一个三维空间。每个策略对应空间里的一个点。帕累托前沿就是这些点构成的“最优曲面”。

我个人习惯用NSGA-II算法来做多目标优化。为什么？因为它快，而且能很好地保持解的多样性。下面是我常用的代码框架：

import numpy as np
from pymoo.algorithms.moo.nsga2 import NSGA2
from pymoo.core.problem import ElementwiseProblem
from pymoo.optimize import minimize

class OptionPortfolioProblem(ElementwiseProblem):
    def __init__(self):
        super().__init__(
            n_var=10,  # 假设有10个期权头寸
            n_obj=3,   # 三个目标：收益、风险、成本
            xl=0,      # 头寸权重下限
            xu=1       # 头寸权重上限
        )
    
    def _evaluate(self, x, out, *args, **kwargs):
        # 计算收益（最大化，取负号转为最小化）
        ret = -calculate_expected_return(x)
        # 计算风险（最小化）
        risk = calculate_max_drawdown(x)
        # 计算成本（最小化）
        cost = calculate_transaction_cost(x)
        
        out["F"] = [ret, risk, cost]

# 运行优化
algorithm = NSGA2(pop_size=100)
res = minimize(
    OptionPortfolioProblem(),
    algorithm,
    ('n_gen', 200),
    seed=42,
    verbose=False
)

# 获取帕累托前沿
pareto_front = res.F
pareto_solutions = res.X

嗯，这里要注意：calculate_expected_return、calculate_max_drawdown、calculate_transaction_cost这三个函数，你得根据你的实际数据来写。我一般用历史回测数据加上蒙特卡洛模拟来估算。

如何从帕累托前沿中选一个解？

跑完NSGA-II，你会得到一堆帕累托最优解。但问题来了——你到底选哪个？

我曾经犯过一个错误：直接选了收益最高的那个解。结果呢？回撤大得离谱，实盘一个月就扛不住了。后来我学乖了，用TOPSIS方法来做决策。

TOPSIS方法的核心思路：

先找出“理想解”（所有目标都最优）和“负理想解”（所有目标都最差），然后计算每个帕累托解到理想解和负理想解的距离。选那个离理想解最近、离负理想解最远的解。

代码实现也不复杂：

def topsis_selection(pareto_front, weights):
    # pareto_front: (n_solutions, n_objectives)
    # weights: 每个目标的权重，比如 [0.4, 0.3, 0.3]
    
    # 归一化
    norm = np.sqrt((pareto_front ** 2).sum(axis=0))
    normalized = pareto_front / norm
    
    # 加权
    weighted = normalized * weights
    
    # 理想解和负理想解
    ideal = weighted.min(axis=0)  # 因为三个目标都是最小化
    neg_ideal = weighted.max(axis=0)
    
    # 计算距离
    d_plus = np.sqrt(((weighted - ideal) ** 2).sum(axis=1))
    d_minus = np.sqrt(((weighted - neg_ideal) ** 2).sum(axis=1))
    
    # 计算相对接近度
    closeness = d_minus / (d_plus + d_minus)
    
    # 选最接近理想解的那个
    best_idx = np.argmax(closeness)
    return best_idx

我个人习惯把收益的权重设得高一些，比如0.5，风险和成本各0.25。但具体怎么设，得看你的风险偏好和资金规模。

可视化帕累托前沿

光有数字不够，得画出来看看。我一般用三维散点图，把三个目标分别放在三个轴上。下面是我用matplotlib画的：

import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D

fig = plt.figure(figsize=(10, 8))
ax = fig.add_subplot(111, projection='3d')

# pareto_front 的列顺序：收益(负)、风险、成本
ax.scatter(
    -pareto_front[:, 0],  # 转回正收益
    pareto_front[:, 1],   # 风险
    pareto_front[:, 2],   # 成本
    c='blue', alpha=0.6, s=50
)

ax.set_xlabel('收益')
ax.set_ylabel('风险')
ax.set_zlabel('成本')
ax.set_title('帕累托前沿：收益-风险-成本')

# 标记选中的最优解
best_idx = topsis_selection(pareto_front, [0.5, 0.25, 0.25])
ax.scatter(
    -pareto_front[best_idx, 0],
    pareto_front[best_idx, 1],
    pareto_front[best_idx, 2],
    c='red', s=100, marker='*', label='选中解'
)
ax.legend()
plt.show()

画出来之后，你会发现帕累托前沿通常是一个曲面。曲面上的点，就是你可以选的策略组合。曲面内部的点，都是被支配的——说白了就是“有更好的选择，为啥要选它？”

避坑指南：

我曾经遇到过一个问题：帕累托前沿上的解虽然互不支配，但有些解在实盘中表现很差。为什么？因为我的风险指标只用了最大回撤，没考虑尾部风险。后来我加上了CVaR（条件风险价值），前沿的形状就变了，选出来的解也更稳健。

所以，目标函数的选择直接决定了帕累托前沿的质量。别偷懒，多试几个风险指标。

帕累托前沿的SVG结构图

下面我用一张SVG图，把整个多目标优化的流程串起来：

这张图左边是二维投影（收益 vs 风险），红色曲线就是帕累托前沿。灰色点是那些被支配的解——说白了就是“既没别人赚得多，风险还比别人大”，这种策略直接扔掉就行。

实战中的注意事项

最后，分享几个我在实战中踩过的坑：

目标函数要可微吗？ 不一定。NSGA-II是遗传算法，不需要梯度信息。所以你可以用任何复杂的指标，比如最大回撤、夏普比率、甚至自定义的惩罚函数。
种群大小怎么设？ 我一般设100-200。太小了容易收敛到局部前沿，太大了计算太慢。迭代次数200-500代基本够用。
权重怎么设？ 如果你对某个目标特别在意，比如机构资金更看重风险控制，那把风险的权重设高一些。但别设成0，否则那个目标就完全被忽略了。
别忘了约束条件。 比如单个头寸的权重不能超过20%，或者总杠杆不能超过3倍。这些约束要在问题定义里加进去，否则优化出来的解可能没法实盘。

一个小技巧：

如果你发现帕累托前沿上的解都集中在某个区域，说明你的目标函数或者约束条件可能有问题。试着调整一下目标函数的尺度，或者增加一些随机性（比如在遗传算法里加大变异率）。

好了，关于帕累托前沿在收益-风险-成本中的权衡，就聊这么多。记住一句话：没有完美的策略，只有最适合你的妥协。多目标优化的意义，就是帮你找到那个“最不坏”的选择。