🎯 今日核心问题

  1. 某只票涨到占你 35%,优化器还建议继续持有,听谁的?
  2. 「最大回撤熔断」到底是救命还是自残?为什么有人装了它反而亏得更多?
  3. 行业上限设 30%,在 2015 年那种行情里真的有用吗?

📖 精读提纲

【一】优化器不会替你保住本金

前五天的方法都是在「给定约束下求最优」,问题是最优解常常落在你不该去的地方:协方差估偏、μ 估高,最优解就会给你一只票 40% 的权重。优化器不知道你只有 40 万、不知道你明年要用这笔钱。

所以核心不是「更聪明的优化」,而是在优化之上加一层不参与优化的硬约束。它的价值恰恰在于不讲道理——讲道理的约束会在模型「特别确信」时被突破,而那次突破往往就是爆仓那次。代码第一段:单票 39%、单行业 42% 的权重,约束后压到 10% 与 19.9%。

【二】单票上限与行业上限

单票上限通常 10%~15%(40 万账户约 4~6 万)。依据不是收益最大化,而是「这只票归零我也不死」:单票 10%,一只退市只损失 10%;单票 30%,一次黑天鹅就是三分之一回撤。A股退市、造假、突发停牌并不罕见。

行业上限通常 25%~35%。它防的是行业级共振:2021 年教育双减、医药集采、2023 年地产链,一个政策下来整个行业一起跌,持 5 只同行业票和持 1 只没区别。

两个技术细节:上限必须作用于「漂移后的权重」,只在调仓日检查等于没检查;超额部分怎么分配要写死,否则回测无法复现。apply_caps 用「循环分配 + 触顶截断」,20 轮收敛。

【三】最大回撤熔断:一把双刃剑

熔断的逻辑:组合从最高点回撤超过 X%(常见 10%~20%),强制清仓或减半并进入冷静期,之后重新建仓。

它有效的前提是回撤会继续扩大。2015 年 6 月、2018 年那种趋势性下跌里,熔断能在 -15% 救你出来;但 2020 年 3 月、2024 年 1 月那种 V 型反转里,它会在最低点清仓,然后你眼看着市场涨回 20%——这是熔断最常见的自残方式。

代码实测给出了一个不太好看的结论:5 年回测里,「无风控」年化 7.91%,「仅上限」8.59%,而「仅熔断」年化只有 -0.12%,5 次熔断累计空仓 445 个交易日。原因就是它每次都在熊市底部清仓、在反弹中错过。「仅上限」反而把年化拉高了 0.7 个点——因为它不猜方向,只是限制了集中度。这不是说熔断没用,而是说熔断的参数必须诚实面对 trade-off:阈值设得越紧(10%),越容易在假摔里被洗出去;设得越松(25%),越接近没用。

务实方案:阈值 15%~20%、冷静期 60~90 天、结束后分批建仓,并把「触发次数」当监控指标——5 年触发 4 次以上说明阈值太紧,你其实在做高成本的择时。

【四】风控的三层结构(建议照抄)

【五】常见误区

💻 代码示例

import numpy as np
import pandas as pd

np.random.seed(6)
N = 252 * 5
days = pd.bdate_range("2020-01-02", periods=N)
sectors = ["白酒", "医药", "半导体", "券商", "银行", "新能源"]

# 12 只票:每行业 2 只,行业内相关 0.70,行业间 0.35
n_stock, n_sec = 12, 6
sec_of = np.repeat(np.arange(n_sec), 2)
vol = np.random.uniform(0.22, 0.40, n_stock)
C = np.full((n_stock, n_stock), 0.35)
C[sec_of[:, None] == sec_of[None, :]] = 0.70
np.fill_diagonal(C, 1.0)
cov_d = np.outer(vol, vol) * C / 252
r = np.random.multivariate_normal(np.repeat(0.0011, n_stock), cov_d, N)
r[int(N * 0.55): int(N * 0.55) + 120] -= 0.0022      # 注入一段熊市(约 -40% 年化)
rets = pd.DataFrame(r, index=days,
                    columns=[s for s in sectors for _ in range(2)])

MAX_STOCK, MAX_SECTOR = 0.10, 0.30
DD_STOP, COOL_DAYS = 0.15, 90
BASE_W = np.repeat(1 / n_stock, n_stock)
CASH_R = 0.015 / 252                        # 冷静期持现金,按货币基金 1.5% 计息

def apply_caps(w, max_stock=MAX_STOCK, max_sector=MAX_SECTOR):
    """硬约束:单票上限 + 行业上限,超额部分循环分配给未触顶的名字"""
    w = np.minimum(np.asarray(w, float), max_stock).copy()
    for _ in range(20):
        for s in range(n_sec):
            idx = np.where(sec_of == s)[0]
            if w[idx].sum() > max_sector:
                w[idx] *= max_sector / w[idx].sum()
        free = np.array([w[i] < max_stock - 1e-9 and
                         w[sec_of == sec_of[i]].sum() < max_sector - 1e-9
                         for i in range(n_stock)])
        gap = 1 - w.sum()
        if gap <= 1e-9 or not free.any():
            break
        w[free] += gap / free.sum()
        w = np.minimum(w, max_stock)
    return w

def backtest(use_caps=False, use_circuit=False):
    w, equity, peak = BASE_W.copy(), 1.0, 1.0
    halted_until, in_halt, n_halt = -1, 0, 0
    for i in range(N):
        if use_circuit and i < halted_until:
            equity *= 1 + CASH_R                 # 冷静期:空仓持币
            in_halt += 1
            continue
        if use_circuit and i == halted_until:    # 冷静期结束,按原权重重建
            w, peak = BASE_W.copy(), equity      # 峰值重置为重建时的净值
        equity *= 1 + float(w @ rets.iloc[i].values)
        peak = max(peak, equity)
        if use_circuit and equity / peak - 1 <= -DD_STOP:
            halted_until, n_halt = i + COOL_DAYS, n_halt + 1
            continue
        w = w * (1 + rets.iloc[i].values) / (1 + float(w @ rets.iloc[i].values))
        if use_caps:
            w = apply_caps(w)                    # 上限作用于"漂移后"的权重
    return equity, in_halt, n_halt

print("══ 上限约束的效果(优化器给出一个严重集中的权重)══")
w_raw = np.array([0.30, 0.05, 0.39, 0.03, 0.03, 0.02, 0.03, 0.02,
                  0.05, 0.04, 0.02, 0.02])
w_cap = apply_caps(w_raw)
print("原始:", np.round(w_raw, 3), "单票最大", f"{w_raw.max():.1%}",
      "行业最大", f"{max(w_raw[sec_of == s].sum() for s in range(n_sec)):.1%}")
print("约束:", np.round(w_cap, 3), "单票最大", f"{w_cap.max():.1%}",
      "行业最大", f"{max(w_cap[sec_of == s].sum() for s in range(n_sec)):.1%}")

print("\n══ 5 年回测 ══")
for name, c, k in [("无风控", False, False), ("仅上限", True, False),
                   ("仅熔断", False, True), ("上限+熔断", True, True)]:
    e, h, n = backtest(c, k)
    print(f"{name:<10}终值 {e:>5.2f}  年化 {(e**(252/N)-1):>7.2%}"
          f"  空仓天数 {h:>4d}  熔断次数 {n:>2d}")

print("\n══ 压力测试:单日全部下跌 20%(上限救不了你)══")
for name, w in [("集中持仓", w_raw), ("上限约束后", w_cap)]:
    print(f"  {name:<10}单日亏损 {float(w @ np.repeat(-0.20, n_stock)):>7.2%}")

✏️ 今日动手

1) 检查你现在的持仓:最大单票占比多少?最大行业占比多少?如果单票超过 15%、行业超过 35%,写下减到上限需要的交易计划。

2) 用你组合的历史净值,画出「回撤曲线」,标出 -15% 和 -25% 的位置,看看如果当时熔断,后面 3 个月是继续跌还是反弹。这个答案决定了熔断阈值该设多少。

3) 把 DD_STOP 从 0.15 依次改成 0.10、0.20、0.30 各跑一次,记录年化与空仓天数。如果 0.30 和 0.15 的结果差不多,说明你的回测期没有足够深的熊市,不能用来定参数。

🔖 明日预告

这一周我们把「配多少、怎么配、什么时候调、怎么保命」串完了。明天是周总结:用同一批选股,分别按等权、市值加权、风险平价三种方式配置,跑一次完整的对比回测,把这一周的所有工具拼成一个能重复运行的脚本。