简体中文 | English
把多因子 alpha 信号转成最优组合权重。支持均值方差 / 最小方差 / 最大夏普 / 风险平价 / 最大分散化五种目标，外加个股上限、行业中性、因子暴露中性、换手率约束。补上站内"因子合成 → 回测"之间最大的断层。
Convert an alpha signal into optimal portfolio weights under realistic constraints. Five objectives (mean-variance, min-variance, max-Sharpe, risk parity, max diversification) plus weight caps, sector / factor neutrality and turnover limits. Solved with scipy SLSQP — no heavyweight solver required.
回测只会"Top 10% 等权"，等权忽略风险集中、行业押注和换手成本。本 Skill 用凸优化得到真正可交易的权重。
仓库自带 demo 的真实输出（python examples/run_demo.py，全合成、无需凭证）：
### 五种目标函数对比（同一组 10 只标的）###
min_variance vol=0.070 holdings=10 maxw=0.120
max_sharpe vol=0.080 holdings=10 maxw=0.187
risk_parity vol=0.070 holdings=10 maxw=0.100 ← 风险最分散
mean_variance vol=0.115 holdings= 5 maxw=0.300 ← 集中下注
### 行业中性 + 个股上限5% + 换手约束（多空）###
sum / gross : 0.0000 / 0.4000 ← 美元中性(来自行业中性约束)
sector exposure : 金融0.0 家电0.0 白酒0.0 科技0.0 医药0.0 ← 行业完全中性
turnover : 1.0 (≤ 1.5 约束)
约束真的在生效：行业暴露精确归零、个股不超 5%、换手不破上限。这里的美元中性来自行业中性约束本身（每个行业净敞口=0 ⇒ 组合总净敞口=0），不是 long_only=False 自动产生的。
做没有行业约束的纯多空组合时，务必显式传
net_exposure=0.0锚定美元中性（仅对带收益项的mean_variance/max_sharpe有效）；否则构造器会发警告。纯方差目标（min_variance/risk_parity）的多空组合请改用full_investment=True的多头组合。
pip install -r requirements.txt
python examples/run_demo.py # 推荐先跑
# 对你自己的数据：
python scripts/optimize_report.py \
--returns returns.csv \ # [date x symbol] 收益面板
--signal alpha.csv \ # symbol,alpha 两列
--objective mean_variance \
--weight-cap 0.05 \
--out weights.csv| 目标 / 方法 | 文献 |
|---|---|
| 均值方差 / 最小方差 | Markowitz (1952) |
| 风险平价（ERC） | Maillard, Roncalli & Teïletche (2010) |
| 最大分散化 | Choueifaty & Coignard (2008) |
| Ledoit-Wolf 收缩协方差 | Ledoit & Wolf (2004) |
scripts/data_source.py 封装 panda_data（get_stock_daily + get_adj_factor → 收益面板；get_market_cap、get_industry 供约束用），无凭证时自动回退合成数据。配置真实凭证：
export DEFAULT_USERNAME=... DEFAULT_PASSWORD=... JAVA_SERVICE_BASE_URL=...GPL-3.0 · Copyright (C) 2026.