策略分享-大类ETF策略-DRO组合优化
由bq9e696k创建，最终由bq9e696k 被浏览 28 用户
在金融市场的不确定性面前，传统基于历史数据的组合优化常因 “未来与历史相似” 的假设失效而受挫。分布式鲁棒优化（DRO）通过主动纳入 “分布不确定性”，为极端行情下的组合稳健性提供了新解法。本文结合实践案例，详解 DRO 组合的构建流程与核心注意事项。
一、DRO 组合优化的核心逻辑：在不确定性中找稳健解
传统组合优化（如均值 - 方差模型）假设未来收益分布与历史完全一致，而 DRO 的核心突破在于：不迷信历史数据，而是在 “可能的分布集合”（不确定性集）中，追求 “最差情况” 下的最优表现。
举个通俗例子：若历史数据显示某股票年化收益 10%，传统优化会直接以此为依据；而 DRO 会思考 “若未来收益因黑天鹅事件降至 5% 甚至亏损，组合能否承受？”，并据此调整权重 —— 这就是 DRO “稳健性” 的来源。
\
二、DRO 组合的完整构建流程
1.数据准备
夯实优化基础 标的选择：优先纳入低相关性资产（如股票 ETF + 债券 ETF + 黄金 ETF），利用资产间的对冲效应增强鲁棒性。例如：510300.SH（沪深 300）、511260.SH（国债）、518880.SH（黄金）等，覆盖股、债、商品大类。 收益率计算：通过回溯期（如 252 个交易日）的历史收盘价计算日收益率，需注意： 剔除上市时间不足的标的（避免数据量不足导致优化失败）
2.定义不确定性集
量化 “未来可能的偏差” DRO 的关键是明确 “未来分布与历史分布的最大允许差异”，常用Wasserstein 距离度量这种差异，核心参数为epsilon（分布偏移容忍度）： epsilon越小：允许的分布偏差越小，模型越依赖历史数据，收益潜力高但抗风险弱； epsilon越大：允许的偏差越大，模型越保守，极端行情下更稳健但收益可能被压制。 通过以下代码构建最差情况分布：
模拟收益恶化的分布（epsilon控制偏移幅度）
shifted_dist = empirical_distributions[asset] * (1 + epsilon)
3.设计目标函数
平衡收益与极端风险 目标函数决定优化方向，需根据风险偏好选择： 平衡型（收益风险比）：最大化 “经分布偏移惩罚后的收益 / 风险（如 CVaR）”，适合中等风险偏好：
return -(mean_return - penalty_coef * 分布偏移惩罚) / cvar
保守型（最小化最大损失）：直接控制极端损失，适合风险厌恶者：
取历史极端损失与最差分布损失的最大值
max_loss = max(历史最大损失, 最差情况预期损失) + 分布偏移惩罚
3.1 max_loss的定义
-
风险 1（历史极端损失）：
max_historical_loss，基于历史数据计算的极端单日损失（年化），反映经验分布下的最差情况。
-
风险 2（最差分布预期损失）：
worst_case_expected_loss，假设资产收益分布向 “恶化方向” 偏移（
shifted_dist = 经验分布 * (1 + epsilon)）后，计算的预期损失，反映 “可能的最差分布” 下的损失。
-
风险 3（分布偏移惩罚）：
distribution_shift_penalty，通过 Wasserstein 距离衡量 “经验分布” 与 “偏移后的最差分布” 的距离，并用权重加权求和，反映分布偏移的 “不合理程度”。
\
4.约束与求解
确保组合可行性 权重约束：设置min_weight（如 5%）和max_weight（如 30%），避免单一资产过度暴露。 优化求解：用scipy.optimize.minimize（如 SLSQP 方法）求解，需处理收敛失败问题（如案例中用风险平价作为备选方案）。
5. 策略落地
动态调仓与异常处理 调仓频率：结合市场波动设置（如每 22 天调仓一次），平衡时效性与交易成本。
三、策略回测
四、策略链接
https://bigquant.com/square/ai/9aac2915-db14-7ded-e3a8-408e01b60c90
\