

> 本文你将得到什么：
> 1. 一套把「多个策略」拼成一个组合的最小实现：策略收益流 → 等权合并 → 绩效对比
> 2. 策略间相关性矩阵的算法——判断两个策略是不是"假分散"
> 3. 一组实测数字：组合把年化波动从 37%~47% 压到 26%，最大回撤从 -35% 收敛到 -22%
> 4. 一个必须先说清的预期：组合降低的是"颠簸程度"，不是保证赚钱

---

## 痛点：单策略回撤，扛不住的不是亏损是心

跑过一个均线策略的人都懂：回测里 -20% 的最大回撤，实盘遇到时每一个百分点都在考验你撤不撤。单策略的问题不是收益不够高，而是**它的命运和一段行情绑死**——策略匹配的行情不来，它就一直趴着。

分散是教科书给出的答案，但真正动手写过的人不多：几个策略的收益怎么合并？怎么知道它们是"真分散"还是"换了名字的同一个策略"？这篇用最小代码把这件事跑通。

---

## 环境准备

```bash
pip install mairui pandas numpy matplotlib
```

---

## 第一步：拿到三个策略的收益流

选三个逻辑不同的策略，各盯一只股票：600519 跑 MA5/20 双均线、000001 跑 MA3/10 快速均线、300750 跑 20 日动量。所有策略统一口径：**仓位由昨日收盘信号决定**（shift(1)），当天收益 = 仓位 × 标的日收益——这是杜绝前视偏差的关键一步。

```python
from mairui import Client
import pandas as pd
import numpy as np

client = Client("LICENCE-66D8-9F96-0C7F0FBCD073")  # 演示证书，请换成你自己的正式证书

UNIVERSE = [
    ("600519", "sma520", "MA5/20动量"),
    ("000001", "sma310", "MA3/10快速"),
    ("300750", "mom20", "20日动量"),
]

def fetch_history(code, licence):
    return Client(licence).stock_history(code=code, period="d", dividend="f")

def strategy_daily_returns(df, kind):
    """策略日收益流：仓位由昨日收盘信号决定（shift 1），无前视。"""
    c = df["c"]
    if kind == "sma520":
        sig = (c.rolling(5).mean() > c.rolling(20).mean()).astype(float)
    elif kind == "sma310":
        sig = (c.rolling(3).mean() > c.rolling(10).mean()).astype(float)
    elif kind == "mom20":
        sig = (c / c.shift(20) - 1 > 0).astype(float)
    pos = sig.shift(1).fillna(0.0)          # 昨收信号 → 今仓
    ret = c.pct_change().fillna(0.0)
    return pos * ret

rets = {}
for code, kind, label in UNIVERSE:
    bars = fetch_history(code, "LICENCE-66D8-9F96-0C7F0FBCD073")
    df = pd.DataFrame(bars).rename(columns={"t": "date"}).sort_values("date").reset_index(drop=True)
    for col in ("o", "h", "l", "c", "v"):
        df[col] = df[col].astype(float)
    rets[label] = strategy_daily_returns(df, kind)

R = pd.DataFrame(rets)   # 每列一个策略的日收益流
```

说明：这里用的是公开演示证书，为演示方便明文写入；实际项目请换成你自己的正式证书（申请配置见 SDK 文档 https://github.com/MaiRuiApi/mairui ），换证后代码无需修改。

---

## 第二步：相关性矩阵——"假分散"照妖镜

两个策略相关性 0.9 以上，拼在一起等于没分散。先算矩阵再谈组合：

```python
corr = R.corr()
print(corr.round(3))
```

**输出示例**（演示证样例数据，仅供演示）：

```
          MA5/20动量  MA3/10快速  20日动量
MA5/20动量     1.000    -0.176  0.507
MA3/10快速    -0.176     1.000 -0.157
20日动量        0.507    -0.157  1.000
```

---

## 第三步：等权组合，和单策略掰手腕

组合规则最简单的一种：每天把资金等分成三份（每日再平衡口径），组合日收益 = 三个策略日收益的平均值。

```python
def perf(r, name=""):
    s = pd.Series(r, dtype=float)
    eq = (1 + s).cumprod()
    total = eq.iloc[-1] - 1
    vol = s.std() * np.sqrt(252)
    sharpe = s.mean() / s.std() * np.sqrt(252) if s.std() > 0 else 0.0
    mdd = ((eq - eq.cummax()) / eq.cummax()).min()
    return dict(name=name, 累计收益=total, 年化波动=vol, 夏普=sharpe, 最大回撤=mdd)

results = [perf(R[c], c) for c in R.columns]
results.append(perf(R.mean(axis=1), "等权组合"))
for p in results:
    print(f"{p['name']}: 累计 {p['累计收益']:+.2%}  年化波动 {p['年化波动']:.2%}  "
          f"夏普 {p['夏普']:.2f}  最大回撤 {p['最大回撤']:.2%}")
```

**输出示例**：

```
MA5/20动量: 累计 -4.87%  年化波动 46.95%  夏普 -0.30  最大回撤 -12.75%
MA3/10快速: 累计 -25.44%  年化波动 36.77%  夏普 -3.83  最大回撤 -26.36%
20日动量: 累计 -35.49%  年化波动 42.06%  夏普 -5.02  最大回撤 -35.49%
等权组合: 累计 -22.09%  年化波动 26.32%  夏普 -4.64  最大回撤 -22.41%
```

顺手画张净值对比图，组合的"平稳"一眼可见：

```python
import matplotlib.pyplot as plt
plt.rcParams["font.sans-serif"] = ["SimHei", "Microsoft YaHei"]
plt.rcParams["axes.unicode_minus"] = False

fig, ax = plt.subplots(figsize=(12, 5))
for c in list(R.columns) + ["等权组合"]:
    r = R[c] if c in R.columns else R.mean(axis=1)
    eq = (1 + r).cumprod()
    lw = 2.0 if c == "等权组合" else 1.1
    ax.plot(eq.values, label=f"{c} ({eq.iloc[-1] - 1:+.2%})", linewidth=lw)
ax.set_title("3 策略等权组合 vs 单策略（每日再平衡，零成本）")
ax.set_ylabel("净值（起点=1）")
ax.legend()
ax.grid(True, alpha=0.3)
plt.tight_layout()
plt.savefig("portfolio_compare.png", dpi=150)
```

---

## 结果怎么读（诚实的部分）

1. **波动被显著压低**：单策略年化波动 36.8%~47.0%，组合 26.3%——相关性矩阵里两个负相关（-0.176 / -0.157）+ 一个弱正相关（0.507），分散是真的在起作用；
2. **回撤改善了"最坏情况"，不是打败最好的那个**：组合最大回撤 -22.41%，比最差单策略（-35.49%）好得多，但比表现最好的 MA5/20（-12.75%）差。分散买的是"不押注任何单一命运"，不是"永远最优"；
3. **组合不保证赚钱**：这段样例处于下跌走势，三个策略都亏，组合也亏——它少亏、少颠簸，但不改变方向。任何"分散=稳赚"的说法都是在骗你；
4. 样本只有 50 个交易日、3 个策略，数字只作演示，方法论才是能带走的东西。

---

## 常见坑

1. **前视偏差**：仓位用当日信号算当日收益，回测会虚高。本文统一 shift(1)：昨日收盘出信号，今天才执行；
2. **"假分散"**：只看策略名字不看相关性。两个不同参数的均线策略相关性常在 0.9 以上，拼了白拼——先算矩阵；
3. **每日再平衡口径**：本文组合日收益取三策略均值，等价于每天把资金拉回等分，忽略了调仓成本；成本与调仓频率的关系下一篇专门讲；
4. **样例数据说明**：演示证书返回的是样例数据，本文数字仅供演示代码逻辑；换成你的正式证书后，同样的代码直接输出真实行情的结果。

---

## 小结与下篇预告

- 组合的第一步不是"怎么加权"，而是"这三个策略配不配拼在一起"——先看相关性矩阵；
- 等权组合把波动从 37%~47% 压到 26%，代价是放弃了最好单策略的极端表现；
- 等权是最省事的分法，但"钱该怎么分"有更讲究的答案：波动率倒数、风险平价、动态评分各是什么？下一篇三种配权方案同台实测。

---

## 免责声明

本文所有内容仅用于技术学习与交流，不构成任何投资建议。股市有风险，投资需谨慎。


一组实测数字：组合把年化波动从 37%~47% 压到 26%，最大回撤从 -35% 收敛到 -22%

【Python量化组合管理实战 01】单策略回撤扛不住？用 Python 把 3 个策略拼成组合分散风险

编程语言

一套完整的多策略组合最小实现方案：从策略日收益流获取、等权合并到绩效对比，重点展示策略相关性矩阵的“假分散”识别算法。实测数据显示组合将年化波动从37%-47%压至26%，最大回撤从-35%收敛至-22%。完整代码含前视偏差规避处理，并提供相关性矩阵计算与净值对比可视化方法。

代码解释

GitHub

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

【Python量化组合管理实战 01】单策略回撤扛不住？用 Python 把 3 个策略拼成组合分散风险-腾讯云开发者社区-腾讯云

【Python量化组合管理实战 01】单策略回撤扛不住？用 Python 把 3 个策略拼成组合分散风险

【Python量化组合管理实战 01】单策略回撤扛不住？用 Python 把 3 个策略拼成组合分散风险

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐