🎯 今日核心问题
- 某只票涨到占你 35%,优化器还建议继续持有,听谁的?
- 「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?
- 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)
- 第一层,事前:单票 ≤10%、行业 ≤30%、现金 ≥5%、不加杠杆。这些是「永远不许破」的线。
- 第二层,事中:组合回撤 -15% 减仓至 50%,-25% 减仓至 20% 并停手复盘。分层减仓比一次性清仓温和,避免在最低点全砍。
- 第三层,事后:每次触发都写复盘:是模型错了、约束错了,还是市场真的进入新状态?不复盘的熔断只是随机交易。
【五】常见误区
- ❌ 用优化器输出的权重直接下单。优化器在协方差矩阵病态时会给出「一只票 60%」这种解,必须外部截断。
- ❌ 熔断后立刻满仓抄底。冷静期的意义就是让你别在最情绪化的时点做决定。
- ❌ 以为加了上限就不需要控制总仓位。上限控制的是「单点损失」,不控制「全市场同跌」——代码最后一段压力测试显示,全部下跌 20% 时,无论怎么设上限,组合都亏 20%。那时候能救你的只有仓位。
💻 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。