Refactor code structure for improved readability and maintainability

doc_04_alpha_factor.md

@@ -0,0 +1,647 @@
+# Alpha 因子研究详解
+## `quant_alpha_factor_demo.py` 学习文档
+
+> **目标读者**：量化入门者，已完成前三篇学习  
+> **配套文件**：`quant_alpha_factor_demo.py`  
+> **前置知识**：建议先阅读前三篇文档  
+> **系列位置**：第 4 篇 — Alpha 因子研究篇
+
+---
+
+## 目录
+
+1. [什么是 Alpha 因子？](#1-什么是-alpha-因子)
+2. [因子动物园：主要因子流派](#2-因子动物园factor-zoo)
+3. [合成股票池：为什么需要多只股票？](#3-合成股票池)
+4. [五个经典因子详解](#4-五个经典因子详解)
+5. [因子预处理：三步标准化流程](#5-因子预处理三步标准化)
+6. [IC 分析：量化因子预测能力](#6-ic-分析information-coefficient)
+7. [分层回测：直观验证因子有效性](#7-分层回测quantile-analysis)
+8. [因子合成：1+1 > 2](#8-因子合成factor-combination)
+9. [多空组合：因子的实际落地](#9-多空组合long-short-portfolio)
+10. [因子衰减：信号会过时](#10-因子衰减factor-decay)
+11. [结果解读与局限性](#11-结果解读与局限性)
+12. [术语速查表](#12-术语速查表)
+
+---
+
+## 1. 什么是 Alpha 因子？
+
+### 1.1 从一个比喻说起
+
+想象你是一个选股顾问，每天从 3000 只 A 股中挑出最有潜力的 50 只。你会怎么做？
+
+初学者可能说："涨得多的买，跌得多的卖。"  
+有经验的人可能说："找低估值、高成长、低波动的股票。"
+
+**Alpha 因子 (Alpha Factor)** 就是这些选股思路的**数学化表达**——用一个公式，对每只股票算出一个"分数"，分数越高，预期未来收益越高。
+
+### 1.2 Alpha 的准确含义
+
+在金融学中，收益被分解为两部分：
+
+```
+股票总收益 = Beta 收益 + Alpha 收益
+股票总收益 = (跟随大盘的那部分) + (超出大盘的那部分)
+```
+
+| 术语 | 中文 | 含义 |
+|------|------|------|
+| **Beta (β)** | 市场贝塔 / 系统性风险 | 随市场涨跌的收益——"大盘涨了 10%，我的股票也涨了 8%" |
+| **Alpha (α)** | 超额收益 / 选股能力 | 超越市场的额外收益——"大盘涨了 5%，但我的策略赚了 20%" |
+
+**Alpha 因子**的目标就是找到那些能预测"未来超额收益"的信号。
+
+### 1.3 因子 vs. 策略
+
+很多初学者会混淆"因子"和"策略"的概念：
+
+| | 因子 (Factor) | 策略 (Strategy) |
+|--|--------------|----------------|
+| 本质 | 一个截面排名信号（谁更好？） | 一套完整的买卖规则 |
+| 例子 | MOM = 12月动量 | "当 MOM > 0 时买入，< 0 时卖出" |
+| 分析方法 | IC、分层回测 | 净值曲线、夏普比率 |
+| 应用范围 | **多只股票的横截面** | 单只或多只股票的时间序列 |
+
+因子是选股的"原材料"，策略是用因子构建的"成品"。
+
+---
+
+## 2. 因子动物园（Factor Zoo）
+
+学术界发现的因子多达 300+ 个，被戏称为"因子动物园 (Factor Zoo)"。按经济学逻辑，主要分为以下几大类：
+
+### 2.1 行为金融类因子（最常用）
+
+| 因子 | 中文 | 核心逻辑 | 代表论文 |
+|------|------|----------|----------|
+| **Momentum** | 动量因子 | 赢家继续赢，输家继续输（追涨惯性）| Jegadeesh & Titman (1993) |
+| **Reversal** | 反转因子 | 短期过度涨跌会均值回归 | Jegadeesh (1990) |
+| **Post-Earnings Drift** | 盈利漂移 | 超预期财报后股价持续漂移 | Ball & Brown (1968) |
+
+### 2.2 风险溢价类因子（有理论支撑）
+
+| 因子 | 中文 | 核心逻辑 |
+|------|------|----------|
+| **Low Volatility** | 低波动因子 | 低波动股票的风险调整后收益更高（违反 CAPM）|
+| **Low Beta** | 低贝塔因子 | 低市场敏感性股票长期跑赢（BAB 效应）|
+| **Illiquidity** | 非流动性因子 | 流动性差的股票有额外的流动性溢价 |
+
+### 2.3 基本面类因子（需要财报数据）
+
+| 因子 | 中文 | 核心逻辑 |
+|------|------|----------|
+| **Value (B/P, E/P)** | 价值因子 | 低估值股票长期跑赢（价值投资量化版）|
+| **Profitability (ROE)** | 盈利能力 | 高盈利质量公司持续超额收益 |
+| **Growth** | 成长因子 | 营收/利润高速增长的公司 |
+
+> 本 Demo 聚焦于**纯价格/成交量因子**（无需财报），这也是因子研究的起点。
+
+---
+
+## 3. 合成股票池
+
+### 3.1 为什么需要多只股票？
+
+前三篇 Demo 分析的都是**单只股票随时间**的变化（时间序列）。
+
+Alpha 因子研究是一种完全不同的分析维度：
+
+```
+时间序列分析:   分析同一只股票在不同时间的行为
+                苹果公司 → 2020, 2021, 2022, ...
+
+截面分析:       在同一个时间点，比较不同股票之间的差异
+                2023-01-01 → 苹果, 谷歌, 微软, 亚马逊, ...
+```
+
+因子的"截面预测能力"是指：**在某一天，因子值高的股票，是否在未来一段时间表现更好**？
+
+这需要"同一天、多只股票"的数据——即**横截面数据 (Cross-Sectional Data)**。
+
+### 3.2 隐藏因子生成模型
+
+为了让演示中的因子真实有效，本 Demo 使用了一个**隐藏因子生成模型 (Hidden Factor Generative Model)**，向合成数据中注入"真实的 Alpha"：
+
+```
+每只股票每天的收益 = 市场风险 + 质量 Alpha + 动量 Alpha + 噪音
+                   = β × r_市场 + λ_q × Q_i,t + λ_m × M_i,t + ε_i,t
+```
+
+| 成分 | 符号 | 变化速度 | 含义 |
+|------|------|----------|------|
+| 市场风险 | β × r_市场 | 每日变化 | 所有股票共同承担的市场涨跌 |
+| 质量 Alpha | λ_q × Q_i,t | 季度持续 | 该股票的"潜在质量分"，缓慢变化 |
+| 动量 Alpha | λ_m × M_i,t | 月度持续 | 该股票的"当前动量状态"，适度变化 |
+| 特质噪音 | ε_i,t | 每日随机 | 无法预测的随机波动 |
+
+**关键点**：Q 和 M 是**不可直接观察的隐藏变量**。  
+Alpha 因子的价值就在于：**用可观察的价格数据（动量、波动率等）来间接估计这些隐藏的质量/动量分数**。
+
+---
+
+## 4. 五个经典因子详解
+
+### 4.1 动量因子（MOM）— 追涨惯性
+
+**来源**：Jegadeesh & Titman (1993)  
+**直觉**：股票市场存在"趋势延续"效应——过去 6-12 个月的赢家，未来 3-12 个月通常继续赢。
+
+$$\text{MOM}_{i,t} = \frac{P_{i,t-21}}{P_{i,t-252}} - 1$$
+
+| 参数 | 说明 |
+|------|------|
+| $P_{i,t-21}$ | 股票 i 在 t-21 日（约 1 个月前）的价格 |
+| $P_{i,t-252}$ | 股票 i 在 t-252 日（约 12 个月前）的价格 |
+| 计算窗口 | 从 12 个月前 到 1 个月前（跳过最近 1 个月）|
+
+**为什么要跳过最近 1 个月？**  
+
+最近 1 个月的收益往往会**短期反转 (Short-Term Reversal)**，这是由于做市商 (Market Maker) 的库存调整和买卖价差摩擦导致的微观结构效应。如果不跳过最近 1 个月，反转效应会污染动量信号。
+
+```python
+# 代码实现
+MOM_LONG  = 252   # 12 个月
+MOM_SHORT = 21    # 跳过 1 个月
+
+factor_mom = prices_df.shift(MOM_SHORT) / prices_df.shift(MOM_LONG) - 1.0
+#             ↑ P[t-21]                   ↑ P[t-252]
+```
+
+**本 Demo 实验结果**：  
+- IC 均值 = **+0.065** ★ 有效  
+- ICIR = **+0.452**（接近 0.5 的优良水平）  
+- 这是因为隐藏质量/动量因子高的股票，自然同时有高 12M 动量 AND 高未来收益
+
+### 4.2 短期反转因子（REV）— 均值回归
+
+**来源**：Jegadeesh (1990)  
+**直觉**：上个月涨太多的股票，下个月往往小幅回调；跌太多的往往反弹。
+
+$$\text{REV}_{i,t} = -\left(\frac{P_{i,t}}{P_{i,t-21}} - 1\right)$$
+
+取负号是为了保持"因子值越高 → 预期收益越高"的正方向约定：  
+- 上个月大跌（负收益）→ REV 为正 → 预期反弹 → 因子值高 ✓
+
+**本 Demo 实验结果**：  
+- IC 均值 = **-0.050**（负！意料之中）  
+- 为什么是负的？因为我们的数据中注入了"动量 Alpha"——动量强的股票上个月涨、下个月还要涨，REV 反而是负向预测。这是一个很好的教学点：**同一个市场中，因子之间可能互相矛盾**。
+
+### 4.3 低波动因子（LVOL）— 低波动异象
+
+**来源**：Baker, Bradley & Wurgler (2011)  
+**直觉**：根据传统金融理论，高风险应获高回报。但实证研究发现，低波动股票的**原始收益**也更高，即"低波动异象 (Low-Volatility Anomaly)"。
+
+$$\text{LVOL}_{i,t} = -\sigma_{i,t-60:t}$$
+
+其中 $\sigma$ 是过去 60 交易日的日收益率标准差（年化波动率的代理指标）。
+
+取负号：波动率越低 → LVOL 越高 → 预期收益越高。
+
+**可能的解释**：
+- 机构投资者受"跑赢基准"的业绩压力，被迫偏爱高贝塔/高波动股票，导致这些股票被高估
+- 散户偏好"彩票式"高波动股票（类似买彩票），也导致高波动股票被高估
+- 低波动股票更少被卖空，保护其免遭过度高估后的暴跌
+
+### 4.4 低贝塔因子（BAB）— 赌对低贝塔
+
+**来源**：Frazzini & Pedersen (2014) "Betting Against Beta"  
+**直觉**：CAPM 预测 β = 1.5 的股票比 β = 0.5 的股票多 50% 的期望收益。但实际上两者差距远小于理论值，甚至低贝塔股票反而更赚钱。
+
+$$\text{BAB}_{i,t} = -\hat{\beta}_{i,t}^{(60D)}$$
+
+$$\hat{\beta}_{i,t} = \frac{\text{Cov}(r_i, r_{\text{mkt}})_{60D}}{\text{Var}(r_{\text{mkt}})_{60D}}$$
+
+**代码实现**（完全向量化，不用 Python 循环）：
+```python
+# 利用 pandas rolling 方法批量计算所有股票的滚动贝塔
+rolling_var_mkt = market_series.rolling(60).var()          # 市场方差
+rolling_cov     = log_ret_df.apply(
+    lambda col: col.rolling(60).cov(market_series)          # 各股协方差
+)
+rolling_beta_df = rolling_cov.div(rolling_var_mkt, axis=0)  # β = Cov/Var
+factor_bab      = -rolling_beta_df                           # 取负值
+```
+
+### 4.5 Amihud 非流动性因子（ILLIQ）— 流动性溢价
+
+**来源**：Amihud (2002) "Illiquidity and Stock Returns"
+
+$$\text{ILLIQ}_{i,t} = \frac{1}{D} \sum_{d=t-D}^{t} \frac{|r_{i,d}|}{V_{i,d}}$$
+
+| 符号 | 含义 |
+|------|------|
+| $|r_{i,d}|$ | 第 d 日的绝对日收益率 |
+| $V_{i,d}$ | 第 d 日的成交量（元） |
+| D = 20 | 过去 20 个交易日 |
+
+**含义**："每元成交量能引起多大的价格波动？"
+
+- ILLIQ 高 → 流动性差（小单也能推动价格）→ 投资者要求更高回报 → **流动性溢价 (Liquidity Premium)**
+
+---
+
+## 5. 因子预处理：三步标准化
+
+原始因子值"脏"得没法直接用，必须经过以下三步清洗：
+
+### Step 1：截面去极值（Winsorization）
+
+**问题**：某天某股票的动量值是 +500%（因为遭遇了重组事件），这个极端值会完全主导本日截面的相关系数计算。
+
+**解决**：在每个截面，将超出 $[\mu - 3\sigma, \mu + 3\sigma]$ 的值截断到边界。
+
+```
+原始:  [5%, 12%, 8%, 500%, -2%, 9%]
+       ↓
+去极值: [5%, 12%, 8%, 46%, -2%, 9%]   ← 500% 被截断到 3σ 边界
+```
+
+```python
+# 向量化实现（无 Python 循环）
+mu    = factor_df.mean(axis=1)    # 每日截面均值
+sig   = factor_df.std(axis=1)     # 每日截面标准差
+lower = (mu - 3 * sig).values[:, np.newaxis]   # 广播到矩阵形状
+upper = (mu + 3 * sig).values[:, np.newaxis]
+clipped = np.clip(factor_df.values, lower, upper)
+```
+
+### Step 2：截面 Z-score 标准化
+
+**问题**：动量因子单位是%（典型值 ±30%），ILLIQ 单位是极小的小数（1e-10 量级），无法比较和相加。
+
+**解决**：在每个截面，对因子进行 Z-score 标准化，使均值=0，标准差=1。
+
+$$z_{i,t} = \frac{x_{i,t} - \bar{x}_t}{\sigma_t}$$
+
+标准化后：
+- 不同因子量纲统一，可以直接相加（因子合成时需要）
+- Z-score > 0 → 该股票因子值高于同期平均
+- Z-score < 0 → 该股票因子值低于同期平均
+
+### Step 3：市值中性化（Market Cap Neutralization）
+
+**问题**：在 A 股市场，小市值股票往往同时具有高动量、高波动、低流动性。如果不剔除市值效应，动量因子可能只是在选小市值股票，并非真正的动量信号。
+
+**解决**：对 log(市值) 做 OLS 回归，用**残差**替换原因子值：
+
+$$\text{factor\_neutral}_i = \text{factor}_i - (\hat{\alpha} + \hat{\beta} \cdot \log(\text{mktcap}_i))$$
+
+```python
+# 每个截面: y = alpha + beta * x + residual
+y_c = factor_values     # (50,) 各股因子值
+x_c = log_mktcap_values # (50,) 各股对数市值
+
+xm, ym = x_c.mean(), y_c.mean()
+slope   = np.dot(x_c - xm, y_c - ym) / np.dot(x_c - xm, x_c - xm)
+residuals = y_c - (ym + slope * (x_c - xm))   # 市值中性化后的因子值
+```
+
+**形象比喻**：  
+这就像做标准化考试时，把"学生身高"这个干扰变量从"篮球成绩"中剔除——矮的学生篮球技术再好，也会因为身高被低估，剔除后才能真正比较技术水平。
+
+---
+
+## 6. IC 分析（Information Coefficient）
+
+### 6.1 IC 的定义
+
+$$\text{IC}_t = \text{SpearmanCorr}\left(\text{factor}_{t,\cdot},\ \text{return}_{t+H,\cdot}\right)$$
+
+在日期 t，计算截面 **Spearman 秩相关系数**：
+- 左侧：50 只股票在 t 日的因子值（处理后）
+- 右侧：这 50 只股票在未来 H=21 日的收益率
+
+**为什么用 Spearman 秩相关而不用 Pearson 线性相关？**
+
+| | Pearson | Spearman |
+|--|---------|----------|
+| 计算 | $(X - \bar{X}) \cdot (Y - \bar{Y})$ 的相关 | $\text{rank}(X)$ 与 $\text{rank}(Y)$ 的相关 |
+| 假设 | 线性关系 | 只需单调关系 |
+| 对极端值 | 敏感 | 鲁棒 |
+| 量化研究常用 | ○ | ✓ 更常用 |
+
+### 6.2 ICIR：IC 的信噪比
+
+$$\text{ICIR} = \frac{\text{IC 均值}}{\text{IC 标准差}}$$
+
+ICIR 就是"IC 序列的夏普比率"——衡量因子预测能力的**稳定性**：
+
+| ICIR | 含义 |
+|------|------|
+| < 0.3 | 不稳定，可能只是偶然 |
+| 0.3 ~ 0.5 | 有一定稳定性 |
+| > 0.5 | 稳定的 Alpha 信号 |
+
+### 6.3 IC 评价标准
+
+| 指标 | 强因子 | 有效因子 | 弱因子 |
+|------|--------|----------|--------|
+| \|IC 均值\| | > 0.10 | 0.05~0.10 | < 0.05 |
+| ICIR | > 0.5 | 0.3~0.5 | < 0.3 |
+| IC > 0 比率 | > 60% | 55%~60% | < 55% |
+
+### 6.4 本 Demo 的 IC 结果解读
+
+| 因子 | IC 均值 | ICIR | 解读 |
+|------|---------|------|------|
+| MOM ★ | +0.065 | +0.452 | 动量有效！因为高质量/高动量股票有持续的正 Alpha |
+| REV | -0.050 | -0.273 | 反转因子在此模型中"反着来"——短期涨的股票继续涨（动量效应更强）|
+| LVOL | -0.010 | -0.028 | 近乎无效——数据中没有注入"低波动溢价"的 Alpha |
+| BAB | -0.010 | -0.027 | 近乎无效——原因同上 |
+| ILLIQ | +0.009 | +0.058 | 极弱——有轻微的流动性溢价信号 |
+
+> **学习要点**：IC 近零不代表因子"写错了"，而是反映了**数据生成机制**。本 Demo 的合成数据中，Alpha 主要来自质量和动量因子，所以 MOM 有效而 LVOL/BAB 无效。真实市场中，多个因子通常都有正 IC，但有时某种因子会在特定市场环境（regime）下失效。
+
+---
+
+## 7. 分层回测（Quantile Analysis）
+
+### 7.1 方法步骤
+
+分层回测是最直观的因子验证方式：
+
+```
+① 在每个调仓日 T，按因子值对 50 只股票从小到大排序
+② 等分成 5 组（Q1=最低 20%，Q5=最高 20%）
+③ 各组各构建等权组合，持有 21 天
+④ 记录各组收益，持续到回测结束
+```
+
+**期望的理想结果**：
+```
+累积收益: Q5 > Q4 > Q3 > Q2 > Q1   （单调递增）
+```
+
+如果因子有效，Q5（因子分最高）应该持续跑赢 Q1（因子分最低）。
+
+### 7.2 本 Demo 的 MOM 因子分层结果
+
+| 分组 | 年化收益 | 含义 |
+|------|----------|------|
+| Q1（最低动量）| -8.9% | 过去一年最弱势的股票，未来继续弱 |
+| Q2 | -12.7% | 偏弱 |
+| Q3 | -5.0% | 中性 |
+| Q4 | +9.7% | 偏强 |
+| Q5（最高动量）| +27.9% | 过去一年最强势的股票，未来继续强 |
+| **L-S（Q5-Q1）**| **+40.1%** | 多空价差，几乎与市场涨跌无关 |
+
+虽然 Q2 < Q1 有轻微异常（不完全单调），但整体趋势清晰：**高动量 → 高未来收益**。
+
+### 7.3 分层回测的实现细节
+
+```python
+for i in range(len(rebal_dates) - 1):
+    t0, t1 = rebal_dates[i], rebal_dates[i + 1]   # 建仓日 / 平仓日
+
+    # 按因子值分组
+    labels = pd.qcut(
+        factor_today.rank(method='first'),  # 先取秩（避免重复值问题）
+        n_quantiles,                         # 分成 5 组
+        labels=["Q1", "Q2", "Q3", "Q4", "Q5"]
+    )
+
+    # 计算等权持有收益
+    hold_ret = price_df.loc[t1] / price_df.loc[t0] - 1.0
+    for q in ["Q1", "Q2", "Q3", "Q4", "Q5"]:
+        stocks_in_q = labels[labels == q].index
+        bucket_returns[q].append(hold_ret[stocks_in_q].mean())
+```
+
+**为什么先 `rank()` 再 `qcut()`？**  
+`qcut` 按数值边界分割，如果因子值有重复（e.g., 好几只股票 LVOL 恰好相同），分组会不均匀。先 `rank(method='first')` 将重复值也区分开（先出现的秩更低），再 `qcut` 就能保证每组大小相同。
+
+---
+
+## 8. 因子合成（Factor Combination）
+
+### 8.1 为什么要合成？
+
+单个因子的 IC 通常只有 0.05~0.10，预测能力有限。多因子合成的优势：
+
+1. **互补**：不同因子捕捉不同维度的 Alpha，合成后覆盖更多信息源
+2. **降噪**：单个因子可能在某些时期失效；多因子合成后整体更稳定
+3. **提升 ICIR**：若各因子 IC 不完全相关，合成后 ICIR > 单个因子的 ICIR
+
+用统计语言表达：设因子 A 和 B 各自 IC 均值 = $\mu$，IC 相关系数 = $\rho$，则：
+
+$$\text{ICIR}_{composite} = \frac{2\mu}{2\sigma\sqrt{(1+\rho)/2}} = \frac{\text{ICIR}}{\sqrt{(1+\rho)/2}}$$
+
+当 $\rho < 1$ 时，合成 ICIR > 单个 ICIR。这就是**多元化的价值**。
+
+### 8.2 两种合成方法
+
+**方法1：等权合成 (Equal-Weight Composite)**
+
+$$\text{Composite}_{EQ,i,t} = \frac{1}{N}\sum_{k=1}^{N} z_{k,i,t}$$
+
+- 优点：简单、稳健，不依赖历史 IC 估计，不容易过拟合
+- 缺点：对强因子和弱因子一视同仁
+
+**方法2：IC 加权合成 (IC-Weighted Composite)**
+
+$$w_k = \frac{\max(\overline{IC}_k, 0)}{\sum_j \max(\overline{IC}_j, 0)}, \quad \text{Composite}_{ICW,i,t} = \sum_{k=1}^{N} w_k \cdot z_{k,i,t}$$
+
+- 优点：给更强的因子更高权重，理论上 ICIR 更高
+- 缺点：历史 IC 可能不稳定（特别是样本期短时），有过拟合风险
+
+**本 Demo 结果**：
+
+| 方法 | IC 均值 | ICIR |
+|------|---------|------|
+| 等权合成 | +0.036 | +0.237 |
+| IC 加权 | +0.045 | +0.304 |
+
+IC 加权略好，因为它把更多权重给了最强的 MOM 因子（权重 88.4%）。
+
+---
+
+## 9. 多空组合（Long-Short Portfolio）
+
+### 9.1 构建逻辑
+
+多空策略是因子策略的"利润提取机制"：
+
+```
+每个调仓日（每月）:
+   ① 计算每只股票的合成因子分
+   ② 买入 Top 20%（因子分最高的 10 只）= 多头组合
+   ③ 做空 Bottom 20%（因子分最低的 10 只）= 空头组合
+   ④ 21 天后平仓，重复
+```
+
+### 9.2 市场中性（Market Neutral）
+
+多空组合最大的优点是**市场中性 (Market Neutral)**：
+
+```
+多空收益 = 多头组合收益 - 空头组合收益
+         = (Alpha_long + Beta_long × r_市场) - (Alpha_short + Beta_short × r_市场)
+         ≈ Alpha_long - Alpha_short    （若 Beta_long ≈ Beta_short，市场影响相消）
+```
+
+这意味着：**无论市场大涨大跌，多空组合只赚 Alpha，不受市场影响**。
+
+### 9.3 本 Demo 结果解读
+
+| 组合 | 年化收益 | 夏普比率 | 最大回撤 |
+|------|----------|----------|----------|
+| 多头 (Long) | +30.9% | 1.36 | -13.9% |
+| 空头 (Short) | -2.3% | -0.11 | -43.4% |
+| **多空 (L-S)** | **+33.9%** | **5.19** | **-0.4%** |
+
+多空 Sharpe 达到 5.19 并最大回撤仅 -0.4%——这是**演示数据** 注入了较强 Alpha 信号的结果，真实市场中通常 Sharpe 1-3 就算非常优秀的多空策略。
+
+### 9.4 A 股限制与现实考量
+
+> ⚠️ **A 股重要提示**：  
+> A 股融券做空受到严格限制，**普通投资者无法执行多空策略**。  
+> 多空策略主要适用于：港股、美股市场，或通过股指期货进行市场对冲。  
+> 在 A 股，因子策略通常只执行"多头"部分（买入高分股票），不做空低分股票。
+
+---
+
+## 10. 因子衰减（Factor Decay）
+
+### 10.1 什么是因子衰减？
+
+因子衰减曲线回答一个关键的实践问题：  
+**"这个因子的信号，在多少天后就失效了？"**
+
+我们对不同的持有期 H（1D, 5D, 10D, 21D, 42D, 63D）分别计算 IC：
+
+$$\text{IC}(H)_t = \text{SpearmanCorr}\left(\text{factor}_{t,\cdot},\ \text{return}_{t+H,\cdot}\right)$$
+
+如果 IC(H) 随 H 增大而快速降向 0，说明因子是"短期信号"，需要高频换仓。  
+如果 IC(H) 衰减缓慢，说明因子是"长期信号"，低频换仓也有效。
+
+### 10.2 本 Demo 的衰减结果
+
+| 持有期 | MOM (IC) | REV (IC) |
+|--------|----------|----------|
+| 1D | +0.067 | -0.043 |
+| 5D | +0.066 | -0.045 |
+| 10D | +0.065 | -0.046 |
+| 21D | +0.065 | -0.050 |
+| 42D | +0.061 | -0.027 |
+| 63D | +0.054 | -0.033 |
+
+**MOM（慢衰减）**：IC 从 1D 到 21D 几乎不变（+0.067 → +0.065），42D 以后才明显下降。  
+→ 说明动量信号在 1-3 个月内保持有效，**月频换仓足够**，不需要高频交易
+
+**REV（快变化）**：在 42D 处强度减弱（-0.027），62D 处轻微回升。  
+→ 反转信号在短期更强，长期减弱，适合**周频换仓**
+
+### 10.3 实践意义
+
+```
+快速衰减因子:
+  优点: 信号新鲜，短期预测准确
+  缺点: 必须高频换仓 → 高换手率 (Turnover) → 高交易成本
+  适合: 高频量化交易机构，有直连交易所的低手续费通道
+
+慢速衰减因子:
+  优点: 不需要频繁换仓，交易成本低
+  缺点: 信号滞后，无法捕捉短期机会
+  适合: 中低频量化（月频/季频）、散户量化尝试
+```
+
+---
+
+## 11. 结果解读与局限性
+
+### 11.1 为什么 LVOL 和 BAB 无效？
+
+在本 Demo 中，LVOL 和 BAB 的 IC ≈ 0，原因在于数据生成机制：
+
+我们只注入了**质量**和**动量** Alpha，没有注入"低波动溢价"或"低贝塔溢价"。因此，低波动率并不预示更高未来收益。
+
+在**真实市场**中，低波动因子在许多市场（美股、港股、A 股）都有实证支撑。本 Demo 的结果不能说明低波动因子无效——只能说明它在**这个特定的合成数据**中无效。
+
+### 11.2 合成数据的局限性
+
+| 局限 | 真实市场中不存在 | 本 Demo 简化了 |
+|------|-----------------|---------------|
+| 市场冲击 | 大单买卖会推高/压低价格 | 假设无限流动性 |
+| 交易成本 | 买卖价差、印花税、佣金 | 未扣除交易成本 |
+| 因子拥挤 | 大家都用同一个因子时，超额收益消失 | 未模拟 |
+| 财报数据 | 基本面因子需要财报，有发布延迟 | 未涉及 |
+| 风险暴露限制 | 真实组合需控制行业、风格暴露 | 无约束 |
+
+### 11.3 量化因子研究的注意事项
+
+1. **样本外验证（Out-of-Sample Test）**：IC 是在同一数据集上计算的，存在过拟合风险。实践中需要用样本外数据验证。
+2. **因子衰减与换仓成本的权衡**：IC 高不等于策略盈利，必须考虑换手成本是否侵蚀了因子收益。
+3. **市场环境（Regime）的影响**：动量因子在趋势市中有效，在剧烈波动的市场（如2020年3月）可能大幅失效。
+4. **因子拥挤（Factor Crowding）**：当太多资金追同一个因子时，因子溢价会被套利消除。
+
+---
+
+## 12. 术语速查表
+
+| 中文 | English | 简要说明 |
+|------|---------|----------|
+| Alpha 因子 | Alpha Factor | 能预测股票未来超额收益的数学信号 |
+| 超额收益 | Alpha | 超越市场基准的额外收益 |
+| 市场贝塔 | Market Beta (β) | 股票收益对市场收益的敏感度 |
+| 截面数据 | Cross-Sectional Data | 同一时间点多只股票的数据 |
+| 时间序列 | Time Series | 同一只股票随时间变化的数据 |
+| 因子动物园 | Factor Zoo | 学术界发现的 300+ 个因子的统称 |
+| 动量因子 | Momentum Factor | 基于过去 12-1 月累积收益的趋势延续信号 |
+| 动量效应 | Momentum Effect | 赢家继续赢、输家继续输的市场现象 |
+| 短期反转 | Short-Term Reversal | 短期内价格过度波动后的均值回归 |
+| 低波动异象 | Low Volatility Anomaly | 低波动股票收益反而更高，违反 CAPM |
+| 非流动性 | Illiquidity | 每单位成交量引起的价格波动幅度 |
+| 流动性溢价 | Liquidity Premium | 流动性差的资产额外要求的收益补偿 |
+| 低贝塔 | Low Beta (BAB) | 贝塔系数低的股票，与市场敏感性低 |
+| 赌对低贝塔 | Betting Against Beta | Frazzini & Pedersen 提出的低贝塔超额收益策略 |
+| Amihud 指标 | Amihud Illiquidity | \|r\|/成交量的均值，衡量流动性的经典指标 |
+| 去极值 | Winsorization | 将极端异常值截断到合理范围 |
+| 截面标准化 | Cross-Sectional Normalization | 在每个日期截面做 Z-score 标准化 |
+| Z-score | Z-score | (x - 均值) / 标准差，使均值=0，标准差=1 |
+| 市值中性化 | Market Cap Neutralization | 回归剔除市值因子对因子值的影响 |
+| 信息系数 | IC (Information Coefficient) | 因子值与未来收益的 Spearman 秩相关系数 |
+| IC 均值 | IC Mean | IC 时间序列的均值，衡量因子平均预测能力 |
+| IC 标准差 | IC Std | IC 时间序列的波动率，衡量因子稳定性 |
+| ICIR | ICIR (IC Information Ratio) | IC均值/IC标准差，类似因子的夏普比率 |
+| Spearman 秩相关 | Spearman Rank Correlation | 基于排名（秩）而非原始值的相关系数 |
+| Pearson 相关 | Pearson Correlation | 基于线性关系的相关系数 |
+| 持有期 | Holding Period (H) | 建仓到平仓的时间跨度 |
+| 分层回测 | Quantile Analysis / Bucket Test | 按因子值分组，对比各组未来收益 |
+| 五分位 | Quintile (Q1-Q5) | 将股票等分为 5 组 |
+| 等权组合 | Equal-Weight Portfolio | 每只股票持仓权重相同 |
+| 调仓日 | Rebalance Date | 重新计算因子并调整持仓的日期 |
+| 换手率 | Turnover | 每期组合发生变化的比例，越高交易成本越大 |
+| 因子合成 | Factor Combination | 将多个因子加权合成为一个综合因子 |
+| 等权合成 | Equal-Weight Composite | 所有因子等权相加的合成方法 |
+| IC 加权合成 | IC-Weighted Composite | 按各因子历史 IC 均值加权合成 |
+| 多因子模型 | Multi-Factor Model | 使用多个因子解释股票收益差异的模型 |
+| 多空组合 | Long-Short Portfolio | 做多高分股票、做空低分股票的中性化策略 |
+| 多头 | Long | 买入持有，期望价格上涨 |
+| 空头 | Short / Short Selling | 借入并卖出，期望价格下跌后回购获利 |
+| 多空价差 | Long-Short Spread | 多头组合收益 - 空头组合收益 |
+| 市场中性 | Market Neutral | 多空两侧的市场敝口相互对冲，净市场风险 ≈ 0 |
+| 因子衰减 | Factor Decay | 因子预测能力随持有期延长而减弱的现象 |
+| 市场环境 | Market Regime | 具有共同特征的特定市场状态（如牛市/熊市/震荡市）|
+| 因子拥挤 | Factor Crowding | 过多资金追逐同一因子导致溢价消失的现象 |
+| 样本外验证 | Out-of-Sample Test | 在训练数据之外的独立数据集上验证模型效果 |
+| 过拟合 | Overfitting | 模型过度适应训练数据，导致样本外表现差 |
+| 隐藏因子 | Hidden Factor / Latent Factor | 不可直接观察、只能间接估计的潜在驱动因子 |
+| 截面 | Cross-Section | 在同一时间点对多个实体的观察 |
+| OLS 回归 | OLS (Ordinary Least Squares) | 普通最小二乘法，用于因子中性化 |
+| 残差 | Residual | OLS 回归中因变量实际值与拟合值的差值 |
+
+---
+
+*上一篇：[事件驱动回测](doc_03_event_driven_backtest.md)*
+
+---
+
+## 附录：系列文档导航
+
+| 篇 | 文件 | 文档 | 核心内容 |
+|----|------|------|----------|
+| 第 1 篇 | `quant_data_pipeline_demo.py` | `doc_01_data_pipeline.md` | 复权、收益率、缺失值、异常值、涨跌停 |
+| 第 2 篇 | `quant_strategy_backtest_demo.py` | `doc_02_strategy_backtest.md` | 技术指标、策略逻辑、向量化回测、绩效指标 |
+| 第 3 篇 | `quant_event_driven_backtest_demo.py` | `doc_03_event_driven_backtest.md` | 事件驱动架构、6大组件、成本模型、与向量化对比 |
+| **第 4 篇** | `quant_alpha_factor_demo.py` | `doc_04_alpha_factor.md` | 因子构建、IC/ICIR、分层回测、因子合成、多空组合 |

doc_05_portfolio_optimization.md

@@ -0,0 +1,619 @@
+# 组合优化详解
+## `quant_portfolio_optimization_demo.py` 学习文档
+
+> **目标读者**：量化入门者，已完成前四篇学习  
+> **配套文件**：`quant_portfolio_optimization_demo.py`  
+> **系列位置**：第 5 篇 — 组合优化篇
+
+---
+
+## 目录
+
+1. [为什么需要组合优化？](#1-为什么需要组合优化)
+2. [核心数学框架：均值-方差优化](#2-均值-方差优化mean-variance-optimization)
+3. [协方差矩阵估计：从样本到收缩](#3-协方差矩阵估计)
+4. [有效前沿与资本市场线](#4-有效前沿与资本市场线)
+5. [三种特殊组合](#5-三种特殊组合)
+6. [风险平价：不依赖预期收益的方法](#6-风险平价risk-parity)
+7. [Black-Litterman 模型：贝叶斯框架](#7-black-litterman-模型)
+8. [带约束的组合优化](#8-带约束的组合优化)
+9. [滚动回测：五策略横向对比](#9-滚动回测)
+10. [结果解读](#10-结果解读)
+11. [术语速查表](#11-术语速查表)
+
+---
+
+## 1. 为什么需要组合优化？
+
+### 1.1 从"选股"到"构建组合"
+
+前几篇 Demo 告诉我们如何**选择好股票**（Alpha 因子）。但知道哪些股票好之后，下一个问题是：
+
+> "我手里有 20 只股票，分别该买多少？"
+
+这个问题看似简单，但影响极大：
+
+```
+方案1：每只股票买 5%（等权，最简单）
+方案2：只买最好的 3 只，各 33%（过度集中）
+方案3：根据各股的风险-收益特性，科学分配权重 ← 这就是组合优化
+```
+
+### 1.2 多元化的数学价值
+
+多元化 (Diversification) 的精华在于：**不同资产的涨跌不完全同步（相关系数 < 1），组合的风险可以低于各资产风险的加权平均**。
+
+$$\sigma_p = \sqrt{\sum_i \sum_j w_i w_j \sigma_{ij}} \leq \sum_i w_i \sigma_i$$
+
+其中 $\sigma_{ij} = \rho_{ij} \sigma_i \sigma_j$ 是协方差，$\rho_{ij}$ 是相关系数。
+
+**当 $\rho_{ij} < 1$ 时，等号不成立，组合波动率严格小于各股波动率的加权平均。**
+
+直觉例子：
+
+| 资产 | 波动率 | 情景 |
+|------|--------|------|
+| 科技股 A | 30% | 经济好时大涨，经济差时大跌 |
+| 医疗股 B | 25% | 与经济景气关联较小，独立波动 |
+| A+B 等权 | ≈ **20%**（低于 27.5%！）| 两者不完全相关，组合风险被"稀释" |
+
+### 1.3 优化的目标
+
+Harry Markowitz (1952) 在诺贝尔奖论文中指出，理性投资者应该：
+
+> **在承担相同风险的前提下，选择期望收益最高的组合；  
+> 在期望相同收益的前提下，选择风险最小的组合。**
+
+这就是"均值-方差框架 (Mean-Variance Framework)"的核心逻辑。
+
+---
+
+## 2. 均值-方差优化（Mean-Variance Optimization）
+
+### 2.1 问题形式
+
+组合优化的数学问题可以写成：
+
+$$\boxed{\min_{w}\ w'\Sigma w \quad \text{subject to} \quad w'\mu = \mu^*, \quad \mathbf{1}'w = 1, \quad w \geq 0}$$
+
+| 符号 | 含义 |
+|------|------|
+| $w$ | 权重向量 (weight vector), shape $(N, 1)$ |
+| $\Sigma$ | 协方差矩阵 (covariance matrix), shape $(N, N)$ |
+| $\mu$ | 预期收益向量 (expected return vector), shape $(N, 1)$ |
+| $\mu^*$ | 目标收益率 (target return) |
+| $\mathbf{1}'w = 1$ | 全投资约束 (full investment constraint) |
+| $w \geq 0$ | 多头约束 (long-only constraint) |
+
+这个问题在不同目标收益率 $\mu^*$ 下重复求解，就得到了**有效前沿**。
+
+### 2.2 算法：SLSQP（序列二次规划）
+
+本 Demo 使用 `scipy.optimize.minimize` 的 SLSQP 方法：
+
+```
+SLSQP = Sequential Least Squares Programming
+       序列二次规划法
+```
+
+SLSQP 每轮迭代将非线性约束优化问题近似为一个二次规划 (QP) 子问题，逐步收敛到最优解。
+
+```python
+from scipy.optimize import minimize
+
+result = minimize(
+    objective,                   # 目标函数（如最小化组合方差）
+    w0,                          # 初始权重（等权作为起点）
+    method='SLSQP',
+    bounds=[(0.0, 1.0)] * N,    # 权重区间：[0%, 100%]
+    constraints=[
+        {'type': 'eq', 'fun': lambda w: sum(w) - 1}  # 权重之和 = 1
+    ],
+    options={'ftol': 1e-12, 'maxiter': 1500}
+)
+```
+
+### 2.3 组合的三个核心指标
+
+给定权重 $w$、预期收益 $\mu$、协方差矩阵 $\Sigma$，可以计算：
+
+| 指标 | 公式 | 说明 |
+|------|------|------|
+| 组合收益率 | $r_p = w'\mu$ | 各股收益的加权平均 |
+| 组合波动率 | $\sigma_p = \sqrt{w'\Sigma w}$ | 关键！非线性，受协方差影响 |
+| 夏普比率 | $SR = (r_p - r_f) / \sigma_p$ | 单位风险的超额收益，越高越好 |
+
+---
+
+## 3. 协方差矩阵估计
+
+### 3.1 为什么协方差矩阵很重要？
+
+组合优化的结果对协方差矩阵的估计极其敏感。$\Sigma$ 的一个小误差，可能导致组合权重大幅波动——这是 Markowitz 框架在实践中最大的挑战。
+
+### 3.2 样本协方差矩阵的问题
+
+$$\hat{\Sigma}_{sample} = \frac{1}{T-1} \sum_{t=1}^{T} (r_t - \bar{r})(r_t - \bar{r})'$$
+
+**问题1：维度诅咒 (Curse of Dimensionality)**  
+估计一个 $N$ 只股票的协方差矩阵，需要估计 $N(N+1)/2$ 个参数。  
+20 只股票 → 210 个参数；50 只股票 → 1275 个参数  
+当 T（样本长度）与 N（资产数量）之比较小时（如 T/N < 5），估计误差极大。
+
+**问题2：条件数过高 (High Condition Number)**  
+
+```
+条件数 (Condition Number) = 最大特征值 / 最小特征值
+```
+
+条件数高意味着矩阵"病态"——求逆时微小误差被放大，优化结果不稳定。
+
+### 3.3 Ledoit-Wolf 收缩估计
+
+**核心思想**：将样本协方差矩阵向一个"结构化目标"方向收缩：
+
+$$\hat{\Sigma}_{LW} = (1-\alpha) \hat{\Sigma}_{sample} + \alpha \cdot F$$
+
+其中：
+- $F$ 是目标矩阵（如"单位矩阵×平均方差"），结构简单，估计误差小
+- $\alpha$ 是**最优收缩系数**（由数据自动决定，不需手动调参）
+
+**收缩的直觉**：  
+- 样本协方差：复杂，可能过度拟合历史数据
+- 目标矩阵：简单，但忽略了资产间真实相关性
+- 收缩后：二者的折中，在偏差和方差之间取平衡
+
+```python
+from sklearn.covariance import LedoitWolf
+lw = LedoitWolf()
+lw.fit(return_data)
+cov_shrunk      = lw.covariance_   # 收缩后的协方差矩阵
+shrink_coeff    = lw.shrinkage_    # 最优收缩系数 α（自动计算）
+```
+
+**本 Demo 结果**：
+- 样本协方差条件数：35.4
+- 收缩后条件数：34.0（收缩系数 α = 0.0098，很小 → 本数据质量较好，无需大幅收缩）
+
+---
+
+## 4. 有效前沿与资本市场线
+
+### 4.1 有效前沿（Efficient Frontier）
+
+**有效前沿**是所有"帕累托最优"组合的集合：
+- 在相同波动率下，收益最高
+- 在相同收益下，波动率最低
+
+有效前沿由两个端点确定：
+- **左端点**：全局最小方差组合 (GMV)——风险最低的点
+- **右端点**：单只股票（预期收益最高的那只，极度集中）
+
+```
+       ▲ 收益率
+       │         ×  ×       ←← 有效前沿
+       │       ×    MaxSharpe ●
+       │     ×    MinVar ●
+       │   ×   ×   ×
+       │  × × × ×
+       │────────────────────→ 波动率
+```
+
+位于有效前沿**左下方**的是"劣势组合"——存在一个前沿组合，既有更高收益、又有更低风险。
+
+### 4.2 资本市场线（Capital Market Line, CML）
+
+引入无风险资产（如国债，年化收益率 $r_f = 2\%$）后：
+
+- 投资者可以在"无风险资产"和"某个风险组合"之间分配资金
+- 最优的风险组合就是从 $r_f$ 出发，与有效前沿相切的那点——**切线组合 (Tangency Portfolio)**，也叫**最大夏普组合**
+
+资本市场线的方程：
+
+$$r_p = r_f + SR_{tangency} \times \sigma_p$$
+
+- 斜率 $SR_{tangency}$ 就是切线组合的夏普比率
+- **任何有效投资者都应该持有切线组合**（可以加上无风险资产来调节总风险）
+
+---
+
+## 5. 三种特殊组合
+
+### 5.1 等权组合（Equal Weight, EW）
+
+$$w_i = \frac{1}{N} \quad \forall i$$
+
+**优点**：
+- 最简单，无需任何参数估计
+- 对估计误差完全免疫
+- 实证研究发现，等权组合在许多市场中难以被复杂模型超越（"1/N 难题"）
+
+**缺点**：
+- 完全忽略各股的风险差异（高波动股和低波动股同等对待）
+- 没有利用任何收益预测信息
+
+### 5.2 最小方差组合（Minimum Variance Portfolio, MinVar）
+
+$$\min_w\ w'\Sigma w \quad \text{s.t.}\ \mathbf{1}'w=1,\ w\geq 0$$
+
+**重要特点**：**完全不需要预期收益 $\mu$ 的估计！**
+
+这是一个极大的优势——预期收益 $\mu$ 是非常难以估计的，而协方差矩阵 $\Sigma$ 相对更稳定（因为波动率和相关性的历史规律更具持久性）。
+
+**适用场景**：投资者没有可靠的收益预测，但希望最小化风险。
+
+**本 Demo 结果**：  
+- 收益 12.5%，波动 **18.5%**（所有策略中最低！），夏普 0.57  
+- 回测中夏普 1.005 — 体现了低波动的稳健性
+
+### 5.3 最大夏普组合（Maximum Sharpe / Tangency Portfolio）
+
+$$\max_w\ \frac{w'\mu - r_f}{\sqrt{w'\Sigma w}} \quad \text{等价于}\ \min_w\ -\text{SR}$$
+
+**这是理论上最优的风险组合**，但高度依赖对 $\mu$ 的准确估计。
+
+实践中的问题：
+
+1. **误差传导**：$\mu$ 的估计误差被优化器"放大"，产生极端权重
+2. **集中效应**：最大夏普组合常常把权重集中在少数几只"看起来最好"的股票上
+3. **过拟合**：历史中表现好的股票，未来未必继续好
+
+**本 Demo 结果**：  
+- 收益 50.4%，波动 **29.7%**（最高！），夏普 1.63（基于全期数据的理论值）  
+- 回测夏普 0.844 — 因为样本内最优 ≠ 样本外最优，存在过拟合
+
+---
+
+## 6. 风险平价（Risk Parity）
+
+### 6.1 核心思想
+
+等权组合 → 权重相等 → 但高波动股对组合风险贡献更大！
+
+风险平价 → **风险贡献相等** → 每只股票对总风险的贡献相同
+
+```
+等权组合中：
+  低波动股（σ=15%）权重 5% → 风险贡献 很小
+  高波动股（σ=35%）权重 5% → 风险贡献 很大  ← 实际上被高波动股"主导"
+
+风险平价组合：
+  低波动股（σ=15%）权重 大（≈10%）→ 风险贡献 = 1/N
+  高波动股（σ=35%）权重 小（≈2%）→ 风险贡献 = 1/N  ← 真正均衡
+```
+
+### 6.2 风险贡献的数学
+
+**边际风险贡献 (Marginal Risk Contribution, MRC)**：
+
+$$\text{MRC}_i = \frac{\partial \sigma_p}{\partial w_i} = \frac{(\Sigma w)_i}{\sigma_p}$$
+
+**绝对风险贡献 (Risk Contribution, RC)**：
+
+$$\text{RC}_i = w_i \times \text{MRC}_i = \frac{w_i \cdot (\Sigma w)_i}{\sigma_p}$$
+
+**验证**：$\sum_i \text{RC}_i = \sigma_p$（各股风险贡献之和 = 总波动率）
+
+**等风险贡献条件**：
+
+$$\frac{\text{RC}_i}{\sigma_p} = \frac{1}{N} \quad \Leftrightarrow \quad w_i \cdot (\Sigma w)_i = w_j \cdot (\Sigma w)_j \quad \forall i, j$$
+
+### 6.3 风险平价的优化问题
+
+$$\min_w \sum_i \left(\frac{\text{RC}_i}{\sigma_p} - \frac{1}{N}\right)^2$$
+
+这是一个非线性最小二乘问题（没有解析解），需要数值优化求解。
+
+```python
+def objective(w):
+    rc, sigma_p = risk_contributions(w, cov)
+    rc_pct = rc / sigma_p           # 各资产风险贡献占比
+    target = 1.0 / N                # 目标：1/N
+    return np.sum((rc_pct - target) ** 2)
+```
+
+**本 Demo 结果**：  
+- 各股 RC 最大偏差 = **0.000**（完美等风险贡献！）  
+- 收益 9.5%，波动 21.0%，夏普 0.36（因为低波动持仓更多低收益股）
+
+### 6.4 风险平价的适用场景
+
+| 场景 | 适合 | 理由 |
+|------|------|------|
+| 没有可靠的收益预期 | ✓ | 不需要 μ 估计 |
+| 管理多资产配置（股债商品）| ✓ | 各资产类别风险差异大 |
+| 需要稳健的长期策略 | ✓ | 比最大夏普更稳定 |
+| 单一股票池、收益差异明显 | △ | 可能过于保守 |
+
+---
+
+## 7. Black-Litterman 模型
+
+### 7.1 Markowitz 框架的根本缺陷
+
+**对预期收益的"蝴蝶效应"**：
+
+Markowitz 优化是一个"误差放大器"——$\mu$ 哪怕有 1% 的估计误差，权重可能变动 30%+。这导致实际使用中，最大夏普组合常常产生极度集中的"角点解"。
+
+Black-Litterman（1990）给出了一个优雅的解决方案：**从市场均衡出发，而不是从历史均值出发**。
+
+### 7.2 三步 BL 框架
+
+**第一步：建立先验（市场均衡隐含收益）**
+
+市场是所有投资者信息的综合。如果市场是均衡的，当前市值加权组合 $w_{mkt}$ 就是所有投资者的"最优"选择。
+
+反向推导这个最优选择对应的隐含收益（CAPM 均衡）：
+
+$$\Pi = \delta \cdot \Sigma \cdot w_{mkt}$$
+
+| 符号 | 含义 |
+|------|------|
+| $\Pi$ | 市场均衡隐含超额收益 (Market-implied excess returns) |
+| $\delta$ | 市场风险厌恶系数，通常取 2.0~3.0 |
+| $\Sigma$ | 协方差矩阵 |
+| $w_{mkt}$ | 市值权重组合 (Market cap weights) |
+
+这个先验的优点：**总是给出合理的、多元化的权重**，不会产生极端集中。
+
+---
+
+**第二步：表达投资者观点**
+
+投资者可以输入对特定股票（或组合）的主观看法：
+
+```
+观点矩阵 P (View matrix, K × N):
+  P[k, i] = 股票 i 在观点 k 中的权重（正=多头，负=空头）
+
+观点收益向量 Q (View returns, K × 1):
+  Q[k] = 观点 k 的预期超额收益
+
+观点不确定性矩阵 Ω (View uncertainty, K × K 对角矩阵):
+  Ω[k,k] 越大 = 对第 k 个观点越不自信
+```
+
+本 Demo 的两个观点：
+
+```python
+# 观点1（绝对观点）: "S01 的年化超额收益将达到 +5%"
+P[0, 1] = 1.0
+Q[0]    = 0.05
+
+# 观点2（相对观点）: "S00 将比 S04 多赚 3%"
+P[1, 0] = +1.0   # S00 多头
+P[1, 4] = -1.0   # S04 空头
+Q[1]    = 0.03
+```
+
+---
+
+**第三步：贝叶斯更新，求后验预期收益**
+
+$$\mu_{BL} = \underbrace{\left[(\tau\Sigma)^{-1} + P'\Omega^{-1}P\right]^{-1}}_{\text{精度矩阵之和的逆}} \cdot \underbrace{\left[(\tau\Sigma)^{-1}\Pi + P'\Omega^{-1}Q\right]}_{\text{加权均值向量}}$$
+
+直观理解：
+- $(\tau\Sigma)^{-1}$ 越大 → 先验越"确定"，后验越接近先验 $\Pi$
+- $\Omega^{-1}$ 越大 → 观点越"确定"，后验越接近观点 $Q$
+- $\tau$ 是先验的"置信度调节参数"，通常取 0.025~0.10
+
+**本 Demo 结果**：  
+- BL 将 S00（观点2的受益者）权重从 5%（等权）调升至 **17.1%**  
+- 后验收益比均衡先验更集中在观点受益股  
+- 回测中 BL 夏普 **1.107**，Calmar **1.51**——所有策略中最优
+
+### 7.3 BL vs 直接 Markowitz
+
+| | 直接 Markowitz | Black-Litterman |
+|--|----------------|-----------------|
+| 先验 | 历史均值（含估计误差） | 市场均衡（反向优化，更稳定） |
+| 观点融入 | 直接修改 μ（极端敏感） | 贝叶斯混合（平滑过渡） |
+| 结果 | 容易极度集中 | 分散化程度好 |
+| 无观点时 | 结果无意义 | 退回到市值加权 |
+
+---
+
+## 8. 带约束的组合优化
+
+### 8.1 为什么需要约束？
+
+纯粹的 Markowitz 优化常常产生：
+- 单只股票权重 40%+（过度集中）
+- 某行业权重 0%（完全空缺某一行业的风险敞口）
+- 与上期持仓相差 80%（极高换手率 → 高交易成本）
+
+实际组合管理需要通过约束来控制这些问题。
+
+### 8.2 三类常见约束
+
+**约束1：权重上下限（集中度管理）**
+
+```python
+bounds = [(0.0, 0.15)] * N   # 每只股票：0% ≤ w_i ≤ 15%
+```
+
+**约束2：行业权重区间**
+
+```python
+# 每行业权重在 10%~35% 之间
+for sector_indices in SECTORS.values():
+    constraints.append({
+        'type': 'ineq',
+        'fun': lambda w: sum(w[sector_indices]) - 0.10   # ≥ 10%
+    })
+    constraints.append({
+        'type': 'ineq',
+        'fun': lambda w: 0.35 - sum(w[sector_indices])   # ≤ 35%
+    })
+```
+
+**约束3：换手率约束（交易成本控制）**
+
+```python
+# 本期与上期权重的 L1 距离 ≤ 50%
+# L1 distance = Σ |w_new,i - w_old,i|
+constraints.append({
+    'type': 'ineq',
+    'fun': lambda w: 0.50 - np.sum(np.abs(w - w_prev))
+})
+```
+
+**本 Demo 结果（带约束最大夏普）**：
+- 夏普 0.94（vs 无约束的 1.63）——约束降低了理论最优解的质量
+- 但实际上更可行：最大单股 15%，各行业 10%~35%，约束全部满足 ✓
+
+### 8.3 约束与优化效率的权衡
+
+```
+约束越多 → 可行域越小 → 最优解越差（理论值）
+约束越多 → 组合越分散 → 实际表现可能更好（防止过拟合）
+```
+
+这是组合管理的核心矛盾：**理论最优 vs 实践可行**。
+
+---
+
+## 9. 滚动回测
+
+### 9.1 滚动回测的必要性
+
+如果用全量历史数据估计 $\mu$ 和 $\Sigma$，再用"最优"权重买入，实际上**使用了未来信息**（前视偏差 / Look-Ahead Bias）——这样的回测结果不真实。
+
+正确做法：滚动窗口（Walk-Forward）回测
+
+```
+时间轴:  ──────── LOOKBACK ──────────────── 测试期 ──────────
+
+  t=0                 t=126      t=147      t=168  ...
+  │─── 估计期 126 天 ──│─ 持有21天 ─│─ 持有21天 ─│
+         ↑                 ↑
+       估计 μ、Σ         用新数据重新估计，重新优化
+```
+
+### 9.2 调仓流程
+
+```python
+for t in rebalance_dates:
+    # ① 用过去 126 天历史估计 μ 和 Σ
+    hist     = returns.iloc[t-126 : t]
+    mu_roll  = hist.mean() * 252
+    cov_roll = hist.cov() * 252
+
+    # ② 用当前估计重新计算各策略权重
+    w_minvar    = min_variance(mu_roll, cov_roll)
+    w_maxsharpe = max_sharpe(mu_roll, cov_roll)
+    # ...
+
+    # ③ 持有到下次调仓日，每日记录组合收益
+    for d in range(t, next_rebalance):
+        portfolio_return = w @ returns.iloc[d]
+```
+
+### 9.3 五策略对比结果
+
+| 策略 | 年化收益 | 年化波动 | 夏普比率 | 最大回撤 | Calmar |
+|------|----------|----------|----------|----------|--------|
+| 等权 EW | 17.6% | 22.4% | 0.70 | -22.3% | 0.79 |
+| 最小方差 MinVar | 21.6% | **19.5%** | 1.00 | -22.1% | 0.98 |
+| 最大夏普 MaxSharpe | **25.0%** | 27.2% | 0.84 | -24.5% | 1.02 |
+| 风险平价 RP | 17.3% | 21.6% | 0.71 | -21.7% | 0.80 |
+| **Black-Litterman BL** | **25.6%** | 21.3% | **1.11** | **-16.9%** | **1.51** |
+
+---
+
+## 10. 结果解读
+
+### 10.1 最小方差 vs 等权
+
+MinVar 收益比等权高 4%，波动比等权低 3%——用更复杂的优化换来了双向改善。  
+这通常在**样本量充足、协方差估计可靠**时发生。
+
+### 10.2 最大夏普的"过拟合"现象
+
+理论值：Sharpe = 1.63（全量数据）  
+回测值：Sharpe = 0.84（样本外）
+
+**下降 50%**——这就是过拟合的代价。滚动窗口估计出的 $\mu$ 不稳定，每次重估都有误差，导致权重频繁剧烈变动。
+
+### 10.3 Black-Litterman 为什么最好？
+
+1. **先验稳定**：从市场均衡出发，不过度依赖嘈杂的历史均值
+2. **观点有效**：本 Demo 中 S00/S01（科技/金融）确实注入了较高的 Alpha，观点与真实 Alpha 方向一致
+3. **不极端集中**：贝叶斯混合平滑了权重，避免了角点解
+
+> **注意**：如果投资者观点是错误的，BL 的结果可能比等权更差。BL 的价值在于"正确观点"的放大，而不是错误观点的保护。
+
+### 10.4 Calmar 比率与最大回撤
+
+$$\text{Calmar} = \frac{\text{年化收益}}{\text{最大回撤绝对值}}$$
+
+BL 策略 Calmar = 1.51，最大回撤仅 -16.9%，说明在每次大幅下跌时损失相对可控。这对于风险管理 (Risk Management) 极为重要——一个持续盈利但某年大幅亏损的策略，在实际操作中往往难以坚持。
+
+---
+
+## 11. 术语速查表
+
+| 中文 | English | 简要说明 |
+|------|---------|----------|
+| 组合优化 | Portfolio Optimization | 在约束下选择最优资产权重 |
+| 均值-方差框架 | Mean-Variance Framework | Markowitz (1952) 的经典框架 |
+| 权重向量 | Weight Vector (w) | 各资产的持仓比例 |
+| 协方差矩阵 | Covariance Matrix (Σ) | 资产收益率的协方差关系矩阵 |
+| 预期收益向量 | Expected Return Vector (μ) | 各资产的预期年化收益率 |
+| 多元化 | Diversification | 持有多种相关性低的资产，降低整体风险 |
+| 有效前沿 | Efficient Frontier | 给定风险下收益最高的组合集合 |
+| 全局最小方差组合 | Global Minimum Variance Portfolio (GMV) | 有效前沿的左端点，风险最低 |
+| 切线组合 | Tangency Portfolio | 资本市场线与有效前沿的切点，即最大夏普组合 |
+| 资本市场线 | Capital Market Line (CML) | 从无风险利率到切线组合并延伸的直线 |
+| 最大夏普组合 | Maximum Sharpe Portfolio | 夏普比率最高的组合 |
+| 无风险利率 | Risk-Free Rate (Rf) | 国债等无风险资产的收益率 |
+| 夏普比率 | Sharpe Ratio | (收益-无风险利率) / 波动率，衡量风险调整后收益 |
+| Calmar 比率 | Calmar Ratio | 年化收益 / 最大回撤，衡量下行风险调整后收益 |
+| 最大回撤 | Maximum Drawdown (MDD) | 历史上从高点到低点的最大跌幅 |
+| 样本协方差 | Sample Covariance | 用历史数据直接计算的协方差矩阵 |
+| 条件数 | Condition Number | 矩阵最大特征值/最小特征值之比，衡量矩阵"病态"程度 |
+| Ledoit-Wolf 收缩 | Ledoit-Wolf Shrinkage | 将样本协方差向结构化目标收缩，减少估计误差 |
+| 收缩系数 | Shrinkage Coefficient (α) | Ledoit-Wolf 中收缩强度的参数，由数据自动决定 |
+| 风险平价 | Risk Parity | 每只资产对组合总风险贡献相等的配置方法 |
+| 边际风险贡献 | Marginal Risk Contribution (MRC) | 增加该资产权重时组合波动率的变化率 |
+| 风险贡献 | Risk Contribution (RC) | 某资产对组合总风险的绝对贡献量 |
+| Black-Litterman | Black-Litterman (BL) | 贝叶斯框架，融合市场均衡先验与投资者观点 |
+| 先验 | Prior | 贝叶斯框架中引入观测数据之前的信念 |
+| 后验 | Posterior | 贝叶斯更新后，融合先验与观测的新信念 |
+| 观点矩阵 | View Matrix (P) | 表达投资者观点的矩阵，K观点 × N资产 |
+| 观点收益向量 | View Returns Vector (Q) | 各观点的预期收益 |
+| 观点不确定性矩阵 | View Uncertainty Matrix (Ω) | 对角矩阵，表达对各观点的置信度 |
+| 市场均衡隐含收益 | Market Equilibrium Implied Returns (Π) | CAPM均衡下，对应市值加权组合的隐含预期收益 |
+| 风险厌恶系数 | Risk Aversion Coefficient (δ) | 衡量投资者对风险-收益权衡的偏好参数 |
+| 绝对观点 | Absolute View | 对某资产预期收益的绝对判断（如"S01 将涨 5%"）|
+| 相对观点 | Relative View | 对两资产相对表现的判断（如"A 比 B 多赚 3%"）|
+| 全投资约束 | Full Investment Constraint | Σw_i = 1，所有资金都投入 |
+| 多头约束 | Long-Only Constraint | w_i ≥ 0，不允许卖空 |
+| 权重上限 | Weight Upper Bound | 单只资产的最大持仓比例限制 |
+| 行业权重约束 | Sector Weight Constraint | 限制某一行业的总持仓比例范围 |
+| 换手率约束 | Turnover Constraint | 限制新旧权重变化总量，控制交易成本 |
+| 换手率 | Turnover | Σ|w_new - w_old|，每次调仓时权重变动的总量 |
+| 前视偏差 | Look-Ahead Bias | 回测中错误地使用了未来才能获得的数据 |
+| 滚动回测 | Rolling / Walk-Forward Backtest | 用历史窗口估计参数，样本外验证的正确回测方式 |
+| SLSQP | Sequential Least Squares Programming | 序列最小二乘规划法，scipy 中常用的约束优化算法 |
+| 过拟合 | Overfitting | 模型过度拟合历史数据，样本外表现大幅下降 |
+| 角点解 | Corner Solution | 优化结果极度集中在少数资产，非分散化的极端解 |
+| 误差传导 | Error Propagation | 输入参数的微小误差被优化器放大后产生极端结果 |
+| 风险分散 | Risk Diversification | 通过多资产配置降低总组合风险的过程 |
+| 行业暴露 | Sector Exposure | 组合对某一行业的权重，影响风格风险 |
+
+---
+
+*上一篇：[Alpha 因子研究](doc_04_alpha_factor.md)*
+
+---
+
+## 附录：系列文档导航
+
+| 篇 | 文件 | 文档 | 核心内容 |
+|----|------|------|----------|
+| 第 1 篇 | `quant_data_pipeline_demo.py` | `doc_01_data_pipeline.md` | 复权、收益率、缺失值、异常值、涨跌停 |
+| 第 2 篇 | `quant_strategy_backtest_demo.py` | `doc_02_strategy_backtest.md` | 技术指标、策略逻辑、向量化回测、绩效指标 |
+| 第 3 篇 | `quant_event_driven_backtest_demo.py` | `doc_03_event_driven_backtest.md` | 事件驱动架构、6大组件、成本模型 |
+| 第 4 篇 | `quant_alpha_factor_demo.py` | `doc_04_alpha_factor.md` | 因子构建、IC/ICIR、分层回测、因子合成、多空组合 |
+| **第 5 篇** | `quant_portfolio_optimization_demo.py` | `doc_05_portfolio_optimization.md` | MVO、有效前沿、MinVar、MaxSharpe、风险平价、BL、约束优化 |

quant_portfolio_optimization_demo.py

@@ -0,0 +1,949 @@
+"""
+量化交易演示系列 第5篇：组合优化
+Quantitative Trading Demo Series - Part 5: Portfolio Optimization
+
+涵盖内容 / Topics Covered:
+  §0  合成股票池与因子模型       (Synthetic Universe & Factor Model)
+  §1  协方差矩阵估计              (Covariance Matrix Estimation)
+  §2  马科维兹均值-方差优化       (Markowitz Mean-Variance Optimization)
+  §3  有效前沿                    (Efficient Frontier)
+  §4  特殊组合：等权/最小方差/最大夏普  (Special Portfolios: EW / MinVar / MaxSharpe)
+  §5  风险平价                    (Risk Parity)
+  §6  Black-Litterman 模型        (Black-Litterman Model)
+  §7  带约束的组合优化            (Constrained Portfolio Optimization)
+  §8  滚动回测：五策略对比        (Rolling Backtest: 5-Strategy Comparison)
+  §9  可视化                      (9-Panel Visualization)
+
+依赖库 / Dependencies:
+  numpy, pandas, scipy, matplotlib, sklearn
+
+作者 / Author: Quant Demo Series
+"""
+
+# ── 无界面绘图模式，必须在 import pyplot 之前设置 ──
+# Headless plotting mode — MUST be set before importing pyplot
+import matplotlib
+matplotlib.use('Agg')
+
+import warnings
+warnings.filterwarnings('ignore')
+
+import numpy as np
+import pandas as pd
+import matplotlib.pyplot as plt
+import matplotlib.gridspec as gridspec
+from matplotlib.ticker import FuncFormatter
+from scipy.optimize import minimize
+
+# ── 随机种子（确保结果可复现）/ Random seed for reproducibility ──
+np.random.seed(42)
+
+# ── 中文字体配置 / Chinese font configuration ──
+plt.rcParams['font.sans-serif'] = [
+    'WenQuanYi Zen Hei', 'Arial Unicode MS', 'SimHei', 'DejaVu Sans'
+]
+plt.rcParams['axes.unicode_minus'] = False
+
+print("=" * 70)
+print("  量化交易 组合优化演示")
+print("  Quantitative Trading: Portfolio Optimization Demo")
+print("=" * 70)
+
+
+# ══════════════════════════════════════════════════════════════════════
+# §0  合成股票池与行业因子模型
+#     Synthetic Universe & Sector Factor Model
+# ══════════════════════════════════════════════════════════════════════
+#
+# 使用 Barra 风格的因子模型生成收益率：
+# Returns are generated using a Barra-style factor model:
+#
+#   r_{i,t} = β_{mkt,i} × r_{mkt,t}          ← 市场因子 (Market factor)
+#           + Σ_k β_{sec,i,k} × f_{k,t}       ← 行业因子 (Sector factors)
+#           + α_i                              ← 个股 Alpha (Stock-specific alpha)
+#           + ε_{i,t}                          ← 特质噪音 (Idiosyncratic noise)
+
+N_STOCKS = 20          # 股票数量 (Number of stocks)
+N_YEARS  = 3           # 历史年数 (History in years)
+FREQ     = 252         # 年化因子 / 每年交易日数 (Annualization factor)
+RF       = 0.02        # 无风险利率 (Risk-free rate), 年化
+
+START_DATE = "2021-01-04"
+dates      = pd.bdate_range(START_DATE, periods=N_YEARS * FREQ)  # 工作日序列
+N_DAYS     = len(dates)
+
+# ── 行业分组 / Sector assignments ──
+SECTORS = {
+    "科技 Tech":       list(range(0,  5)),   # S00–S04
+    "金融 Finance":    list(range(5,  9)),   # S05–S08
+    "消费 Consumer":   list(range(9,  13)),  # S09–S12
+    "工业 Industrial": list(range(13, 17)),  # S13–S16
+    "医疗 Healthcare": list(range(17, 20)),  # S17–S19
+}
+SECTOR_NAMES  = list(SECTORS.keys())
+SECTOR_SHORT  = ["科技", "金融", "消费", "工业", "医疗"]
+N_SECTORS     = len(SECTORS)
+stock_names   = [f"S{i:02d}" for i in range(N_STOCKS)]
+
+# ── 行业公共因子收益率 / Sector factor daily returns ──
+sector_ann_ret = np.array([0.16, 0.10, 0.12, 0.08, 0.13])   # 各行业年化期望收益
+sector_ann_vol = np.array([0.25, 0.18, 0.20, 0.15, 0.22])   # 各行业年化波动率
+
+sector_factor_rets = np.zeros((N_DAYS, N_SECTORS))
+for k in range(N_SECTORS):
+    mu_d  = sector_ann_ret[k] / FREQ
+    sig_d = sector_ann_vol[k] / np.sqrt(FREQ)
+    sector_factor_rets[:, k] = np.random.normal(mu_d, sig_d, N_DAYS)
+
+# ── 市场公共因子 / Market common factor ──
+mkt_daily = np.random.normal(0.10 / FREQ, 0.18 / np.sqrt(FREQ), N_DAYS)
+
+# ── 各股的因子载荷（Beta 暴露）/ Factor loadings (Beta exposures) ──
+betas_mkt = np.random.uniform(0.6, 1.4, N_STOCKS)    # 市场 Beta
+betas_sec = np.zeros((N_STOCKS, N_SECTORS))            # 行业 Beta
+
+for k, (sname, sidx) in enumerate(SECTORS.items()):
+    for i in sidx:
+        betas_sec[i, k] = np.random.uniform(0.5, 1.0)   # 本行业：强载荷
+        for k2 in range(N_SECTORS):
+            if k2 != k:
+                betas_sec[i, k2] = np.random.uniform(0.0, 0.15)  # 其他行业：弱载荷
+
+# ── 个股特质波动率 / Idiosyncratic volatility ──
+idio_vols = np.random.uniform(0.12, 0.30, N_STOCKS) / np.sqrt(FREQ)
+idio_rets = np.random.normal(0, idio_vols, (N_DAYS, N_STOCKS))
+
+# ── 个股特质 Alpha / Stock-specific alpha ──
+# 科技股注入正 Alpha，让最大夏普组合有明显的倾向性
+idio_alpha = np.zeros(N_STOCKS)
+idio_alpha[:5]  = np.random.uniform(0.04, 0.09, 5) / FREQ   # 科技股：正 Alpha
+idio_alpha[5:9] = np.random.uniform(-0.02, 0.02, 4) / FREQ  # 金融股：中性
+
+# ── 合成日收益率矩阵 / Composite daily return matrix ──
+daily_ret_mat = np.zeros((N_DAYS, N_STOCKS))
+for i in range(N_STOCKS):
+    daily_ret_mat[:, i] = (
+        betas_mkt[i] * mkt_daily                       # 市场贡献
+        + betas_sec[i] @ sector_factor_rets.T          # 行业贡献（5 行业因子）
+        + idio_alpha[i]                                 # 个股 Alpha
+        + idio_rets[:, i]                               # 特质噪音
+    )
+
+ret_df    = pd.DataFrame(daily_ret_mat, index=dates, columns=stock_names)
+prices_df = (1 + ret_df).cumprod() * 100.0             # 从 100 元开始的价格序列
+
+# ── 市值权重（Black-Litterman 需要作为先验市场组合）──
+# Market-cap weights as Black-Litterman equilibrium prior
+mktcap_weights = pd.Series(
+    np.random.dirichlet(np.ones(N_STOCKS) * 2.0),
+    index=stock_names
+)
+
+ann_rets = (1 + ret_df).prod() ** (FREQ / N_DAYS) - 1
+print(f"\n[§0] 股票池生成完成 / Universe Generated")
+print(f"     股票数量 (Stocks):  {N_STOCKS} 只")
+print(f"     交易日数 (Days):    {N_DAYS} 天  {dates[0].date()} ~ {dates[-1].date()}")
+print(f"     行业数量 (Sectors): {N_SECTORS} 个")
+print(f"     个股年化收益区间:   {ann_rets.min():.1%} ~ {ann_rets.max():.1%}")
+
+
+# ══════════════════════════════════════════════════════════════════════
+# §1  协方差矩阵估计：样本 vs Ledoit-Wolf 收缩
+#     Covariance Matrix Estimation: Sample vs Ledoit-Wolf Shrinkage
+# ══════════════════════════════════════════════════════════════════════
+#
+# 协方差矩阵 (Covariance Matrix) Σ 是组合优化的核心输入。
+# 样本协方差矩阵 (Sample Covariance Matrix) 存在两个问题：
+#   1. 估计误差大（小样本情形，T/N 较小时）/ Large estimation error when T/N is small
+#   2. 条件数 (Condition Number) 高，矩阵"病态"，优化对估计误差非常敏感
+#
+# Ledoit-Wolf 收缩 (Ledoit-Wolf Shrinkage):
+#   Σ_shrunk = (1-α) × Σ_sample + α × F
+#   其中 F 是结构化目标矩阵（如对角矩阵），α 是最优收缩系数（数据驱动自动选择）
+#   F is a structured target matrix; α is the optimal shrinkage coefficient.
+
+# 样本协方差（年化） / Sample covariance (annualized)
+cov_sample = ret_df.cov() * FREQ
+mu_sample  = ret_df.mean() * FREQ   # 年化预期收益向量 (Annualized expected return vector)
+
+# Ledoit-Wolf 收缩估计 / Ledoit-Wolf shrinkage estimation
+try:
+    from sklearn.covariance import LedoitWolf
+    lw       = LedoitWolf()
+    lw.fit(ret_df.values)
+    cov_shrink   = pd.DataFrame(
+        lw.covariance_ * FREQ,
+        index=stock_names, columns=stock_names
+    )
+    shrink_alpha = lw.shrinkage_   # 最优收缩系数 α
+    USE_SHRINK   = True
+except ImportError:
+    cov_shrink   = cov_sample.copy()
+    shrink_alpha = 0.0
+    USE_SHRINK   = False
+
+print(f"\n[§1] 协方差估计 / Covariance Estimation")
+print(f"     样本协方差条件数 (Sample Cov Cond#):    {np.linalg.cond(cov_sample.values):.1f}")
+if USE_SHRINK:
+    print(f"     Ledoit-Wolf 收缩系数 (Shrinkage α):    {shrink_alpha:.4f}")
+    print(f"     收缩后条件数 (Shrunk Cov Cond#):        {np.linalg.cond(cov_shrink.values):.1f}")
+    print(f"     → 条件数降低意味着优化更稳健 / Lower cond# = more robust optimization")
+
+# 正式使用的协方差矩阵（收缩版更稳健）/ Use shrunk covariance for optimization
+cov_opt = cov_shrink if USE_SHRINK else cov_sample
+mu_opt  = mu_sample.copy()
+
+
+# ══════════════════════════════════════════════════════════════════════
+# §2  核心优化工具函数
+#     Core Optimization Utility Functions
+# ══════════════════════════════════════════════════════════════════════
+
+def portfolio_stats(weights, mu, cov, rf=RF):
+    """
+    计算组合的三个核心绩效指标（年化）
+    Compute 3 key portfolio statistics (annualized).
+
+    参数 / Args:
+        weights : np.ndarray, 权重向量 (weight vector), shape (N,)
+        mu      : pd.Series,  年化预期收益向量 (annualized expected returns)
+        cov     : pd.DataFrame, 年化协方差矩阵 (annualized covariance matrix)
+        rf      : float, 无风险利率 (risk-free rate)
+
+    返回 / Returns:
+        ret    : 组合年化收益率 (portfolio annualized return)
+        vol    : 组合年化波动率 (portfolio annualized volatility)
+        sharpe : 夏普比率 (Sharpe ratio) = (ret - rf) / vol
+    """
+    w      = np.asarray(weights)
+    ret    = float(w @ mu)                       # w'μ
+    var    = float(w @ cov.values @ w)           # w'Σw（组合方差）
+    vol    = np.sqrt(max(var, 1e-12))            # 组合波动率（年化）
+    sharpe = (ret - rf) / vol
+    return ret, vol, sharpe
+
+
+def _base_optimize(objective, n, bounds, extra_constraints=None):
+    """
+    通用 SLSQP 优化框架（内部使用）
+    Generic SLSQP optimization scaffold (internal use).
+
+    SLSQP = Sequential Least Squares Programming / 序列二次规划法
+    """
+    w0 = np.ones(n) / n           # 初始猜测：等权 (Initial guess: equal weight)
+    constraints = [{'type': 'eq', 'fun': lambda w: np.sum(w) - 1.0}]   # 全投资约束
+    if extra_constraints:
+        constraints.extend(extra_constraints)
+    return minimize(
+        objective, w0,
+        method='SLSQP',
+        bounds=bounds,
+        constraints=constraints,
+        options={'ftol': 1e-12, 'maxiter': 1500}
+    )
+
+
+def min_variance(mu, cov, allow_short=False):
+    """
+    最小方差组合 (Minimum Variance Portfolio, MinVar)
+
+    这是组合优化中最稳健的组合，因为它完全不依赖对预期收益的估计。
+    Most robust portfolio: it does NOT require any return estimates.
+
+    问题形式 / Optimization problem:
+        minimize    w'Σw
+        subject to  Σw_i = 1    (全投资约束 / full investment)
+                    w_i ≥ 0     (多头约束 / long-only, when allow_short=False)
+    """
+    n      = len(mu)
+    bnd    = (-0.3, 1.0) if allow_short else (0.0, 1.0)
+    bounds = [bnd] * n
+    result = _base_optimize(lambda w: w @ cov.values @ w, n, bounds)
+    return pd.Series(result.x, index=cov.index)
+
+
+def max_sharpe(mu, cov, rf=RF, allow_short=False):
+    """
+    最大夏普比率组合 / 切线组合 (Maximum Sharpe / Tangency Portfolio)
+
+    在均值-方差空间中，从无风险资产出发到有效前沿的切线点。
+    Tangency point from the risk-free asset to the efficient frontier (Capital Market Line).
+
+    技巧 / Trick:
+        max Sharpe  ≡  min -Sharpe  （把最大化转为最小化 / flip to minimization）
+    """
+    n      = len(mu)
+    bnd    = (-0.3, 1.0) if allow_short else (0.0, 1.0)
+    bounds = [bnd] * n
+
+    def neg_sharpe(w):
+        r, v, sr = portfolio_stats(w, mu, cov, rf)
+        return -sr
+
+    result = _base_optimize(neg_sharpe, n, bounds)
+    return pd.Series(result.x, index=cov.index)
+
+
+def efficient_portfolio(target_return, mu, cov):
+    """
+    目标收益下的最小方差组合（有效前沿上的一点）
+    Minimum-variance portfolio for a given target return (a point on efficient frontier).
+
+    问题形式 / Optimization problem:
+        minimize    w'Σw
+        subject to  w'μ = target_return   (收益约束 / return constraint)
+                    Σw_i = 1
+                    w_i ≥ 0
+    """
+    n   = len(mu)
+    bnd = (0.0, 1.0)
+    result = _base_optimize(
+        lambda w: w @ cov.values @ w, n,
+        bounds=[bnd] * n,
+        extra_constraints=[
+            {'type': 'eq', 'fun': lambda w: float(w @ mu.values) - target_return}
+        ]
+    )
+    return pd.Series(result.x, index=cov.index) if result.success else None
+
+
+# ══════════════════════════════════════════════════════════════════════
+# §3  有效前沿
+#     Efficient Frontier
+# ══════════════════════════════════════════════════════════════════════
+#
+# 有效前沿 (Efficient Frontier) 是所有"有效组合"的集合：
+#   → 在相同风险（波动率）下，收益最高
+#   → 在相同收益下，风险最低
+#
+# 有效前沿由两点确定：
+#   左端点：最小方差组合 (Global Minimum Variance Portfolio, GMV)
+#   右端点：预期收益最高的单只股票（极端集中）
+
+print(f"\n[§3] 计算有效前沿 / Computing Efficient Frontier...")
+
+# ── 计算关键节点组合 / Compute key special portfolios ──
+w_minvar    = min_variance(mu_opt, cov_opt)
+w_maxsharpe = max_sharpe(mu_opt, cov_opt, rf=RF)
+w_eq        = pd.Series(np.ones(N_STOCKS) / N_STOCKS, index=stock_names)
+
+ret_min, vol_min, sr_min = portfolio_stats(w_minvar,    mu_opt, cov_opt)
+ret_msr, vol_msr, sr_msr = portfolio_stats(w_maxsharpe, mu_opt, cov_opt)
+ret_eq,  vol_eq,  sr_eq  = portfolio_stats(w_eq,        mu_opt, cov_opt)
+
+# ── 扫描有效前沿 / Trace the efficient frontier ──
+n_pts           = 60
+ret_lo          = ret_min * 0.99
+ret_hi          = mu_opt.max() * 0.88
+frontier_rets   = []
+frontier_vols   = []
+
+for tgt in np.linspace(ret_lo, ret_hi, n_pts):
+    w_eff = efficient_portfolio(tgt, mu_opt, cov_opt)
+    if w_eff is not None:
+        r, v, _ = portfolio_stats(w_eff, mu_opt, cov_opt)
+        frontier_rets.append(r)
+        frontier_vols.append(v)
+
+# ── Monte Carlo 随机组合云（背景参照）/ Random portfolio cloud (background reference) ──
+N_RANDOM    = 3000
+rand_rets   = []
+rand_vols   = []
+rand_sharpes = []
+
+for _ in range(N_RANDOM):
+    w_r   = np.random.dirichlet(np.ones(N_STOCKS))   # 满足 w≥0, Σw=1 的随机权重
+    r, v, sr = portfolio_stats(w_r, mu_opt, cov_opt)
+    rand_rets.append(r)
+    rand_vols.append(v)
+    rand_sharpes.append(sr)
+
+print(f"     有效前沿点数 (Frontier points): {len(frontier_rets)}")
+print(f"     最小方差组合 (MinVar): 收益={ret_min:.1%}, 波动={vol_min:.1%}, 夏普={sr_min:.2f}")
+print(f"     最大夏普组合 (MaxSharpe): 收益={ret_msr:.1%}, 波动={vol_msr:.1%}, 夏普={sr_msr:.2f}")
+
+
+# ══════════════════════════════════════════════════════════════════════
+# §4  风险平价
+#     Risk Parity
+# ══════════════════════════════════════════════════════════════════════
+#
+# 核心思想：每只资产对组合总风险的贡献相等
+# Core idea: each asset contributes equally to total portfolio risk.
+#
+# 风险贡献 (Risk Contribution, RC) 的定义：
+#
+#   RC_i = w_i × ∂σ_p/∂w_i = w_i × (Σw)_i / σ_p
+#                               ↑ 边际风险贡献 (Marginal Risk Contribution, MRC)
+#
+# 等风险贡献条件 (Equal Risk Contribution):
+#   RC_i = σ_p / N  ←→  w_i × (Σw)_i = w_j × (Σw)_j  for all i, j
+#
+# 优化形式（最小化各股风险贡献比例与目标 1/N 的偏差平方和）：
+#   minimize  Σ_i (RC_i/σ_p − 1/N)²
+
+print(f"\n[§4] 计算风险平价组合 / Risk Parity Portfolio...")
+
+
+def risk_contributions(weights, cov):
+    """
+    计算每只资产的绝对风险贡献和风险贡献占比
+    Compute absolute risk contribution and risk contribution fraction for each asset.
+
+    Returns:
+        rc      : 绝对风险贡献向量 (Absolute Risk Contribution vector), shape (N,)
+        sigma_p : 组合总波动率 (Total portfolio volatility)
+    """
+    w       = np.asarray(weights)
+    sigma_p = np.sqrt(float(w @ cov.values @ w))          # 组合波动率 (Portfolio vol)
+    mrc     = cov.values @ w / sigma_p                     # 边际风险贡献 (MRC = ∂σ/∂w)
+    rc      = w * mrc                                      # 绝对风险贡献 (RC = w × MRC)
+    return rc, sigma_p
+
+
+def risk_parity(cov):
+    """
+    等风险贡献组合 (Equal Risk Contribution Portfolio)
+
+    约束：w_i ≥ 0 (严格多头，做空会有负的风险贡献，没有意义)
+    Strictly long-only: short positions would give negative RC (meaningless).
+    """
+    N  = cov.shape[0]
+    tgt = 1.0 / N         # 目标风险贡献占比 = 1/N
+
+    def objective(w):
+        rc, sigma_p = risk_contributions(w, cov)
+        rc_pct = rc / sigma_p         # 风险贡献占比 (RC fraction)
+        return np.sum((rc_pct - tgt) ** 2)
+
+    result = _base_optimize(
+        objective, N,
+        bounds=[(1e-6, 1.0)] * N    # 严格正数（不允许做空）
+    )
+    return pd.Series(result.x, index=cov.index)
+
+
+w_rp = risk_parity(cov_opt)
+rc_rp, sigma_rp = risk_contributions(w_rp, cov_opt)
+ret_rp, vol_rp, sr_rp = portfolio_stats(w_rp, mu_opt, cov_opt)
+
+rc_pct_rp    = rc_rp / sigma_rp
+max_rc_dev   = np.max(np.abs(rc_pct_rp - 1.0 / N_STOCKS))   # 与目标的最大偏差
+
+print(f"     风险平价组合: 收益={ret_rp:.1%}, 波动={vol_rp:.1%}, 夏普={sr_rp:.2f}")
+print(f"     风险贡献最大偏差 (Max RC deviation from 1/N): {max_rc_dev:.5f}")
+print(f"     → 接近 0 表示各股风险贡献几乎相等 / ≈0 means near-perfect equal RC")
+
+
+# ══════════════════════════════════════════════════════════════════════
+# §5  Black-Litterman 模型
+#     Black-Litterman Model
+# ══════════════════════════════════════════════════════════════════════
+#
+# 马科维兹优化的两大痛点 / Two pain points of Markowitz optimization:
+#   ① 预期收益 μ 难以估计，哪怕小幅误差也会导致权重大幅波动
+#      Expected returns are noisy; small errors cause wild weight swings.
+#   ② 结果过度集中（"角点解"），实际不可用
+#      Results are over-concentrated "corner solutions".
+#
+# Black-Litterman (1990) 的贝叶斯框架 / Bayesian framework:
+#   ① 先验 (Prior): 从市场均衡推导隐含收益（CAPM 反向优化）
+#                   Market-implied returns from reverse-optimizing CAPM.
+#   ② 观点 (Views): 投资者对某些股票/组合的主观预期
+#                   Investor's subjective views on specific stocks/portfolios.
+#   ③ 后验 (Posterior): 贝叶斯更新，先验与观点的加权混合
+#                        Bayesian posterior blending prior and views.
+#
+# 后验均值公式 / Posterior mean formula (He & Litterman, 1999):
+#
+#   μ_BL = [(τΣ)⁻¹ + P'Ω⁻¹P]⁻¹  ×  [(τΣ)⁻¹Π + P'Ω⁻¹Q]
+#           ─────────────────────    ──────────────────────
+#             精度矩阵之和               加权均值向量
+#             Sum of precision          Weighted mean vector
+#
+#   Π = δ × Σ × w_mkt   ← 市场均衡隐含超额收益 (Market equilibrium implied returns)
+#   δ = 风险厌恶系数 (Risk aversion coefficient)
+#   τ = 先验收缩参数 (Prior scaling factor), 通常 0.025~0.10
+#   P = 观点矩阵 K×N (View matrix, K views, N assets)
+#   Q = 观点收益向量 K×1 (View expected excess returns)
+#   Ω = 观点不确定性矩阵 K×K (View uncertainty / confidence matrix)
+
+print(f"\n[§5] Black-Litterman 模型 / Black-Litterman Model...")
+
+DELTA = 2.5     # 风险厌恶系数 (Risk aversion), 典型值 2.0~3.0
+TAU   = 0.05    # 先验收缩参数 (Prior scaling), 典型值 0.025~0.10
+
+# ─── Step 1: 计算市场均衡隐含超额收益 ───
+# Market equilibrium implied excess returns (Reverse Optimization of CAPM)
+# Π = δ × Σ × w_mkt
+w_mkt = mktcap_weights.values
+Pi    = DELTA * cov_opt.values @ w_mkt
+Pi_s  = pd.Series(Pi, index=stock_names)
+
+# ─── Step 2: 设定投资者观点 (Investor Views) ───
+#
+# 观点1 (View 1): "S01 的年化超额收益率将达到 +5%"（单资产绝对观点）
+#                 "S01 will earn +5% excess return per year" (absolute view)
+#
+# 观点2 (View 2): "S00 将比 S04 多赚 3%"（两资产相对观点）
+#                 "S00 will outperform S04 by 3%" (relative view)
+
+K = 2    # 观点数量 (Number of views)
+
+# P 矩阵：K × N；P[k, i] = 资产 i 在观点 k 中的权重（正=多头，负=空头）
+P         = np.zeros((K, N_STOCKS))
+P[0, 1]   =  1.0    # 观点1：仅 S01
+P[1, 0]   =  1.0    # 观点2：S00 多头
+P[1, 4]   = -1.0    #         S04 空头（相对观点）
+
+# Q 向量：观点的预期超额收益 (View expected excess returns)
+Q = np.array([0.05, 0.03])
+
+# Ω 矩阵：观点的不确定性（He & Litterman 建议的设置方式）
+# Ω = τ × diag(P Σ P')，对角元素越大表示该观点越不确定
+Omega     = np.diag(TAU * np.diag(P @ cov_opt.values @ P.T))
+Omega_inv = np.linalg.inv(Omega)
+
+# ─── Step 3: 贝叶斯更新，计算后验预期超额收益 ───
+# Bayesian posterior expected excess returns
+tau_cov_inv = np.linalg.inv(TAU * cov_opt.values)
+A           = tau_cov_inv + P.T @ Omega_inv @ P    # 精度矩阵之和
+b           = tau_cov_inv @ Pi + P.T @ Omega_inv @ Q
+
+mu_bl       = np.linalg.solve(A, b) + RF           # 后验 = 超额 + 无风险利率
+mu_bl_s     = pd.Series(mu_bl, index=stock_names)
+
+# ─── Step 4: 用后验收益做最大夏普优化 ───
+w_bl        = max_sharpe(mu_bl_s, cov_opt, rf=RF)
+ret_bl, vol_bl, sr_bl = portfolio_stats(w_bl, mu_bl_s, cov_opt)
+
+print(f"     市场均衡隐含收益范围: {Pi_s.min():.1%} ~ {Pi_s.max():.1%}")
+print(f"     BL 后验收益范围:      {mu_bl_s.min():.1%} ~ {mu_bl_s.max():.1%}")
+print(f"     BL 组合: 收益={ret_bl:.1%}, 波动={vol_bl:.1%}, 夏普={sr_bl:.2f}")
+print(f"     观点受益股（S01, S00）权重 BL: {w_bl['S01']:.1%}, {w_bl['S00']:.1%}")
+print(f"     观点受益股（S01, S00）权重 等权: {w_eq['S01']:.1%}, {w_eq['S00']:.1%}")
+
+
+# ══════════════════════════════════════════════════════════════════════
+# §6  带约束的组合优化
+#     Constrained Portfolio Optimization
+# ══════════════════════════════════════════════════════════════════════
+#
+# 实际组合管理中必须满足多重约束 / Real portfolios need multiple constraints:
+#   ① 单只股票权重上限（集中度管理）/ Max individual weight (concentration limit)
+#   ② 行业权重区间（风格/行业暴露管理）/ Sector weight bounds (style control)
+#   ③ 换手率约束（控制交易成本）/ Turnover constraint (transaction cost control)
+#
+# 换手率 (Turnover) 的定义：
+#   Turnover = Σ_i |w_new,i - w_old,i| / 2   （双边换手率，除以 2 避免重复计算）
+#   或简化为 L1 距离：Σ_i |w_new,i - w_old,i|
+
+print(f"\n[§6] 带约束的最大夏普组合 / Constrained Max-Sharpe Portfolio...")
+
+MAX_STOCK_WT  = 0.15   # 单只股票最大 15% / Max 15% per stock
+MAX_SECTOR_WT = 0.35   # 单行业最大 35% / Max 35% per sector
+MIN_SECTOR_WT = 0.10   # 单行业最小 10% / Min 10% per sector
+MAX_TURNOVER  = 0.50   # 最大换手率 50% / Max 50% one-way turnover
+
+w_prev = np.ones(N_STOCKS) / N_STOCKS   # 上期持仓（假设为等权）
+
+n   = N_STOCKS
+w0  = np.ones(n) / n
+
+extra_cons = []
+
+# 约束1: 行业权重上下限
+for sname, sidx in SECTORS.items():
+    def make_lb(idx): return lambda w: np.sum(w[idx]) - MIN_SECTOR_WT
+    def make_ub(idx): return lambda w: MAX_SECTOR_WT - np.sum(w[idx])
+    extra_cons.append({'type': 'ineq', 'fun': make_lb(sidx)})   # ≥ 10%
+    extra_cons.append({'type': 'ineq', 'fun': make_ub(sidx)})   # ≤ 35%
+
+# 约束2: 换手率约束（L1 距离 ≤ 50%）
+extra_cons.append({'type': 'ineq',
+                   'fun': lambda w: MAX_TURNOVER - np.sum(np.abs(w - w_prev))})
+
+result_c = _base_optimize(
+    lambda w: -portfolio_stats(w, mu_opt, cov_opt, RF)[2],   # 最小化负夏普
+    n,
+    bounds=[(0.0, MAX_STOCK_WT)] * n,
+    extra_constraints=extra_cons
+)
+w_constrained = pd.Series(result_c.x, index=stock_names)
+ret_c, vol_c, sr_c = portfolio_stats(w_constrained, mu_opt, cov_opt)
+
+print(f"     带约束最大夏普: 收益={ret_c:.1%}, 波动={vol_c:.1%}, 夏普={sr_c:.2f}")
+print(f"     最大单股权重: {w_constrained.max():.1%}  (约束 ≤{MAX_STOCK_WT:.0%})")
+for sname, sidx in SECTORS.items():
+    sw = w_constrained.iloc[sidx].sum()
+    ok = "✓" if MIN_SECTOR_WT <= sw <= MAX_SECTOR_WT else "✗"
+    print(f"     {ok} {sname}: {sw:.1%}")
+
+
+# ══════════════════════════════════════════════════════════════════════
+# §7  滚动回测：五策略对比
+#     Rolling Backtest: 5-Strategy Comparison
+# ══════════════════════════════════════════════════════════════════════
+#
+# 流程 / Workflow:
+#   每个调仓日 T（每月一次）:
+#     ① 用过去 LOOKBACK 天估计 μ 和 Σ
+#     ② 用当前估计值重新计算各策略权重
+#     ③ 用新权重持有到下次调仓日，每日记录组合收益
+#
+# 五种策略 / 5 Strategies:
+#   EW           : 等权（不需要优化）
+#   MinVar       : 最小方差（只需 Σ，不需要 μ）
+#   MaxSharpe    : 最大夏普（需要 μ 和 Σ）
+#   RiskParity   : 风险平价（只需 Σ）
+#   BL           : Black-Litterman（贝叶斯混合）
+
+print(f"\n[§7] 滚动回测 / Rolling Backtest...")
+
+LOOKBACK    = 126   # 协方差回看期（约 6 个月）/ 6-month estimation window
+REBAL_FREQ  = 21    # 调仓频率（约 1 个月）/ Monthly rebalancing
+
+STRATEGY_NAMES = [
+    "等权 EW",
+    "最小方差 MinVar",
+    "最大夏普 MaxSharpe",
+    "风险平价 RP",
+    "Black-Litterman BL",
+]
+
+# 初始化：回看期内用 0 填充（尚未开始实际持仓）
+daily_pnl = {name: [0.0] * LOOKBACK for name in STRATEGY_NAMES}
+
+# 当前持仓权重（初始为等权）
+cur_w = {name: np.ones(N_STOCKS) / N_STOCKS for name in STRATEGY_NAMES}
+
+rebal_idx = list(range(LOOKBACK, N_DAYS, REBAL_FREQ))
+
+for t_pos, t in enumerate(rebal_idx):
+    # 取过去 LOOKBACK 天的历史收益率
+    hist = ret_df.iloc[t - LOOKBACK: t]
+
+    # 估计滚动协方差矩阵（加微小正则化保证正定性）
+    # Rolling covariance (add tiny ridge term to ensure positive definiteness)
+    cov_r_arr = hist.cov().values * FREQ + 1e-7 * np.eye(N_STOCKS)
+    mu_r      = hist.mean() * FREQ
+    cov_r     = pd.DataFrame(cov_r_arr, index=stock_names, columns=stock_names)
+
+    try:
+        new_w = {}
+        new_w["等权 EW"]           = np.ones(N_STOCKS) / N_STOCKS
+        new_w["最小方差 MinVar"]    = min_variance(mu_r, cov_r).values
+        new_w["最大夏普 MaxSharpe"] = max_sharpe(mu_r, cov_r, rf=RF).values
+        new_w["风险平价 RP"]        = risk_parity(cov_r).values
+
+        # Black-Litterman 滚动版本：使用滚动先验 + 固定观点
+        Pi_r = DELTA * cov_r_arr @ mktcap_weights.values
+        try:
+            tci  = np.linalg.inv(TAU * cov_r_arr)
+            A_r  = tci + P.T @ Omega_inv @ P
+            b_r  = tci @ Pi_r + P.T @ Omega_inv @ Q
+            mu_bl_r = np.linalg.solve(A_r, b_r) + RF
+        except np.linalg.LinAlgError:
+            mu_bl_r = mu_r.values
+        new_w["Black-Litterman BL"] = max_sharpe(
+            pd.Series(mu_bl_r, index=stock_names), cov_r, rf=RF
+        ).values
+
+        cur_w = new_w
+
+    except Exception:
+        pass   # 优化失败时保持上期权重 / Keep previous weights if optimization fails
+
+    # 计算持有期内每日组合收益
+    next_t = rebal_idx[t_pos + 1] if t_pos + 1 < len(rebal_idx) else N_DAYS
+    for name in STRATEGY_NAMES:
+        w = cur_w[name]
+        for d in range(t, next_t):
+            daily_pnl[name].append(float(w @ ret_df.iloc[d].values))
+
+# 截齐到 N_DAYS（防止因最后一段超出）
+for name in STRATEGY_NAMES:
+    daily_pnl[name] = daily_pnl[name][:N_DAYS]
+
+# ── 计算净值曲线 (NAV Curves) ──
+nav_df = pd.DataFrame(
+    {name: (1 + pd.Series(daily_pnl[name], index=dates)).cumprod()
+     for name in STRATEGY_NAMES}
+)
+
+# ── 计算绩效指标 (Performance Metrics) ──
+perf_rows = []
+for name in STRATEGY_NAMES:
+    r_s     = pd.Series(daily_pnl[name][LOOKBACK:], index=dates[LOOKBACK:])
+    ann_ret = (1 + r_s).prod() ** (FREQ / len(r_s)) - 1    # 年化收益率 (Ann. return)
+    ann_vol = r_s.std() * np.sqrt(FREQ)                     # 年化波动率 (Ann. vol)
+    sharpe  = (ann_ret - RF) / ann_vol if ann_vol > 0 else 0
+    nav_s   = (1 + r_s).cumprod()
+    max_dd  = (nav_s / nav_s.cummax() - 1).min()           # 最大回撤 (Max drawdown)
+    calmar  = ann_ret / (-max_dd) if max_dd < 0 else 99.0  # Calmar 比率
+    perf_rows.append({
+        "策略": name, "年化收益": ann_ret, "年化波动": ann_vol,
+        "夏普比率": sharpe, "最大回撤": max_dd, "Calmar": calmar
+    })
+
+perf_df = pd.DataFrame(perf_rows).set_index("策略")
+
+print(f"\n     策略对比 / Strategy Comparison:")
+print(f"     {'策略':<28} {'年化收益':>8} {'年化波动':>8} {'夏普':>7} {'最大回撤':>9} {'Calmar':>8}")
+print(f"     {'─' * 65}")
+for name, row in perf_df.iterrows():
+    print(f"     {name:<28} {row['年化收益']:>8.1%} {row['年化波动']:>8.1%} "
+          f"{row['夏普比率']:>7.3f} {row['最大回撤']:>9.1%} {min(row['Calmar'], 99.0):>8.2f}")
+
+
+# ══════════════════════════════════════════════════════════════════════
+# §8  可视化：9 图综合面板
+#     9-Panel Visualization Dashboard
+# ══════════════════════════════════════════════════════════════════════
+
+print(f"\n[§8] 生成可视化图表 / Generating visualization...")
+
+# 颜色配置 / Color palette
+COLORS = {
+    "等权 EW":              "#888888",
+    "最小方差 MinVar":       "#2196F3",
+    "最大夏普 MaxSharpe":    "#FF5722",
+    "风险平价 RP":           "#4CAF50",
+    "Black-Litterman BL":   "#9C27B0",
+}
+PCT_FMT  = FuncFormatter(lambda x, _: f"{x:.0%}")
+PCT1_FMT = FuncFormatter(lambda x, _: f"{x:.1%}")
+DARK_BG  = '#1A1D27'
+LT       = '#E0E0E0'    # 浅色文字 (Light text)
+GRID_C   = '#2A2D3A'    # 网格颜色 (Grid color)
+
+fig = plt.figure(figsize=(22, 22), facecolor='#0F1117')
+fig.suptitle(
+    "量化组合优化演示  /  Portfolio Optimization Demo",
+    fontsize=18, color='white', y=0.98, fontweight='bold'
+)
+gs = gridspec.GridSpec(3, 3, figure=fig, hspace=0.42, wspace=0.32)
+
+ax1 = fig.add_subplot(gs[0, 0])   # 有效前沿 Efficient Frontier
+ax2 = fig.add_subplot(gs[0, 1])   # 组合权重堆叠 Portfolio Weights
+ax3 = fig.add_subplot(gs[0, 2])   # 行业权重对比 Sector Weights
+ax4 = fig.add_subplot(gs[1, 0])   # 净值曲线 NAV Curves
+ax5 = fig.add_subplot(gs[1, 1])   # 风险贡献 Risk Contribution (RP)
+ax6 = fig.add_subplot(gs[1, 2])   # 滚动夏普 Rolling Sharpe
+ax7 = fig.add_subplot(gs[2, 0])   # 月度收益箱形图 Monthly Return Box
+ax8 = fig.add_subplot(gs[2, 1])   # 相关系数热力图 Correlation Heatmap
+ax9 = fig.add_subplot(gs[2, 2])   # 绩效汇总表 Performance Table
+
+for ax in [ax1, ax2, ax3, ax4, ax5, ax6, ax7, ax8, ax9]:
+    ax.set_facecolor(DARK_BG)
+    ax.tick_params(colors=LT, labelsize=8)
+    for sp in ax.spines.values():
+        sp.set_edgecolor(GRID_C)
+
+# ── 图1：有效前沿 + 随机组合云 + 关键节点 ──
+# Efficient Frontier + Monte Carlo cloud + key portfolios
+ax1.set_title("有效前沿  Efficient Frontier", color=LT, fontsize=10, pad=6)
+ax1.scatter(rand_vols, rand_rets,
+            c=rand_sharpes, cmap='RdYlGn', vmin=0, vmax=2.5,
+            alpha=0.25, s=6, zorder=1)
+ax1.plot(frontier_vols, frontier_rets, '-', color='#FFD700', lw=2.2, zorder=4,
+         label='有效前沿')
+# 资本市场线 (Capital Market Line, CML) — 从无风险利率到最大夏普组合并延伸
+cml_x = np.linspace(0, vol_msr * 1.4, 50)
+cml_y = RF + sr_msr * cml_x
+ax1.plot(cml_x, cml_y, '--', color='#FFEB3B', lw=1.0, alpha=0.7,
+         zorder=3, label='资本市场线 CML')
+# 关键组合点
+specials = [
+    ("最小方差\nMinVar",   vol_min, ret_min, COLORS["最小方差 MinVar"]),
+    ("最大夏普\nMaxSharpe",vol_msr, ret_msr, COLORS["最大夏普 MaxSharpe"]),
+    ("等权\nEW",           vol_eq,  ret_eq,  COLORS["等权 EW"]),
+    ("风险平价\nRP",        vol_rp,  ret_rp,  COLORS["风险平价 RP"]),
+    ("BL",                 vol_bl,  ret_bl,  COLORS["Black-Litterman BL"]),
+]
+for label, v, r, c in specials:
+    ax1.scatter(v, r, s=100, color=c, zorder=6, edgecolors='white', lw=0.8)
+    ax1.annotate(label, (v, r), color=LT, fontsize=6,
+                 xytext=(5, 3), textcoords='offset points')
+# 无风险利率点 (Risk-free rate point)
+ax1.scatter(0, RF, s=80, color='yellow', zorder=6, marker='*')
+ax1.annotate(f"无风险\nRf={RF:.0%}", (0, RF), color='yellow', fontsize=6,
+             xytext=(4, 2), textcoords='offset points')
+ax1.xaxis.set_major_formatter(PCT_FMT)
+ax1.yaxis.set_major_formatter(PCT_FMT)
+ax1.set_xlabel("年化波动率 Volatility", color=LT, fontsize=8)
+ax1.set_ylabel("年化收益率 Return",    color=LT, fontsize=8)
+ax1.legend(fontsize=7, labelcolor=LT, facecolor=DARK_BG, edgecolor=GRID_C)
+ax1.grid(color=GRID_C, alpha=0.5)
+
+# ── 图2：各策略权重堆叠柱状图 ──
+# Stacked bar chart of portfolio weights
+ax2.set_title("组合权重  Portfolio Weights", color=LT, fontsize=10, pad=6)
+weight_order  = ["EW", "MinVar", "MaxSharpe", "RP", "BL"]
+weight_arrays = [w_eq.values, w_minvar.values, w_maxsharpe.values, w_rp.values, w_bl.values]
+bar_colors    = plt.cm.tab20(np.linspace(0, 1, N_STOCKS))
+bottoms       = np.zeros(len(weight_order))
+x_pos         = np.arange(len(weight_order))
+for i in range(N_STOCKS):
+    heights = [wa[i] for wa in weight_arrays]
+    ax2.bar(x_pos, heights, bottom=bottoms, color=bar_colors[i], width=0.72)
+    bottoms += heights
+ax2.set_xticks(x_pos)
+ax2.set_xticklabels(weight_order, color=LT, fontsize=9)
+ax2.yaxis.set_major_formatter(PCT_FMT)
+ax2.set_ylabel("权重 Weight", color=LT, fontsize=8)
+ax2.grid(axis='y', color=GRID_C, alpha=0.5)
+
+# ── 图3：行业权重对比（分组柱状图）──
+# Grouped bar chart: sector weights per strategy
+ax3.set_title("行业权重对比  Sector Weights", color=LT, fontsize=10, pad=6)
+x_sec  = np.arange(N_SECTORS)
+bw     = 0.15
+strat_colors_list = list(COLORS.values())
+for k, (wname, warr) in enumerate(zip(weight_order, weight_arrays)):
+    sec_wts = [np.sum(warr[SECTORS[s]]) for s in SECTOR_NAMES]
+    off     = (k - len(weight_order) / 2 + 0.5) * bw
+    ax3.bar(x_sec + off, sec_wts, width=bw,
+            color=strat_colors_list[k], label=wname, alpha=0.85)
+ax3.set_xticks(x_sec)
+ax3.set_xticklabels(SECTOR_SHORT, color=LT, fontsize=8)
+ax3.yaxis.set_major_formatter(PCT_FMT)
+ax3.axhline(MAX_SECTOR_WT, ls='--', color='#FF7043', lw=0.8, alpha=0.6,
+            label=f'上限 {MAX_SECTOR_WT:.0%}')
+ax3.legend(fontsize=6, labelcolor=LT, facecolor=DARK_BG, edgecolor=GRID_C,
+           ncol=2, loc='upper right')
+ax3.grid(axis='y', color=GRID_C, alpha=0.5)
+
+# ── 图4：净值曲线 ──
+ax4.set_title("净值曲线  NAV Curves", color=LT, fontsize=10, pad=6)
+for name in STRATEGY_NAMES:
+    is_key = "MaxSharpe" in name or "BL" in name
+    ax4.plot(nav_df.index, nav_df[name],
+             color=COLORS[name], lw=2.0 if is_key else 1.2,
+             alpha=1.0 if is_key else 0.7,
+             label=name.split(" ")[0])
+ax4.set_ylabel("净值 NAV", color=LT, fontsize=8)
+ax4.legend(fontsize=7, labelcolor=LT, facecolor=DARK_BG,
+           edgecolor=GRID_C, ncol=2)
+ax4.grid(color=GRID_C, alpha=0.5)
+ax4.xaxis.set_tick_params(rotation=20)
+
+# ── 图5：风险平价组合的风险贡献分解 ──
+# Risk contribution breakdown for Risk Parity portfolio
+ax5.set_title("风险贡献分布  Risk Contribution (RP)", color=LT, fontsize=10, pad=6)
+rc_sorted = pd.Series(rc_pct_rp * 100, index=stock_names).sort_values(ascending=False)
+bar_c = ['#4CAF50' if abs(v / 100 - 1.0 / N_STOCKS) < 5e-3
+         else '#FF7043' for v in rc_sorted]
+ax5.bar(range(N_STOCKS), rc_sorted.values, color=bar_c, alpha=0.85)
+ax5.axhline(100.0 / N_STOCKS, color='white', lw=1.2, ls='--',
+            label=f'目标 1/N={100/N_STOCKS:.1f}%')
+ax5.set_xticks(range(N_STOCKS))
+ax5.set_xticklabels(rc_sorted.index, rotation=45, fontsize=6, color=LT)
+ax5.set_ylabel("风险贡献 RC%", color=LT, fontsize=8)
+ax5.legend(fontsize=7, labelcolor=LT, facecolor=DARK_BG, edgecolor=GRID_C)
+ax5.grid(axis='y', color=GRID_C, alpha=0.5)
+
+# ── 图6：滚动夏普比率（63 日窗口）──
+# Rolling Sharpe ratio (63-day window)
+ax6.set_title("滚动夏普比率  Rolling Sharpe (63D)", color=LT, fontsize=10, pad=6)
+ROLL_WIN = 63
+for name in STRATEGY_NAMES:
+    r_s = pd.Series(daily_pnl[name], index=dates)
+    roll_sr = r_s.rolling(ROLL_WIN).apply(
+        lambda x: (x.mean() * FREQ - RF) / (x.std() * np.sqrt(FREQ) + 1e-10)
+    )
+    ax6.plot(dates, roll_sr, color=COLORS[name], lw=1.0,
+             alpha=0.85, label=name.split(" ")[0])
+ax6.axhline(0, color='white', lw=0.7, ls='--')
+ax6.set_ylabel("夏普比率 Sharpe", color=LT, fontsize=8)
+ax6.legend(fontsize=7, labelcolor=LT, facecolor=DARK_BG,
+           edgecolor=GRID_C, ncol=2)
+ax6.grid(color=GRID_C, alpha=0.5)
+ax6.xaxis.set_tick_params(rotation=20)
+
+# ── 图7：月度收益分布箱形图 ──
+# Monthly return distribution boxplot
+ax7.set_title("月度收益分布  Monthly Return Distribution", color=LT, fontsize=10, pad=6)
+monthly_rets = {}
+for name in STRATEGY_NAMES:
+    r_s = pd.Series(daily_pnl[name], index=dates)
+    monthly_rets[name.split(" ")[0]] = r_s.resample('M').apply(
+        lambda x: (1 + x).prod() - 1
+    ).values
+
+bp = ax7.boxplot(
+    list(monthly_rets.values()),
+    patch_artist=True,
+    labels=list(monthly_rets.keys()),
+    medianprops=dict(color='white', lw=1.5),
+    whiskerprops=dict(color=LT),
+    capprops=dict(color=LT),
+    flierprops=dict(marker='.', color='#888888', ms=3)
+)
+for patch, c in zip(bp['boxes'], list(COLORS.values())):
+    patch.set_facecolor(c)
+    patch.set_alpha(0.72)
+ax7.yaxis.set_major_formatter(PCT1_FMT)
+ax7.axhline(0, color='white', lw=0.6, ls='--')
+ax7.set_xticklabels(list(monthly_rets.keys()), color=LT, fontsize=8, rotation=15)
+ax7.grid(axis='y', color=GRID_C, alpha=0.5)
+
+# ── 图8：收益相关系数热力图（含行业分割线）──
+# Return correlation heatmap with sector dividers
+ax8.set_title("收益相关系数  Return Correlation Matrix", color=LT, fontsize=10, pad=6)
+corr = ret_df.corr().values
+im   = ax8.imshow(corr, cmap='RdYlGn', vmin=-0.2, vmax=1.0, aspect='auto')
+ax8.set_xticks(range(N_STOCKS))
+ax8.set_yticks(range(N_STOCKS))
+ax8.set_xticklabels(stock_names, rotation=90, fontsize=5.5, color=LT)
+ax8.set_yticklabels(stock_names, fontsize=5.5, color=LT)
+# 行业分割线 / Sector boundary lines
+sector_bounds = [0, 5, 9, 13, 17, 20]
+for b in sector_bounds[1:-1]:
+    ax8.axhline(b - 0.5, color='white', lw=0.9, alpha=0.8)
+    ax8.axvline(b - 0.5, color='white', lw=0.9, alpha=0.8)
+cb = plt.colorbar(im, ax=ax8, fraction=0.046, pad=0.04)
+cb.ax.tick_params(colors=LT, labelsize=7)
+
+# ── 图9：绩效汇总表 ──
+# Performance summary table
+ax9.axis('off')
+ax9.set_title("绩效汇总  Performance Summary", color=LT, fontsize=10, pad=6)
+col_labels = ["年化收益\nAnn.Ret", "年化波动\nAnn.Vol",
+              "夏普比率\nSharpe", "最大回撤\nMax DD", "Calmar\n比率"]
+row_labels = [n.split(" ")[0] for n in STRATEGY_NAMES]
+cell_data  = []
+for name in STRATEGY_NAMES:
+    r = perf_df.loc[name]
+    cell_data.append([
+        f"{r['年化收益']:+.1%}",
+        f"{r['年化波动']:.1%}",
+        f"{r['夏普比率']:.2f}",
+        f"{r['最大回撤']:.1%}",
+        f"{min(r['Calmar'], 99.0):.2f}",
+    ])
+
+tbl = ax9.table(cellText=cell_data, rowLabels=row_labels,
+                colLabels=col_labels, loc='center', cellLoc='center')
+tbl.auto_set_font_size(False)
+tbl.set_fontsize(8)
+tbl.scale(1.12, 2.0)
+for (row, col), cell in tbl.get_celld().items():
+    cell.set_facecolor(DARK_BG)
+    cell.set_edgecolor(GRID_C)
+    cell.set_text_props(color=LT)
+    if row == 0 or col == -1:
+        cell.set_facecolor('#2A2D3A')
+        cell.set_text_props(color='#FFD700', fontweight='bold')
+
+# 保存图表 / Save figure
+OUTPUT_FILE = "portfolio_optimization_demo.png"
+plt.savefig(OUTPUT_FILE, dpi=150, bbox_inches='tight',
+            facecolor=fig.get_facecolor())
+
+print(f"     图表已保存: {OUTPUT_FILE} / Chart saved: {OUTPUT_FILE}")
+
+print("\n" + "=" * 70)
+print("  演示完成！ Demo Complete!")
+print(f"  输出: {OUTPUT_FILE}")
+print("=" * 70)