

> 本文你将得到什么：
> 1. 一个带交易成本模型的组合模拟器：各腿独立漂移，到点拉回目标权重
> 2. "不再平衡 / 每 20 日再平衡 / 再平衡+成本"三方案同起点实测
> 3. 权重漂移的量化观察：永不调仓时单腿会从 33% 漂到 41%
> 4. 一个反直觉结论：再平衡没有让收益更高——它的价值在别处

---

## 痛点：权重会"漂"，而漂移就是失控

组合建好那天，三个策略各占 1/3。三个月后你会发现：涨得多的腿自己变成了 40%、45%，跌得多的腿缩到 20%——你以为你还有个组合，实际上你重仓押了一个策略。再平衡（rebalancing）就是定期把权重拉回目标值，但网上说法两极：有人说再平衡是"免费午餐"，有人说它白白交手续费。到底值不值？这篇用带成本模型的回测实测，不站队、只给数字。

---

## 环境准备

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

---

## 第一步：三个策略收益流（口径与前两篇一致）

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

UNIVERSE = [
    ("600519", "sma520", "MA5/20动量"),
    ("000001", "sma310", "MA3/10快速"),
    ("300750", "mom20", "20日动量"),
]
INIT = 100000.0          # 初始资金 10 万

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

def strategy_daily_returns(df, kind):
    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)
    ret = c.pct_change().fillna(0.0)
    return pos * ret

rets = {}
for code, kind, label in UNIVERSE:
    bars = client.stock_history(code=code, period="d", dividend="f")
    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)
```

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：带成本模型的组合模拟器

关键设计：每个策略是一"腿"，各腿价值随各自收益独立漂移（这正是权重漂移的来源）；到再平衡日把各腿拉回等权，并按 A 股口径计成本——佣金万 2.5（最低 5 元/笔）、印花税 0.05%（卖出）、滑点 0.1%（双向）：

```python
REB_EVERY = 20           # 每 20 个交易日（约一个月）再平衡
COMMISSION, MIN_FEE = 0.00025, 5.0
STAMP, SLIPPAGE = 0.0005, 0.001

def run_portfolio(R, reb_every=None, with_cost=False):
    n = len(R)
    w_eq = np.ones(R.shape[1]) / R.shape[1]
    vals = w_eq * INIT                       # 各腿初始价值
    port = np.ones(n) * INIT
    total_cost, turnover, n_reb = 0.0, 0.0, 0
    for t in range(1, n):
        vals = vals * (1 + R.iloc[t].values)  # 各腿独立漂移
        if reb_every and t % reb_every == 0 and t < n - 1:
            V = vals.sum()
            target = w_eq * V
            trade = target - vals             # 每腿的调仓金额（+买 -卖）
            if with_cost:
                buy = np.maximum(trade, 0.0)
                sell = np.maximum(-trade, 0.0)
                cost = buy * (COMMISSION + SLIPPAGE) + sell * (STAMP + SLIPPAGE + COMMISSION)
                cost = np.where((buy + sell) > 0, np.maximum(cost, MIN_FEE), 0.0)
                vals = target - cost
                total_cost += float(cost.sum())
            else:
                vals = target
            turnover += float(np.abs(trade).sum()) / V
            n_reb += 1
        port[t] = vals.sum()
    return pd.Series(port), dict(n_reb=n_reb, total_cost=total_cost, avg_turnover=turnover / max(n_reb, 1))

def perf(r, name=""):
    s = pd.Series(r, dtype=float)
    eq = (1 + s).cumprod()
    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=eq.iloc[-1] - 1, 年化波动=vol, 夏普=sharpe, 最大回撤=mdd)

schemes = [
    ("A 不再平衡", run_portfolio(R, reb_every=None)),
    ("B 每20日再平衡", run_portfolio(R, reb_every=REB_EVERY)),
    ("C 每20日再平衡+成本", run_portfolio(R, reb_every=REB_EVERY, with_cost=True)),
]
for name, (port, info) in schemes:
    p = perf(port.pct_change(fill_method=None).fillna(0.0), name)
    print(f"{name}: 终值 {port.iloc[-1]:,.0f} 元  累计 {p['累计收益']:+.2%}  年化波动 {p['年化波动']:.2%}  "
          f"最大回撤 {p['最大回撤']:.2%}  再平衡 {info['n_reb']} 次  成本 {info['total_cost']:.2f} 元")
```

**输出示例**（演示证样例数据，仅供演示）：

```
A 不再平衡: 终值 78,065 元  累计 -21.93%  年化波动 27.44%  最大回撤 -22.39%  再平衡 0 次  成本 0.00 元
B 每20日再平衡: 终值 77,832 元  累计 -22.17%  年化波动 26.24%  最大回撤 -22.50%  再平衡 2 次  成本 0.00 元
C 每20日再平衡+成本: 终值 77,805 元  累计 -22.19%  年化波动 26.24%  最大回撤 -22.53%  再平衡 2 次  成本 30.53 元
```

---

## 第三步：量化"漂移"——不调仓到底会漂多远

```python
def drift_track(R):
    w_eq = np.ones(R.shape[1]) / R.shape[1]
    vals = w_eq * INIT
    for t in range(1, len(R)):
        vals = vals * (1 + R.iloc[t].values)   # 永不调仓，纯漂移
    return vals / vals.sum()

w_end = drift_track(R)
print("期末权重:", dict(zip(R.columns, w_end.round(3))))
print("单腿最大占比:", f"{w_end.max():.2%}")
```

**输出示例**：

```
期末权重: {'MA5/20动量': 0.406, 'MA3/10快速': 0.318, '20日动量': 0.275}
单腿最大占比: 40.62%
```

---

## 结果怎么读（诚实的部分）

1. **再平衡没有带来更高收益**：本例 B（-22.17%）比 A（-21.93%）还低了 0.24 个百分点。"再平衡=稳赚/免费午餐"在实测里不成立——它卖掉相对强势的腿、买入相对弱势的腿，本质是赌"均值回归"，行情继续分化时它就是拖累；
2. **它真正买到的是两样东西**：一是更低的波动（26.24% vs 27.44%），二是**纪律**——A 方案的单腿从 33.3% 漂到 40.62%，再放任下去组合会越来越像单策略，而 B 方案每 20 日强制拉回，风险集中度永远有上界；
3. **成本比想象中小**：单次平均换手 8.2%，50 个交易日两次调仓总成本 30.53 元，拖累仅 0.027% 初始资金。等权目标的换手本来就不高；换成波动率倒数这类每期都变的目标权重，换手会明显上升——频率与目标权重的"跳动程度"共同决定成本；
4. 数字为演示证样例数据结果，仅演示方法与成本口径；换正式证书即得真实行情下的对比。

---

## 常见坑

1. **口径不一致的对比**：比较"调不调仓"时，两方案的目标权重必须一致（本文统一等权）；拿"等权不调"对比"风险平价每月调"，差异里混着配权方案的影响，结论不可信；
2. **最低佣金对小额组合不友好**：单笔不足 2 万元时，万 2.5 佣金低于 5 元按 5 元收，实际费率被抬高。资金量小的组合应降低调仓频率或放宽触发带宽（如偏离目标 ±5% 才动）；
3. **滑点不是装饰**：0.1% 双向滑点在小换手下只贡献几毛钱，但那是样例数据流动性好的原因；实盘调仓金额大或标的地量时，滑点会是成本大头；
4. **只在期末看权重**：漂移是渐进的，等期末发现单腿 40% 时已经超限很久了。生产环境应每日监控权重偏离，偏离超带宽才触发调仓（事件驱动比日历驱动更省成本）。

---

## 小结与下篇预告

- 再平衡不是收益工具，是**风险与纪律工具**：本例收益略降、波动下降、权重集中度被锁死；
- 成本实测：月频 + 等权目标，两次调仓仅拖累 0.027%——"怕交手续费"不是不调仓的理由，"没监控漂移"才是真风险；
- 调仓、配权都有了，还差一双"眼睛"：组合的相关性会不会悄悄恶化？单腿集中度、组合回撤到什么程度该报警？下一篇搭一套组合风险监控仪表盘，给组合装上预警器。

---

## 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。


组合建好那天，三个策略各占 1/3。三个月后你会发现：涨得多的腿自己变成了 40%、45%，跌得多的腿缩到 20%——你以为你还有个组合，实际上你重仓押了一个策略。再平衡（rebalancing）就是定期把权重拉回目标值，但网上说法两极：有人说再平衡是"免费午餐"，有人说它白白交手续费。到底值不值？这篇用带成本模型的回测实测，不站队、只给数字。

【Python量化组合管理实战 03】每月调一次仓值不值？组合再平衡的成本与效果实测

人工智能

基于带交易成本模型的组合模拟器实测：等权三策略组合中，不调仓时单腿权重从33%漂移至41%；月度再平衡虽未提升收益（略降0.24%），但将年化波动从27.44%降至26.24%，并锁定风险集中度。成本端两次调仓仅拖累0.027%，显示月频调仓成本可控。

代码解释

数据流

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 03】每月调一次仓值不值？组合再平衡的成本与效果实测-腾讯云开发者社区-腾讯云

【Python量化组合管理实战 03】每月调一次仓值不值？组合再平衡的成本与效果实测

【Python量化组合管理实战 03】每月调一次仓值不值？组合再平衡的成本与效果实测

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