投资组合-使用 Python 进行投资组合优化-计算机科学-定量金融-投资组合优化.pdfVIP

投资组合:使用Python进行投资组合优化

CarloNicolini∗†MatteoManzi†

IpaziaSpAOrionFinance

Milan,ItalyParis,France

c.nicolini@matteomanzi09@

HugoDelatte†

SKFolioLabs

London,UK

hugo.delatte@

Abstract

本

译投资组合优化是定量金融中的一个基本挑战，需要将统计严谨性与实际实

中施相结合的稳健计算工具。我们介绍投资组合，这是一个用于投资组合构

2建和风险管理的开源Python库，它无缝集成到scikit-learn生态系统中。投

v资组合提供了一个统一框架，涵盖从经典的均值方差优化到现代基于聚类

6

7的方法、具有原生接口的必威体育精装版金融估算器以及专门为金融时间序列定制的

1

4高级交叉验证技术。通过遵循scikit-learn的拟合-预测-转换范式，该库使

0.研究人员和从业人员能够利用机器学习工作流程进行投资组合优化，在定

7量金融中促进可重复性和透明度。

0

5

2

:

v

i1介绍

x

r

a

投资组合优化，最初由马科维茨的现代投资组合理论（MPT）[Markowitz,1952]引入，是

量化金融中的一个关键概念。然而，将MPT付诸实践面临若干挑战。这些包括对预期回

报和风险估计的高度敏感性、缺乏多样化、资产权重频繁变化（即高周转率），以及在新数

据上测试时表现不佳（即过拟合）。有许多不同的优化方法、预选技术、分布和矩估计器可

供选择，它们通常会在实践中结合使用，使过程变得更加复杂。这突显了需要一个单一的

统一框架，该框架利用机器学习进行模型选择、验证和参数调整，同时减轻过拟合和数据

泄露的风险[Arnottetal.,2019,Baileyetal.,2016]。

这样的框架对于量化金融社区来说是必不可少的，该社区面临着将复杂的金融理论与实际

实施之间差距联系起来的持续挑战。这些挑战包括：(i)分散的生态系统，现有库缺乏一致

的接口和全面的功能集；(ii)有限的可重复性，专有解决方案妨碍了研究验证和协作；(iii)

贫弱的机器学习集成，传统的投资组合工具不能无缝地融入现代数据科学工作流程；以及

(iv)不足的交叉验证，因为标准ML方法往往无法考虑到金融数据中固有的时间依赖性。

Correspondingauthor.†Equalcontribution.

Preprint.Underreview.

©Copyrightforthispaperbyitsauthors.LicensedunderCC-BY4.0.

在这项工作中，我们介绍了投资组合，一个旨在解决这些挑战的开源库。基于标准化的

scikit-learnAPI[Pedregosaetal.,2011]，投资组合提供了全面的投资组合优化和风险管

理框架。这种方法确保与现有机器学习工作流程无缝集成，同时保持构建稳健投资