如何使用 JoinQuant 优化器构建风险最低的投资组合？

为了实现“风险最低”的资产配置策略，最科学的方法是采用最小方差模型（Minimum Variance Model）。该模型利用现代投资组合理论（MPT），通过计算不同资产之间的历史波动率和相关性，自动计算出组合波动率最低的权重配置。

为了进一步降低风险，我们在资产池中选择了低相关性且本身波动较小的ETF标的，包括债券、货币基金、黄金和宽基指数。

策略核心逻辑

1. 资产池选择：
   • 国债ETF (511010.XSHG)：核心防守资产，波动极低。
   • 银华日利 (511880.XSHG)：货币基金ETF，现金管理工具，风险接近零。
   • 黄金ETF (518880.XSHG)：避险资产，与其他资产相关性低。
   • 沪深300ETF (510300.XSHG)：少量配置以获取市场平均收益，利用负相关性对冲风险。
2. 优化目标：使用聚宽内置的 MinVariance 优化器，目标是最小化组合的历史方差（风险）。
3. 调仓频率：按月调仓，根据最新的市场波动率调整权重。

以下是完整的策略代码：

# -*- coding: utf-8 -*-
# 导入函数库
from jqdata import *
from jqlib.optimizer import *
import pandas as pd

def initialize(context):
    """
    初始化函数
    """
    # 1. 设定基准（这里使用国债指数作为基准更合适，但为了对比通常设为沪深300）
    set_benchmark('000300.XSHG')
    
    # 2. 开启动态复权模式(真实价格)
    set_option('use_real_price', True)
    
    # 3. 过滤掉order系列API产生的比error级别低的log
    log.set_level('order', 'error')
    
    # 4. 设定ETF基金交易手续费
    # ETF买卖无印花税，佣金设为万分之三，最低5元
    set_order_cost(OrderCost(open_tax=0, close_tax=0, open_commission=0.0003, close_commission=0.0003, min_commission=5), type='fund')
    
    # 5. 定义低风险资产池
    # 511010: 国债ETF (极低风险)
    # 511880: 银华日利 (货币ETF，极低风险)
    # 518880: 黄金ETF (避险资产，低相关性)
    # 510300: 沪深300ETF (权益类资产，用于分散化)
    g.etf_pool = [
        '511010.XSHG', 
        '511880.XSHG', 
        '518880.XSHG', 
        '510300.XSHG'
    ]
    
    # 6. 设定调仓周期：每月第一个交易日运行
    run_monthly(rebalance, monthday=1, time='09:30')

def rebalance(context):
    """
    调仓函数：计算最小方差权重并调仓
    """
    log.info("开始进行最小方差资产配置优化...")
    
    # 获取当前日期
    date = context.previous_date
    
    # 1. 使用聚宽内置优化器计算权重
    # target=MinVariance(count=250): 目标是最小化过去250个交易日的组合方差
    # constraints: 约束条件，这里限制总权重之和为1 (100%仓位)
    # bounds: 边界条件，每个标的权重在 0.0 到 1.0 之间 (不做空)
    try:
        optimized_weight = portfolio_optimizer(
            date=date,
            securities=g.etf_pool,
            target=MinVariance(count=250), 
            constraints=[WeightConstraint(low=1.0, high=1.0)],
            bounds=[Bound(0.0, 1.0)],
            default_port_weight_range=[0.0, 1.0],
            ftol=1e-09,
            return_none_if_fail=True
        )
    except Exception as e:
        log.error("优化器运行异常: %s" % e)
        return

    # 2. 检查优化结果
    if optimized_weight is None:
        log.warn("组合优化失败，本次不调仓")
        return
    
    log.info("目标权重: \n%s" % optimized_weight)
    
    # 3. 执行调仓
    # 获取当前总资产
    total_value = context.portfolio.total_value
    
    # 先卖出不在目标池或权重降低的标的
    current_positions = context.portfolio.positions
    for security in current_positions:
        if security not in optimized_weight.index:
            order_target_value(security, 0)
    
    # 根据优化后的权重买入/调整
    for security in g.etf_pool:
        if security in optimized_weight.index:
            target_value = total_value * optimized_weight[security]
            order_target_value(security, target_value)

def handle_data(context, data):
    """
    按分钟回测时必须实现，这里为空
    """
    pass

策略详解

1. 资产选择逻辑：

   • 策略没有只选择单一资产，而是构建了一个组合。因为单一资产（即使是债券）也面临特定风险（如利率风险）。
   • 通过引入货币ETF和国债ETF，奠定了极低波动的基础。
   • 优化器会自动识别出权益类资产（沪深300）的高波动性，因此在计算“最小方差”时，通常会给予权益类资产极低的权重（往往低于5%），而将绝大部分仓位分配给国债和货币基金。

2. 优化器设置 (MinVariance)：

   • 使用了 jqlib.optimizer 中的 MinVariance 目标函数。
   • count=250 表示使用过去一年的历史数据来计算协方差矩阵。这意味着策略会根据长期的波动特征来配置资产，避免因短期市场噪音频繁剧烈调仓。

3. 预期表现：

   • 回撤极小：由于重仓债券和货币基金，历史最大回撤通常控制在极低水平（往往小于2%）。
   • 收益稳定：收益率略高于货币基金，属于典型的理财替代型策略。

Q&A

Q: 为什么不直接全仓买货币基金？
A: 全仓货币基金虽然风险极低，但收益也最低且无法抵抗通胀。最小方差策略利用了资产间的不完全相关性（例如股票跌时债市可能涨），在数学上可以在保持同等低风险水平的同时，通过分散化获得比单一货币基金稍高的夏普比率。

Q: 这个策略适合什么资金？
A: 适合对回撤极其敏感、追求绝对收益、或者作为闲置资金管理的投资者。

Q: 如果我想稍微提高一点收益怎么办？
A: 可以修改代码中的 target 参数。将 MinVariance 改为 RiskParity（风险平价），这会稍微增加股票和黄金的配置比例，风险略微上升，但长期潜在收益会更高。