优化器

portfolio_optimize(order_book_ids, date, objective= MinVariance(), bnds=None, cons=None, benchmark=None, cov_model=CovModel.FACTOR_MODEL_DAILY)

参数

参数名	类型	说明
order_book_ids	list	股票代码列表
date	string	日期
objective		优化目标函数，默认MinVariance()
bnds	Dictionary	个股头寸约束
cons	list	约束条件
benchmark	string or OptimizeBenchmark	基准组合，默认为 None。支持股票指数，自定义基准需要继承自 OptimizeBenchmark 的类实例。
cov_model		协方差估计模型，默认为CovModel.FACTOR_MODEL_DAILY - 日度预测模型。 此外可选用CovModel.FACTOR_MODEL_MONTHLY- 月度预测模型， CovModel.FACTOR_MODEL_QUARTERLY - 季度预测模型
factor_risk_aversion	float	因子风险厌恶系数，默认为1
specific_risk_aversion	float	特异风险厌恶系数，默认为1
solver		使用指定的solver求解，默认为 None，表示使用默认的 solver
risk_model		风险模型版本，支持v1/v2
solver_options		solver 参数，如对于 MOSEK，可以传入 mosek_params=

OptimizeBenchmark自定义基准

get_weight(date)

获取日期的持仓权重。此函数必需实现。

参数

参数	数据类型	说明
date	datetime.date	必填参数，日期

返回

pandas.Series, index为order_book_id, value 为对应持仓权重

get_expected_returns(date, window=252)

获得日期的年化期望收益。 仅当使用 MaxInformationRatio / ActiveMeanVariance 目标函数， 且不指定 expected_active_returns 时需要实现此函数

参数

参数	数据类型	说明
date	datetime.date	必填参数，日期
window	int	回溯窗口大小，默认252

返回

float, 年化预期期望收益

示例

from rqoptimizer import *

class Benchmark(OptimizeBenchmark):
    def get_weight(self, date):
        return rqdatac.index_weights('000905.XSHG', date)

portfolio_optimize(order_book_ids, date, benchmark=Benchmark(), ...)

约束条件

优化器的约束条件中包含可选和不可选两类，具体说明如下：

• 不可选条件

  • 不能做空个股，不能加杠杆做多个股。通用公式如下，其中$w_i$为投资组合中个股$i$的权重：
  $$0<w_i<1$$
  • 投资组合为满仓组合。通用公式如下，若用户希望得到不满仓的优化权重，可对返回的优化结果乘以股票仓位比例。例如，若用户希望的现金和股票占比分别为 20%和 80%，则可对股票优化权重统一乘以 0.8：
  $${\mathrm{\Sigma }}_i{w}_i=1$$

• 可选条件

  • 个股头寸约束。通用公式如下，其中 $a$ 和 $b$ 分别为用户所选择的约束条件上下限：
  $$a<w_i<b$$
  • 基准成分股占比约束。通用公式如下：
  $$a\le {\mathrm{\Sigma }}_{i\in \mathrm{基}\mathrm{准}\mathrm{成}\mathrm{分}\mathrm{股}}{w}_i$$
  • 风格暴露约束。通用公式如下，其中$x_i$为投资组合中个股 i 的风格暴露度：
  $$a\le {\mathrm{\Sigma }}_{i\in style}{w}_i{x}_i<b$$
  • 行业权重约束。通用公式：
  $$a\le {\mathrm{\Sigma }}_{i\in industry}{w}_i<b$$
  • 行业内个股权重约束。通用公式：
  $$a{\mathrm{\Sigma }}_{i\in industry}{w}_i<w_i<b{\mathrm{\Sigma }}_{i\in industry}{w}_i$$
  • 追踪误差上限约束。通用公式如下，其中$\mathrm{\Sigma }$ 为收益协方差矩阵：
  $$\sqrt{(w_p-w_b{)}^T\mathrm{\Sigma }(w_p-w_b)}<b$$
  • 换手率上限约束。通用公式如下，其中$n$为$t-1$和$t$期曾持仓的股票总数量，$w_i(t-1)$和$w_i(t)$分别为$t-1$和$t$期股票$i$的权重：
  $${\mathrm{\Sigma }}_{i=1}^n|\frac{w_i(t)-w_i(t-1)}{2}|$$
  • 指数权重约束。通用公式如下，其中 $a$和$b$ 分别为用户所选择的约束条件上下限：
  $$a<{\mathrm{\Sigma }}_{i\in \mathrm{指}\mathrm{数}\mathrm{成}\mathrm{分}\mathrm{股}}{w}_i<b$$
  • 自定义组合权重约束。通用公式如下，其中 $a$和$b$ 分别为用户所选择的约束条件上下限：
  $$a<{\mathrm{\Sigma }}_{i\in \mathrm{股}\mathrm{票}\mathrm{池}\mathrm{成}\mathrm{分}\mathrm{股}}{w}_i<b$$

  • 成交量约束。在进行换手的情况下考虑，对换手的每个股票数量占该股票前 i 个交易日成交量的百分比进行约束

  • 成交量市值约束。在进行换手的情况下考虑，对换手的每个股票市值占该股票前 i 个交易日日总市值的百分比进行约束

个股头寸约束

bnds(Dictionary|None)

类型

Dictionary 或者 None，默认为 None。输入 Dictionary 时 key 为 order_book_ids，value 为对应股票的上下限组成的 tuple。当 key 为 '*' 时，表示所有未指定约束的股票均设置相同的权重上下限。

示例

以设置中国平安股票上下限为 5~ 10%，其它个股上下限约束为 0~5%为例，输入示例如下：

bnds={"000001.XSHG":(0.05,0.1),"*":(0,0.05)}

约束列表

cons(list|None)

类型

list 或者 None，默认为 None。若输入list，仅支持下述约束。

年化追踪误差上限约束

TrackingErrorLimit(upper_limit, hard=True)

参数

参数	数据类型	说明
upper_limit	float	年化追踪误差上限。例如 upper_limit 设置为 0.15，即表示年化追踪误差上限为 15%。
hard	bool	是否设置为硬约束。默认为 True，即优化结果不满足该约束时报错；若选择 False，即优化结果不满足该约束时，将去掉该约束重新优化。

示例

以设置年化追踪误差上限为 5%，约束类型为硬约束为例，输入示例如下：

cons = [TrackingErrorLimit(upper_limit=0.05, hard=True)]

当追踪误差约束类型为硬约束时，若优化器无法得到可行解时将抛出异常，导致优化器中断策略回测。为避免这种情况出现，优化器支持添加多个追踪误差限制。例如用户希望优化中可以满足追踪误差低于 8%的约束，若该约束无法满足，则允许放松追踪误差约束至 12%。其输入示例如下：

cons = [TrackingErrorLimit(upper_limit=0.08, hard=False),TrackingErrorLimit(upper_limit=0.12, hard=True)]

上述软硬约束的设置形式同样适用于换手率约束、风格约束、以及行业约束。

换手率约束

TurnoverLimit(current_holding, upper_limit, hard=True)

参数

参数	数据类型	说明
current_holding	pandas.Series	初始仓位权重，其中 index 是股票合约代码，value 是股票归一化权重。
upper_limit	float	换手率上限，例如 upper_limit 为 0.5 表示换手率上限为 0.5。
hard	bool	是否设置为硬约束。默认为 True，即优化结果不满足该约束时报错；若选择 False，即优化结果不满足该约束时，将去掉该约束重新优化。

示例

以设置换手率约束上限为 0.3，约束类型为硬约束为例，其输入示例如下：

cons = [TurnoverLimit(current_holding=current_holding, upper_limit=0.3, hard=True)]

其中 current_holding 变量类型为 pandas.Series，输入示例如下表所示：

order_book_id	weight
000001.XSHE	0.0940
000002.XSHE	0.1683
...	...

current_holding=pd.Series(data=[0.0940,0.01683,...], index=pd.Index(['000001.XSHE','000002.XSHE',...],name='order_book_id'),  name='weight')

基准成分股权重限制

BenchmarkComponentWeightLimit(lower_limit, hard=True)

参数

参数	数据类型	说明
lower_limit	float	基准成分股占比下限。若输入为 0.8，即优化结果中基准成分股权重之和不低于 80%。
hard	bool	是否设置为硬约束。默认为 True，即优化结果不满足该约束时报错；若选择 False，即优化结果不满足该约束时，将去掉该约束重新优化。

示例

cons = [BenchmarkComponentWeightLimit(lower_limit=0.8, hard=True)]

行业权重约束

IndustryConstraint(industries, lower_limit=None, upper_limit=None, relative=False, classification=IndustryClassification.SWS, hard=True)

参数

参数	数据类型	说明
industries	list or str	行业名称，只对单个行业有限制时，输入单个行业名称，若对多个行业有限制，输入多个行业名称的列表。
lower_limit	float	行业权重下限。默认为 None。
upper_limit	float	行业权重上限。默认为 None。
relative	bool	是否相对于基准的行业偏离约束。默认为 False。例如银行业的权重上下限分别设置为 0 和 0.02，当 relative 取值为 True 时，表示投资组合相对于基准组合的银行业权重的允许偏离为 0~2% ；若 relative 为 False，即表示投资组合的银行业目标权重约束为 0~2%。
classification		选择行业分类标准，默认'IndustryClassification.SWS' - 申万一级行业分类。可选'IndustryClassification.ZX' - 中信一级行业分类，或'IndustryClassification.SWS_1' - 申万一级行业分类金融细分（非银金融拆分成证券、保险和多元金额）。
hard	bool	是否设置为硬约束。默认为 True，即优化结果不满足该约束时报错；若选择 False，即优化结果不满足该约束时，将去掉该约束重新优化。

扩展

可指定除exclude列表外其他行业的权重限制，与IndustryConstraint 配合使用，可方便实现对所有行业的权重限制，API 如下：

WildcardIndustryConstraint(exclude=None, lower_limit=None, upper_limit=None, relative=False, classification=IndustryClassification.SWS, hard=True)

参数说明

参数 exclude （类型：list，默认 None）为排除的行业名称列表，其他参数含义与 IndustryConstraint 的参数含义一样。

示例

按照中信一级行业分类，以基准行业中性，允许偏离为 ±1%为例，其输入形式如下：

cons = [WildcardIndustryConstraint(lower_limit=-0.01, upper_limit=0.01, relative=True, classification=IndustryClassification.ZX,hard=True)]

行业内个股权重约束

IndustryComponentLimit(industry,lower_limit=None,upper_limit=None,classification=IndustryClassification.SWS,hard=True)

参数

参数	数据类型	说明
industry	str	行业名称。
lower_limit	float	个股占行业权重比例下限。默认为 None。
upper_limit	float	个股占行业权重比例上限。默认为 None。例如当前银行业权重为 20%，银行业内个股占行业权重比例的上下限分别为 10~30%，则银行业内个股在组合内实际权重上下限为 2%-6%。
classification		选择行业分类标准，默认 IndustryClassification.SWS - 申万一级行业分类。可选IndustryClassification.ZX - 中信一级行业分类，或 IndustryClassification.SWS_1 - 申万一级行业分类金融细分（非银金融拆分成证券、保险和多元金额）。
hard	bool	是否设置为硬约束。默认为 True，即优化结果不满足该约束时报错；若选择 False，即优化结果不满足该约束时，将去掉该约束重新优化。

示例

按照申万一级行业分类标准，银行业内个股占银行业总权重 10~30%为例，其输入形式如下：

cons = [IndustryComponentLimit (industry='银行',lower_limit=0.1, upper_limit=0.3, classification=IndustryClassification.SWS, hard=True)]

风格暴露度约束

StyleConstraint(styles, lower_limit=None, upper_limit=None, relative=False, hard=True)

风格字段及解释如下表：

风格因子字段	解释
beta	个股/投资组合收益对基准组合价格变动的敏感度
momentum	股票收益变化的总体趋势特征
size	上市公司的市值规模
earnings_yield	上市公司的营收能力
residual_volatility	个股残余收益的波动程度
growth	上市公司的营收增长情况
book_to_price	上市公司的股东权益-市值比，反映其估值水平
leverage	上市公司企业负债占资产比例，反映企业的经营杠杆率
liquidity	股票换手率，反映个股交易的活跃程度
non_linear_size	反映中等市值股票和大/小市值股票的表现差异

参数

参数	数据类型	说明
styles	str or list	约束风格因子字段列表，支持风格字段及其解释见上表。
lower_limit	float	风格暴露度约束下限。默认为 None。
upper_limit	float	风格暴露度约束上限。默认为 None。
relative	bool	是否相对于基准的风格偏离约束。默认为 False。例如 beta 因子的风格暴露度上下限取值为 0.1~0.3 ，若 relative 为 True，即表示投资组合相对于基准组合的 beta 暴露度约束为高 0.1~0.3 个标准差；若 relative 为 False，即表示投资组合的 beta 因子目标暴露度约束为 0.1~0.3 个标准差。
hard	bool	是否设置为硬约束。默认为 True，即优化结果不满足该约束时报错；若选择 False，即优化结果不满足该约束时，将去掉该约束重新优化。

扩展

可指定除exclude列表外的其它风格因子暴露度上下限。与WildcardIndustryConstraint类似。

WildcardStyleConstraint(exclude, lower_limit=None, upper_limit=None, relative=False, hard=True)

参数说明

参数exclude（类型：list，默认 None）为排除的风格因子列表，其他参数含义与StyleConstraint的参数含义一样。

示例

对特定风格因子添加约束。以设置贝塔因子暴露度正偏离 0.4 ~ 0.7 个标准差，市值因子暴露度在-0.3~0.3 之间，其他因子无约束为例，其输入示例如下：

cons = [StyleConstraint('beta', lower_limit=0.4,upper_limit=0.7, relative=False,hard=True),StyleConstraint('size', lower_limit=-0.3,upper_limit=0.3,relative=False,hard=True)]

对所有风格因子添加基准中性约束，其输入形式如下：

cons = [WildcardStyleConstraint(lower_limit=-0.3, upper_limit=0.3, relative=True, hard=True)]

对特定风格因子添加正/负偏离约束，对其它风格因子添加基准中性约束。例如用户认为贝塔因子正暴露能增强组合收益，则设置贝塔因子暴露度相对于基准正偏离 0.4~0.7 个标准差，其它因子与基准保持中性，允许偏离 ±0.3 个标准差，则输入示例如下：

cons = [StyleConstraint('beta', lower_limit=0.4,upper_limit=0.7,relative=True,hard=True),WildcardStyleConstraint(exclude=['beta'], lower_limit=-0.3, upper_limit=0.3, relative=True, hard=True)]

指数权重约束

IndexComponentLimit(index_code,lower_limit=None,upper_limit=None, hard=True)

参数

参数	数据类型	说明
index_code	str	指数代码
lower_limit	float	指数成分总占比下界。默认为 None。
upper_limit	float	指数成分总占比上界。默认为 None。
hard	bool	是否设置为硬约束。默认为 True，即优化结果不满足该约束时报错；若选择 False，即优化结果不满足该约束时，将去掉该约束重新优化。

示例

以设置沪深 300 权重为 10%-30%，约束类型为硬约束为例，输入示例如下：

cons = [IndexComponentLimit(index_code = '000300.XSHG',upper_limit = 0.3,lower_limit = 0.1, hard=True)]

自定义组合权重约束

StockPoolLimit (stock_list, lower_limit=None, upper_limit=None, hard=True)

参数

参数	数据类型	说明
stock_list	list	自定义股票列表。
lower_limit	float	组合内股票权重占比下界。默认为 None。
upper_limit	float	组合内股票权重占比上界。默认为 None。
hard	bool	是否设置为硬约束。默认为 True，即优化结果不满足该约束时报错；若选择 False，即优化结果不满足该约束时，将去掉该约束重新优化。

示例

与指数权重约束类似，用户自定义一个股票池，对其中的成分股占比进行上下限头寸约束为 10%-30%，输入示例如下：

cons = [StockPoolLimit(stock_list=['300357.XSHE', '001914.XSHE', '002901.XSHE', '002552.XSHE', '300482.XSHE'],
upper_limit=0.3, lower_limit=0.1, hard=True)]

成交量约束

TransactionVolumeLimit( current_holding=None, cash=None, window=1, stock_list=None, upper_limit=None, hard=True)

参数

参数	数据类型	说明
current_holding	float	当前持仓股票数量
cash	float	可用资金数量。默认为1
window	float	前几个交易日的平均交易量。默认为1
stock_list	list	需要约束的股票列表。
upper_limit	float	成交量占比上界。默认为 None。
hard	bool	是否设置为硬约束。默认为 True，即优化结果不满足该约束时报错；若选择 False，即优化结果不满足该约束时，将去掉该约束重新优化。

示例

以设置交易量占比上界约束为 0.01，约束类型为硬约束为例，输入示例如下：

cons = [TransactionVolumeLimit(current_holding=current_holding_num, upper_limit=0.01, cash=1000000, window=1,
stock_list=['300482.XSHE', '300659.XSHE', '000001.XSHE', '600004.XSHG', '603369.XSHG', '600529.XSHG'])]

成交量市值约束

TransactionMarketValueLimit (current_holding=None, upper_limit=None, cash=None, window=1, stock_list=None, hard=True)

参数

参数	数据类型	说明
current_holding	float	当前持仓股票数量
cash	float	可用资金数量。默认为1
window	float	前几个交易日的平均交易量。默认为1
stock_list	list	需要约束的股票列表。
upper_limit	float	交易市值占该股票总市值百分比上界。默认为 None。
hard	bool	是否设置为硬约束。默认为 True，即优化结果不满足该约束时报错；若选择 False，即优化结果不满足该约束时，将去掉该约束重新优化。

示例

以设置交易量市值约束为 0.05，约束类型为硬约束为例，输入示例如下：

cons = [TransactionMarketValueLimit (current_holding=current_holding_num, upper_limit=0.05, cash=1000000, window=1,
stock_list=['300482.XSHE', '300659.XSHE', '000001.XSHE', '600004.XSHG', '603369.XSHG', '600529.XSHG'])]

优化目标函数

objective()

优化器目标函数，支持的优化函数在下面详细介绍。

风险最小化

MinVariance()

当用户不指定objective时,默认使用MinVariance()作为优化函数。

主动风险最小化

MinActiveVariance()

均值方差

MeanVariance(expected_returns, window=126, risk_aversion_coefficient=1，transaction_cost_model=None)

参数

参数	数据类型	说明
expected_returns	pandas.Series	个股预期年化收益率，index 是股票 order_book_ids，value 是预期年化收益率（浮点数）。若预期收益率存在缺失值，则将缺失值以 0 填补。若预期收益全部缺失，则优化问题等价于方差最小化问题。若用户不传入该参数，则使用历史收益率估计。
window	int	预期年化收益率估计所使用的的历史收益率时间长度,仅在没有设置 expected_returns 参数时生效。默认为 252 个交易日，即使用最近 252 个交易日的个股日收益率计算预期年化收益率。
risk_aversion_coefficient	float	风险厌恶系数,默认为1。
transaction_cost_model		交易成本模型（惩罚项），默认None。详细解释见交易成本模型

示例

data = [ 0.02415139,  0.01156958, -0.01172305,  0.00391858, -0.00044541,0.0 ,  0.00153166, -0.00153848,-0.008744,0.004233]
stock_list =['601555.XSHG','300124.XSHE','002415.XSHE','600028.XSHG','002916.XSHE','600655.XSHG','600176.XSHG','601088.XSHG','002456.XSHE','601658.XSHG']
expected_returns = pd.Series(data, index=pd.Index(stock_list,name='order_book_id'))
objective =  MeanVariance(expected_returns=expected_returns)

主动均值方差

ActiveMeanVariance( expected_active_returns=None, window=252, risk_aversion_coefficient=1, transaction_cost_model=None)

参数

参数	数据类型	说明
expected_active_returns	pandas.Series	个股预期年化主动收益率，index 是股票 order_book_ids，value 是预期年化主动收益率（浮点数）。若预期主动收益率存在缺失值，则将缺失值以 0 填补。若预期主动收益全部缺失，则优化问题等价于方差最小化问题。若用户不传入该参数，则使用历史收益率估计。
window	int	预期年化主动收益率估计所使用的的历史收益率时间长度,仅在没有设置 expected_active_returns 参数时生效。默认为 252 个交易日，即使用最近 252 个交易日的个股日收益率计算预期年化主动收益率。
risk_aversion_coefficient	float	风险厌恶系数,默认为1。
transaction_cost_model		交易成本模型（惩罚项），默认None。详细解释见交易成本模型

示例

data = [ 0.02415139,  0.01156958, -0.01172305,  0.00391858, -0.00044541,0.0 ,  0.00153166, -0.00153848,-0.008744,0.004233]
stock_list =['601555.XSHG','300124.XSHE','002415.XSHE','600028.XSHG','002916.XSHE','600655.XSHG','600176.XSHG','601088.XSHG','002456.XSHE','601658.XSHG']
expected_returns = pd.Series(data, index=pd.Index(stock_list,name='order_book_id'))
objective =  ActiveMeanVariance(expected_returns=expected_returns)

风险平价

RiskParity()

追踪误差最小化

MinTrackingError()

最大化信息比率

MaxInformationRatio(expected_active_returns, window=252)

参数

参数	数据类型	说明
expected_active_returns	pandas.Series	个股预期年化主动收益率，index 是股票 order_book_ids，value 是个股预期年化主动收益率（浮点数）。若预期主动收益率存在缺失值，则将缺失值以 0 填补。若用户不传入该参数，则使用历史收益率估计。
window	int	预期年化收益率估计所使用的的历史收益率时间长度,仅在没有设置 expected_active_returns 参数时生效。默认为 252 个交易日，即使用最近 252 个交易日的个股日收益率计算预期年化收益率。

示例

data = [ 0.02415139,  0.01156958, -0.01172305,  0.00391858, -0.00044541,0.0 ,  0.00153166, -0.00153848,-0.008744,0.004233]
stock_list =['601555.XSHG','300124.XSHE','002415.XSHE','600028.XSHG','002916.XSHE','600655.XSHG','600176.XSHG','601088.XSHG','002456.XSHE','601658.XSHG']
expected_active_return  = pd.Series(data, index=pd.Index(stock_list,name='order_book_id'))
objective =  MaxInformationRatio(expected_active_returns = expected_active_return)

最大化夏普率

MaxSharpeRatio(expected_returns, window=252)

参数

参数	数据类型	说明
expected_returns	pandas.Series	个股预期年化收益率，index 是股票 order_book_ids，value 是预期年化收益率（浮点数）。若预期收益率存在缺失值，则将缺失值以 0 填补。若预期收益全部缺失，则优化问题等价于方差最小化问题。若用户不传入该参数，则使用历史收益率估计。
window	int	预期年化收益率估计所使用的的历史收益率时间长度,仅在没有设置 expected_returns 参数时生效。默认为 252 个交易日，即使用最近 252 个交易日的个股日收益率计算预期年化收益率。

示例

objective = MaxSharpeRatio(window=200)

指标最大化

MaxIndicator(indicator_series)

参数

参数	数据类型	说明
indicator_series	pandas.Series	股票指标得分序列。指标序列 index 为股票 order_book_ids，value 为指标得分，不同股票指标得分可相同，指标得分的变量类型可为浮点数或整数。需要注意的是，若用户传入的个股指标得分存在数量级的差异，可能会导致优化权重过分集中于部分得分较高的个股。因此建议用户在输入前先对指标中的离群值进行处理。此外，若指标中存在缺失值，则剔除出现缺失的股票后再进行优化。

示例

date = '2014-07-16' # 优化日期
# 获取前一交易日中证800成分股的净利润增长率（TTM）
previous_date = rqdatac.get_previous_trading_date(date)
index_component = rqdatac.index_components('000906.XSHG', previous_date)
indicator_series = rqdatac.get_factor(index_component, 'net_profit_growth_ratio_ttm', previous_date,previous_date,expect_df=False).dropna()
pool = sorted(indicator_series.index)
# 个股指标得分范围调整至0.1-1.1，避免权重过分集中于部分指标得分较大的个股
adjusted_series = ((indicator_series.loc[pool] - indicator_series.loc[pool].min()) / (indicator_series.loc[pool].max() - indicator_series.loc[pool].min())) + 0.1
objective=MaxIndicator(indicator_series=adjusted_series)

风格偏离最小化

MinStyleDeviation(target_style, relative=False,priority=None)

参数

参数	数据类型	说明
target_style	pandas.Series	目标风格暴露度，index 为风格因子字段名称，value 为目标风格暴露度，以标准差为单位。
relative	bool	是否以相对基准的风格暴露偏离度为优化目标。默认为 False。例如 beta 因子的 target_style 取值为 0.3，若 relative 为 True，即表示优化组合 beta 风格因子暴露度相对于基准组合高出 0.3 个标准差 ；若 relative 为 False，即表示优化组合的 beta 因子目标暴露度为 0.3 个标准差。
priority	pandas.Series	风格因子优先级设置，默认为None。取值范围为 0~9 之间的整数，9 为最高优先级，0 为最低优先级，未指定的因子优先级默认为 5。风格因子的优先级越高，则在优化中满足其暴露度目标的重要性越高。

可选风格因子字段

风格因子字段	解释
beta	个股/投资组合收益对基准组合价格变动的敏感度
momentum	股票收益变化的总体趋势特征
size	上市公司的市值规模
earnings_yield	上市公司的营收能力
residual_volatility	个股残余收益的波动程度
growth	上市公司的营收增长情况
book_to_price	上市公司的股东权益-市值比，反映其估值水平
leverage	上市公司企业负债占资产比例，反映企业的经营杠杆率
liquidity	股票换手率，反映个股交易的活跃程度
non_linear_size	反映中等市值股票和大/小市值股票的表现差异

示例

target_style = pd.Series({'size': 0, 'beta': 1, 'book_to_price': 0, 'earnings_yield': 0, 'growth': 0, 'leverage': 0,'liquidity': 0, 'momentum': 0, 'non_linear_size': 0, 'residual_volatility': 0})
objective = MinStyleDeviation({'size': 0, 'beta': 1, 'book_to_price': 0, 'earnings_yield': 0, 'growth': 0, 'leverage': 0, 'liquidity':0,'momentum': 0, 'non_linear_size': 0, 'residual_volatility': 0}, relative=True, priority=target_style)

交易成本模型

说明：目前只支持在Meanvariance和ActiveMeanVariance目标函数内使用。

线性交易成本模型

FixTransactionCostModel(current_holding,single_transaction_cost=0.0005,turnover_per_year=12,coefficient=1.0)

参数

参数	数据类型	说明
current_holding	pandas.Series	当前持仓权重
single_transaction_cost	float	单次换手成本，默认为万分之五（单边）
turnover_per_year	int	年调仓次数，默认为 12，即每月调仓一次
coefficient	float	交易成本系数（0-1.0，默认为 1.0），可以用于调节对交易成本的惩罚力度，1.0 表示在收益率上直接对年化交易成本进行惩罚

示例

pre_weights = pd.Series(
    {
        "002444.XSHE": 0.05,
        "603019.XSHG": 0.05,
        "603766.XSHG": 0.05,
        "002491.XSHE": 0.05,
        "002545.XSHE": 0.05,
        "600751.XSHG": 0.05,
        "300058.XSHE": 0.05,
        "000800.XSHE": 0.05,
        "000758.XSHE": 0.05,
        "002176.XSHE": 0.05,
        "600981.XSHG": 0.05,
        "000761.XSHE": 0.05,
        "600143.XSHG": 0.05,
        "002249.XSHE": 0.05,
        "600869.XSHG": 0.05,
        "603899.XSHG": 0.05,
        "002437.XSHE": 0.05,
        "000869.XSHE": 0.05,
        "600226.XSHG": 0.05,
        "300180.XSHE": 0.05,
    }
)

transaction_cost = FixTransactionCostModel(
    current_holding=pre_weights, single_transaction_cost=0.0002, turnover_per_year=252
)
portfolio_optimize(order_book_ids,date,
objective=ActiveMeanVariance(transaction_cost_model=transaction_cost),
benchmark='000300.XSHG')