金融数学建模实战：从均值方差到风险平价的资产配置策略解析

1. 项目概述：从一道赛题看金融数学建模的实战价值

去年我带着几个学生参加了大湾区杯金融数学建模竞赛，B题给我留下了挺深的印象。这道题不是那种让你套几个现成模型就能交差的题目，它把金融市场的几个核心痛点——资产配置、风险控制和绩效归因——巧妙地糅合在了一起，要求参赛者构建一个从数据处理到策略回测的完整分析框架。很多刚接触建模的同学容易犯一个错误，就是一头扎进复杂的算法里，却忽略了金融问题本身的业务逻辑。这道B题恰恰是一个很好的反面教材，它逼着你先理解“为什么”，再思考“怎么做”。今天我就以这道题为例，拆解一下金融数学建模的完整解题思路，并分享部分当时我们用Python实现的关键代码。无论你是正在备赛的学生，还是对量化分析感兴趣的从业者，相信这些从实战中踩坑总结出来的经验，都能帮你少走些弯路。

这道题的核心，简而言之，是要求我们基于给定的多资产历史数据（通常是股票、债券、商品等），设计并评估一个动态资产配置策略。它不仅仅问“哪个策略收益高”，更深入地追问“为什么这个策略收益高？”“它的风险在哪里？”“市场环境变化时它是否依然有效？”。这就要求我们的建模工作必须包含清晰的业务逻辑链条：数据预处理（解决现实数据的脏乱差问题）、模型构建（将投资思想数学化）、回测验证（用历史数据模拟交易）以及归因分析（解剖收益来源）。接下来，我就按照这个逻辑链条，一步步拆解。

2. 解题核心思路与模型选择逻辑

面对一个开放的建模问题，最重要的第一步不是写代码，而是明确评价标准和约束条件。B题通常会提供历史收益率序列，我们需要提交一个配置权重序列。评审的关键就在于你如何论证权重序列的优越性。

2.1 明确目标：多目标优化的权衡艺术

金融建模永远是在收益和风险之间走钢丝。单一追求收益最大化，往往会得到一个押注单一高风险资产的“赌博式”策略，这在实盘中是灾难。因此，我们的目标函数必须是一个多目标综合体。最经典的框架就是马科维茨的均值-方差模型，它寻求在给定预期收益下风险最小化，或在给定风险水平下收益最大化。对于这道题，我们可以将目标设定为最大化夏普比率，因为它同时考虑了收益和风险（波动率），是一个经过风险调整后的收益指标，非常符合投资实践的诉求。

注意：夏普比率计算中使用的“无风险利率”在竞赛中需要明确假设。通常可以用同期国债收益率或直接设为0（简化处理）。在解题报告中必须声明你的假设，这是严谨性的体现。

但均值-方差模型有个著名的缺陷：它对输入的参数（预期收益和协方差矩阵）极其敏感，微小的估计误差会导致权重剧烈波动，从而产生不切实际的换手率。这就是所谓“误差最大化”问题。因此，直接套用经典马科维茨模型往往不是最优解。

2.2 模型演进：从经典到稳健的必然选择

为了解决经典模型的缺陷，我们的建模思路需要演进。以下是几种在实践中（包括竞赛中）更受青睐的稳健化方法：

1. 引入附加约束：这是最直接有效的方法。比如：

   • 权重约束：设定单资产权重的上下限（如0%到40%），防止过度集中。
   • 行业/板块约束：如果资产可归类，可限制同一板块的权重总和，控制风险暴露。
   • 换手率约束：限制相邻两期权重变化的总和，以控制交易成本。这是将理论模型推向实战的关键一步。

2. 使用更稳健的估计量：不使用简单的历史样本均值方差，而采用：

   • 指数加权移动平均：给近期数据更高权重，让模型对市场变化更敏感。
   • 收缩估计：将样本协方差矩阵向某个结构化模型（如单位矩阵、常数相关系数矩阵）收缩，减少估计误差。Ledoit-Wolf收缩就是一个经典方法。
   • 风险平价模型：完全摒弃对收益的预测，专注于让各资产对组合总风险的贡献度相等。这个模型在2008年金融危机后备受关注，因为它在不依赖收益预测的情况下，往往能获得更稳健的风险表现。

3. 融入市场状态判断：简单的静态模型可能失效。我们可以尝试引入市场状态识别（如基于波动率 regime switching），在不同市场状态下采用不同的配置逻辑（如高波动时增配债券，低波动时增配股票）。

在我们的解题方案中，我们采用了带约束的均值-方差优化作为基础，并辅以滚动窗口估计来产生动态权重。同时，我们额外计算了一个风险平价组合作为业绩比较基准。这样做的目的是展示我们对不同模型哲学的理解，并能通过对比分析，更深入地讨论策略的优劣。

3. 数据预处理与特征工程的关键细节

拿到的数据通常是一个包含多资产历史价格或净值的表格。第一步不是跑模型，而是“洗数据”。这一步做不好，后面所有精美的模型都是空中楼阁。

3.1 收益率计算与异常值处理

金融建模几乎永远使用收益率，而非绝对价格。最常用的是对数收益率，因为它具有可加性，且更符合正态分布的假设（相对而言）。

import pandas as pd import numpy as np # 假设 df_price 是包含日期索引和各资产价格列的DataFrame df_price = pd.read_csv('asset_prices.csv', index_col='date', parse_dates=True) # 计算对数收益率 df_return = np.log(df_price / df_price.shift(1)).dropna() # 也可以使用简单收益率：df_return = df_price.pct_change().dropna()

接下来是异常值处理。金融市场在极端事件（如“闪崩”）中会产生巨大幅度的收益率，这些异常值会严重扭曲均值和方法估计。常用的方法是Winsorization，即将超出特定分位数（如1%和99%）的值缩尾至该分位数。

def winsorize(series, lower_quantile=0.01, upper_quantile=0.99): lower_bound = series.quantile(lower_quantile) upper_bound = series.quantile(upper_quantile) return series.clip(lower=lower_bound, upper=upper_bound) df_return_winsorized = df_return.apply(winsorize)

3.2 缺失值处理与再平衡周期设定

数据可能存在缺失值。对于少数日期的缺失，可以用前后值插补。但如果某资产在初期长时间缺失，更稳妥的做法是将其从该段时间的分析中剔除，或者从该资产有数据的时间点开始分析。

另一个关键点是再平衡周期。题目通常要求提供每日或每周的权重。我们需要决定是每天调仓（交易成本高，可能过度拟合噪声），还是每周或每月调仓。在回测中，必须严格按照设定的再平衡周期来更新权重和计算净值，不能使用未来数据。这是回测是否可信的生命线。

# 设定再平衡频率，例如每月第一个交易日 rebalance_dates = df_return_winsorized.resample('MS').first().index # 在实际回测循环中，只在这些日期计算新权重并调整持仓

4. 核心模型构建与Python实现

这里我们重点展示带约束的均值-方差优化和风险平价模型的Python实现。我们使用cvxpy这个凸优化库，它比scipy.optimize在处理金融优化问题时更直观、稳定。

4.1 带约束的均值-方差优化模型实现

假设我们在每个再平衡时点，利用过去N天的历史数据（滚动窗口）来估计参数，并求解最优权重。

import cvxpy as cp def mean_variance_optimization(expected_returns, cov_matrix, target_return=None, weight_bounds=(0, 1)): """ 求解带约束的均值-方差优化问题。 目标：最小化组合方差 约束：1. 权重和为1；2. 预期收益等于目标收益（若提供）；3. 单资产权重约束。 """ n_assets = len(expected_returns) weights = cp.Variable(n_assets) # 目标函数：组合方差 portfolio_variance = cp.quad_form(weights, cov_matrix) objective = cp.Minimize(portfolio_variance) # 约束条件 constraints = [cp.sum(weights) == 1, weights >= weight_bounds[0], weights <= weight_bounds[1]] if target_return is not None: constraints.append(expected_returns @ weights >= target_return) # 求解问题 prob = cp.Problem(objective, constraints) # 使用ECOS或SCS求解器，它们通常更稳定 prob.solve(solver=cp.ECOS) if weights.value is None: print("优化失败，可能约束过紧或无解。尝试放宽约束或检查输入。") return np.array([1/n_assets]*n_assets) # 返回等权组合作为备选 return weights.value # 示例：在某个再平衡日t的操作 lookback_window = 252 # 使用过去一年（约252个交易日）数据 historical_returns = df_return_winsorized.iloc[t-lookback_window:t] exp_returns = historical_returns.mean().values # 预期收益向量 cov_matrix = historical_returns.cov().values # 协方差矩阵 # 设定目标收益为历史平均收益的90%，作为温和增长目标 target_ret = exp_returns.mean() * 0.9 optimal_weights = mean_variance_optimization(exp_returns, cov_matrix, target_return=target_ret, weight_bounds=(0, 0.4))

4.2 风险平价模型实现

风险平价的核心思想是让各资产的风险贡献度相等。其优化问题可以通过迭代求解，也有高效的凸优化形式。这里展示一个使用cvxpy求解的等价形式。

def risk_parity_portfolio(cov_matrix): """ 使用凸优化框架求解风险平价组合。 最小化各资产风险贡献度与平均风险贡献度之差的平方和。 """ n = cov_matrix.shape[0] w = cp.Variable(n) # 组合总风险（标准差） portfolio_risk = cp.sqrt(cp.quad_form(w, cov_matrix)) # 各资产边际风险贡献 * 权重 = 风险贡献度 # 对于二次型，风险贡献度RC_i = w_i * (cov_matrix @ w)_i / portfolio_risk # 我们需要所有RC_i相等，即 RC_i = portfolio_risk / n # 这等价于约束：cov_matrix @ w = (portfolio_risk / n) * (1 / w) （元素除法） # 但这不是线性/凸约束。一个凸化的近似方法是优化以下目标： # 最小化 sum((w * (cov_matrix @ w) - portfolio_risk / n)^2) # 更稳定的方法是使用“风险预算”框架，这里我们采用一个简化但有效的凸化形式： y = cp.Variable(n) constraints = [w >= 0, cp.sum(w) == 1] # 约束 y_i = (cov_matrix @ w)_i constraints.append(y == cov_matrix @ w) # 目标：最小化风险贡献度的差异。一个凸代理目标是： # 最小化 sum_squares( cp.multiply(w, y) - 1/n ) # 但w和y的乘积非凸。经典论文将其转化为： # 最小化 sum_squares( cp.log(y) - cp.log(w) )，但这在cvxpy中处理较复杂。 # 实践中，一个稳健的替代方法是使用等风险贡献（ERC）的迭代算法。 # 以下提供一个迭代算法的简化示意： return risk_parity_erc_iterative(cov_matrix) def risk_parity_erc_iterative(cov_matrix, max_iter=100, tol=1e-8): """使用迭代算法求解等风险贡献组合。""" n = cov_matrix.shape[0] # 初始权重：等权 w = np.ones(n) / n for i in range(max_iter): # 计算当前权重下的组合风险 sigma = np.sqrt(w @ cov_matrix @ w) # 计算边际风险贡献 marginal_risk = cov_matrix @ w # 计算风险贡献度 risk_contrib = w * marginal_risk # 计算目标风险贡献（总风险 / n） target_rc = sigma / n # 更新权重：根据风险贡献与目标的差异调整 # 一个简单的调整：w_new = w * (target_rc / risk_contrib) w_new = w * (target_rc / risk_contrib) # 重新归一化 w_new = w_new / w_new.sum() # 检查收敛 if np.linalg.norm(w_new - w) < tol: break w = w_new return w # 使用示例 cov_matrix = historical_returns.cov().values rp_weights = risk_parity_erc_iterative(cov_matrix)

实操心得：在竞赛有限时间内，实现一个精确的风险平价凸优化可能较复杂。上述迭代算法虽然简单，但在大多数情况下能快速收敛到一个近似解，且易于理解和编码，更适合竞赛环境。务必在报告里说明你采用的方法及其局限性。

5. 回测系统构建与绩效评估

模型产出权重序列后，必须通过严谨的回测来评估其真实表现。回测不是简单地把每日收益率按权重加权平均，必须考虑再平衡逻辑。

5.1 回测引擎的实现要点

一个简单的回测引擎需要跟踪每日的持仓市值和现金。

def run_backtest(df_returns, all_weights, initial_capital=1000000, rebalance_freq='M', transaction_cost=0.001): """ 运行回测。 df_returns: 日度收益率DataFrame all_weights: 每个再平衡日的目标权重DataFrame，索引为再平衡日期 transaction_cost: 单边交易成本率 """ # 将权重序列对齐到交易日 # 使用前向填充，直到下一个再平衡日 aligned_weights = all_weights.reindex(df_returns.index).ffill() # 初始化持仓 portfolio_value = pd.Series(index=df_returns.index, dtype=float) portfolio_value.iloc[0] = initial_capital # 记录每日各资产持仓市值 holdings = pd.DataFrame(index=df_returns.index, columns=df_returns.columns, data=0.0) # 第一个再平衡日 first_rebalance_date = aligned_weights.first_valid_index() holdings.loc[first_rebalance_date] = initial_capital * aligned_weights.loc[first_rebalance_date] cash = initial_capital - holdings.loc[first_rebalance_date].sum() for i in range(1, len(df_returns)): current_date = df_returns.index[i] prev_date = df_returns.index[i-1] # 1. 计算昨日持仓经过今日涨跌后的市值 holdings.loc[current_date] = holdings.loc[prev_date] * (1 + df_returns.loc[current_date]) # 更新现金（假设现金无利息） portfolio_value.loc[current_date] = holdings.loc[current_date].sum() + cash # 2. 判断今日是否为再平衡日 if current_date in all_weights.index: target_weights = all_weights.loc[current_date] # 当前总资产 total_asset = portfolio_value.loc[current_date] # 目标持仓市值 target_holdings = total_asset * target_weights # 计算需要调整的差额 trade_amount = target_holdings - holdings.loc[current_date] # 计算交易成本 trade_cost = np.abs(trade_amount).sum() * transaction_cost # 更新现金（扣除交易成本） cash = cash - trade_cost - trade_amount.sum() # trade_amount.sum()理论上应为0，因权重和为1，保留此项以防数值误差 # 执行调仓 holdings.loc[current_date] = target_holdings # 调仓后重新计算总资产（已扣除成本） portfolio_value.loc[current_date] = holdings.loc[current_date].sum() + cash return portfolio_value, holdings

5.2 关键绩效指标计算与分析

回测得到净值曲线后，需要计算一系列指标来全面评估策略。

def calculate_performance_metrics(nav_series, risk_free_rate=0.0): """ 计算常用绩效指标。 nav_series: 净值序列，pd.Series risk_free_rate: 年化无风险利率 """ returns = nav_series.pct_change().dropna() total_return = nav_series.iloc[-1] / nav_series.iloc[0] - 1 annual_return = (1 + total_return) ** (252 / len(nav_series)) - 1 # 年化波动率 annual_volatility = returns.std() * np.sqrt(252) # 最大回撤 cummax = nav_series.expanding().max() drawdown = (nav_series - cummax) / cummax max_drawdown = drawdown.min() # 夏普比率 excess_returns = returns - risk_free_rate/252 sharpe_ratio = np.sqrt(252) * excess_returns.mean() / excess_returns.std() if excess_returns.std() != 0 else np.nan # 卡玛比率 calmar_ratio = annual_return / abs(max_drawdown) if max_drawdown != 0 else np.nan metrics = { '总收益率': total_return, '年化收益率': annual_return, '年化波动率': annual_volatility, '夏普比率': sharpe_ratio, '最大回撤': max_drawdown, '卡玛比率': calmar_ratio } return pd.Series(metrics) # 对均值-方差策略和风险平价策略的净值分别计算指标 mv_nav = run_backtest(df_return, mv_weights)[0] # 假设mv_weights是均值-方差权重序列 rp_nav = run_backtest(df_return, rp_weights)[0] # 假设rp_weights是风险平价权重序列 mv_metrics = calculate_performance_metrics(mv_nav) rp_metrics = calculate_performance_metrics(rp_nav) # 对比分析 comparison = pd.DataFrame({'均值-方差': mv_metrics, '风险平价': rp_metrics}) print(comparison)

6. 策略归因与稳健性检验

绩效指标好，不代表策略真的有效。我们需要深入归因，并检验其稳健性。

6.1 收益归因：Brinson模型浅析

可以简单地将超额收益归因于资产配置效应和选股效应。由于本题是资产配置问题，我们主要关注配置效应。即，比较策略配置与基准配置（如等权组合）在不同资产上的权重差异，乘以该资产的收益，来估算配置带来的贡献。

def allocation_effect(strategy_weights, benchmark_weights, asset_returns): """ 计算配置效应。 输入应为DataFrame，索引为日期，列为资产。 """ # 确保权重和收益率索引对齐 common_idx = strategy_weights.index.intersection(asset_returns.index) strategy_weights = strategy_weights.loc[common_idx] benchmark_weights = benchmark_weights.loc[common_idx] asset_returns = asset_returns.loc[common_idx] # 配置效应 = sum( (策略权重_i - 基准权重_i) * (资产i收益率 - 基准组合收益率) ) benchmark_portfolio_return = (benchmark_weights * asset_returns).sum(axis=1) allocation = (strategy_weights - benchmark_weights) * (asset_returns.sub(benchmark_portfolio_return, axis=0)) total_allocation_effect = allocation.sum(axis=1).cumsum() return total_allocation_effect

6.2 稳健性检验：滚动窗口与参数敏感性

这是很多竞赛论文的薄弱环节，却是区分高手的关键。

1. 滚动窗口长度敏感性：分别使用过去180天、252天、504天的数据估计参数并生成策略，观察绩效指标是否发生剧烈变化。如果变化很大，说明策略对参数过于敏感，稳健性存疑。
2. 样本外测试：将数据分为训练期和测试期（例如前70%和后30%）。用训练期数据确定模型参数（如滚动窗口长度、目标收益率等），然后在从未见过的测试期上运行策略。这是检验过拟合的黄金标准。
3. 交易成本敏感性：将交易成本从0.001提高到0.005，观察夏普比率和最大回撤的恶化程度。一个实盘可用的策略应对适度交易成本不敏感。

def robustness_check(df_returns, windows=[180, 252, 504]): """ 测试不同滚动窗口长度对策略绩效的影响。 """ results = {} for w in windows: # 生成该窗口长度下的权重序列（需要重写之前的回测函数，使其接受窗口参数） weights = generate_weights_with_window(df_returns, lookback_window=w) nav = run_backtest(df_returns, weights)[0] metrics = calculate_performance_metrics(nav) results[f'Window_{w}'] = metrics return pd.DataFrame(results)

7. 竞赛报告撰写与可视化呈现技巧

最后，如何将你的工作清晰、有力、美观地呈现出来，同样至关重要。

7.1 必须包含的图表

1. 净值曲线对比图：将你的策略净值、风险平价基准、等权基准以及市场代表性指数（如沪深300）画在同一张图上。使用对数坐标轴可以更清晰地观察长期增长。

   import matplotlib.pyplot as plt plt.figure(figsize=(12,6)) plt.plot(mv_nav / mv_nav.iloc[0], label='均值-方差策略') plt.plot(rp_nav / rp_nav.iloc[0], label='风险平价基准') plt.plot(equal_weight_nav / equal_weight_nav.iloc[0], label='等权基准', linestyle='--') plt.yscale('log') # 对数坐标 plt.title('策略净值曲线对比（标准化）') plt.xlabel('日期') plt.ylabel('净值（对数）') plt.legend() plt.grid(True, which='both', linestyle='--', linewidth=0.5) plt.show()

2. 权重动态变化图：用面积图展示各资产权重随时间的变化，可以直观看出策略的调仓行为和风险暴露。
3. 滚动夏普比率/最大回撤图：展示策略绩效指标在时间轴上的稳定性。例如，计算过去252个交易日的滚动夏普比率，观察其是否持续为正且相对平稳。
4. 绩效指标对比表格：如前文所示，用表格清晰列出各策略的关键指标。

7.2 报告叙述逻辑

你的论文应该讲一个完整的故事：

1. 问题理解与重述：用你自己的话说明题目要求，并提炼出核心任务。
2. 数据预处理：说明你如何处理缺失值、异常值，以及选择再平衡周期的理由。
3. 模型方法论：详细阐述你选择的模型（如带约束的均值-方差）及其改进（如滚动估计、收缩协方差），并解释为什么选择它，它如何解决经典模型的缺陷。
4. 回测设计：明确说明回测的初始资金、再平衡频率、交易成本假设，确保实验可复现。
5. 结果分析：展示图表，并解读。不仅要说出“夏普比率是1.5”，还要分析“这个夏普比率主要来源于哪段时间的收益？”“策略的最大回撤发生在什么市场环境下？当时权重如何变化？”
6. 稳健性检验：展示你对参数敏感性、样本外测试和交易成本测试的结果，并讨论策略的可靠性。
7. 结论与展望：总结策略的优缺点。提出可能的改进方向，例如引入机器学习预测收益、结合宏观经济指标进行择时等。这部分体现你的思考深度。

记住，评委想看的不只是一个结果，更是你发现问题、分析问题、解决问题的完整逻辑链条。代码是你的工具，但清晰的思维和严谨的论证才是赢得比赛的关键。在实现上述代码时，务必注意处理可能的数值误差、优化无解的情况，并在报告中坦诚讨论模型的局限性。金融世界没有“圣杯”模型，一个知道自身边界在哪里的策略，比一个号称“无敌”的黑箱更有价值。