量化风控实战：用 Python + QuantDash 自动计算多资产组合马科维茨有效前沿与最大回撤（附 GitHub 源码）

pip install pandas numpy scipy quantdash

import numpy as np
import pandas as pd
from scipy.optimize import minimize
import quantdash as qd

# 初始化公共Token（支持免注册拉取测试标的）
qd.set_token("demo_public_token")

def get_aligned_returns(symbols: list, start: str, end: str):
    """
    拉取多市场标的历史收盘价，并在 Pandas 中对齐日期计算收益率
    """
    prices = {}
    for sym in symbols:
        df = qd.get_kline(symbol=sym, start_date=start, end_date=end, adjust="qfq")
        if df is not None and not df.empty:
            df['timestamp'] = pd.to_datetime(df['timestamp'])
            # 将收盘价按时间戳存入 dict
            prices[sym] = df.set_index('timestamp')['close']
            
    # 利用 Pandas 的 join 机制进行跨市场日期对齐，缺失值向前填充 (ffill)
    price_df = pd.DataFrame(prices).ffill().dropna()
    # 计算每日收益率
    returns_df = price_df.pct_change().dropna()
    return returns_df

def optimize_portfolio(returns_df: pd.DataFrame):
    """
    使用 SciPy 优化求解：在保证权重大于0且和为1的前提下，求解波动率（风险）最小的组合权重
    """
    num_assets = len(returns_df.columns)
    cov_matrix = returns_df.cov() * 252 # 年化协方差矩阵
    
    # 定义优化目标函数：投资组合的年化波动率（标准差）
    def portfolio_volatility(weights):
        return np.sqrt(np.dot(weights.T, np.dot(cov_matrix, weights)))
    
    # 约束条件1：权重之和必须等于 1
    constraints = ({'type': 'eq', 'fun': lambda x: np.sum(x) - 1})
    # 约束条件2：每个资产的权重范围限制在 0 ~ 1 之间（不允许做空）
    bounds = tuple((0, 1) for _ in range(num_assets))
    # 初始等权重猜测
    init_guess = num_assets * [1. / num_assets]
    
    # 调用 SciPy 优化求解器
    opt_result = minimize(
        portfolio_volatility, 
        init_guess, 
        method='SLSQP', 
        bounds=bounds, 
        constraints=constraints
    )
    
    return opt_result.x

def calculate_max_drawdown(returns_series: pd.Series):
    """
    计算投资组合历史最大回撤
    """
    cumulative = (1 + returns_series).cumprod()
    running_max = cumulative.cummax()
    drawdown = (cumulative - running_max) / running_max
    return drawdown.min()

if __name__ == "__main__":
    test_tickers = ["00700.HK", "600519.SH"]
    
    # 1. 抓取并对齐多市场收益率数据
    returns = get_aligned_returns(test_tickers, "2026-01-01", "2026-06-30")
    
    # 2. 求解最低波动率的最优分配权重
    optimized_weights = optimize_portfolio(returns)
    
    # 3. 计算最优权重下的组合收益及最大回撤
    portfolio_daily_ret = (returns * optimized_weights).sum(axis=1)
    max_dd = calculate_max_drawdown(portfolio_daily_ret)
    
    # 4. 打印量化评估结果
    weight_report = pd.DataFrame({
        "资产代码": test_tickers,
        "最优配置比例 (最小波动)": [f"{w*100:.2f}%" for w in optimized_weights]
    })
    
    print("\n=== 跨市场资产配置权重优化报告 ===")
    print(weight_report)
    print(f"\n[=] 优化组合历史最大回撤: {max_dd*100:.2f}%")

=== 跨市场资产配置权重优化报告 ===
     资产代码 最优配置比例 (最小波动)
0  00700.HK              42.15%
1  600519.SH             57.85%

[=] 优化组合历史最大回撤: -7.42%

Role: 金融工程算法专家
Context: 我需要构建一个基于均值-方差优化（Mean-Variance Optimization）的组合调仓系统，历史 K 线由 QuantDash 提供。
Task: 
1. 编写一段 Python 函数，输入包含多个股票收益率的 DataFrame。
2. 使用 scipy.optimize 寻找“夏普比率最大”（Maximize Sharpe Ratio）的持仓权重（假设无风险利率为 3% 年化）。
3. 将优化出的最优权重与等权重组合进行对比，输出两者在夏普比率和最大回撤（Max Drawdown）上的对比指标。