投资组合: 使用 Python 进行投资组合优化-计算机科学-量化金融-投资组合优化- Python.pdf

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

译投资组合优化是量化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。我们介绍了投资组合，这是一个用于投资组合

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

v投资组合提供了一个统一框架，涵盖了从经典的均值方差优化到现代基于

6

7聚类的方法，以及具有原生接口的最先进的金融估算器和专门针对金融时

1间序列的高级交叉验证技术。通过遵循scikit-learn的拟合-预测-转换范式，

4

0该库使研究人员和从业者能够利用机器学习工作流程进行投资组合优化，

.

7在量化金融中促进可重复性和透明度。

0

5

2

:

v1介绍

i

x

r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]提出，是

a

量化金融中的一个重要概念。然而，在实际应用中实施MPT会遇到许多挑战。这些包括

对预期收益和风险估计的高度敏感性、缺乏多样化、资产权重频繁变动（即高换手率），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起来使用，使得过程变得更加复杂。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，同时也

能减轻过拟合和数据泄露的风险[Arnottetal.,2019,Baileyetal.,2016]。

这样一个框架对于定量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

际应用相结合的持续挑战。这些挑战包括：（i）一个分散的生态系统，现有的库缺乏一致

的接口和全面的功能集；（ii）有限的可重复性，因为专有解决方案阻碍了研究验证和合作；

（iii）机器学习整合不足，传统的投资组合工具无法无缝地融入现代数据科学工作流程；以

及（iv）交叉验证不充分，因为标准的ML方法通常未能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，一个开源库，旨在解决这些挑战。基于标准化的

scikit-learnAPI[Pedregosaetal.,2011]，投资组合提供了投资组合优化和风险管理的全

面框架。这种方法确保了与现