Portfolio Optimization Framework

这是一个多策略投资组合优化框架，提供了多种投资策略的实现和回测功能。

功能特点

• 多种投资策略实现

  • 均值方差策略 (Mean-Variance)
  • 风险平价策略 (Risk Parity)
  • 条件风险平价策略 (Conditional Risk Parity)
  • 动量策略 (Momentum)
    • 最大动量策略
    • 动量阈值策略
  • 分层策略 (Hierarchical)
    • 分层拉菲诺策略
    • 层级动量策略
  • 凯利公式策略 (Kelly Criterion)

• 完整的回测框架

  • 支持多策略并行回测
  • 灵活的再平衡周期设置
  • 详细的性能指标计算

• 丰富的可视化功能

  • 累计收益对比
  • 回撤分析
  • 滚动性能指标
  • 策略相关性热图

项目结构

详细的项目结构请参见 project_structure.txt

快速开始

1. 克隆项目到本地
2. 安装依赖包
3. 运行示例代码：

python examples/multi_strategy_demo.py

示例代码

from portfolio_optimization.data.random_generator import RandomDataGenerator
from portfolio_optimization.strategies.mean_variance import MeanVarianceStrategy
from portfolio_optimization.backtest.backtest_engine import BacktestEngine

# 生成模拟数据
data_generator = RandomDataGenerator(assets=['A', 'B', 'C'], seed=42)
prices, returns = data_generator.load_data(
    start_date='2020-01-01',
    end_date='2024-12-31'
)

# 初始化策略
strategy = MeanVarianceStrategy(prices=prices, returns=returns)

# 运行回测
backtest_engine = BacktestEngine(prices=prices, returns=returns)
portfolio_values, weights_history = backtest_engine.run_backtest(
    strategy=strategy,
    start_date='2022-01-01',
    end_date='2024-12-31',
    rebalance_freq='M'
)

添加新策略

要添加新的策略，只需：

1. 在 strategies/ 目录下创建新的策略类
2. 继承 BaseStrategy 类
3. 实现 generate_weights 方法

示例：

from portfolio_optimization.strategies.base_strategy import BaseStrategy

class MyNewStrategy(BaseStrategy):
    def generate_weights(self, date: str, **kwargs) -> Dict[str, float]:
        # 实现权重生成逻辑
        return weights

注意事项

• 回测时请确保数据长度足够，建议预留足够的历史数据用于策略计算
• 某些策略（如动量策略）需要较长的历史数据来计算信号
• 凯利策略可能产生较为激进的配置，建议在实际应用中适当调整参数

贡献指南

欢迎提交 Pull Request 来改进代码或添加新功能。在提交之前，请确保：

1. 代码符合项目的编码规范
2. 添加了适当的单元测试
3. 更新了相关文档

许可证

MIT License