1. 课程导入

欢迎进入《Qlib风险模型与组合优化实战》。在正式动手之前，我们需要先建立一张清晰的“地图”：这门课到底解决什么问题、用到哪些核心概念、整体流程如何串联，以及我们需要准备怎样的实战环境。很多学习者一上来就急着调参、跑回测，结果往往陷入“策略看起来很美、实盘却大幅回撤”的困境。根本原因在于：没有把风险模型与组合优化放在量化流程的正确位置。本章的目标，就是帮你把这条链路一次性打通。

一、学习目标：你学完能做什么

本课程不是单纯讲理论，也不是只教API调用，而是围绕“可落地的风险控制与组合构建能力”展开。完成学习后，你应当能够：

• 理解风险模型在量化投资中的定位：它解决的是“收益从哪来、风险从哪来、如何归因”的问题。
• 掌握多因子风险模型的基本结构：因子暴露、因子收益、特异性风险与协方差矩阵估计。
• 使用Qlib完成数据准备、因子计算、风险模型训练与组合优化求解。
• 构建带约束的均值—方差优化、风险平价或最大分散化组合，并评估其样本外表现。
• 识别常见陷阱：过拟合、约束冲突、协方差矩阵病态、交易成本忽略等。

二、核心概念：先统一语言

在后续章节中，我们会反复使用以下概念。请先建立直觉，不必死记公式。

概念	含义	在实战中的作用
因子暴露	资产对某个风险因子（如市值、动量、波动率）的敏感度	解释收益来源，控制风格偏离
因子收益	因子单位暴露带来的收益	估计风险溢价，进行收益预测
特异性风险	无法被共同因子解释的个体风险	决定分散化收益与组合残差风险
协方差矩阵	资产间风险联动关系的数学表达	组合优化的核心输入
组合优化	在约束下求解最优权重	把信号转化为可执行持仓

其中，协方差矩阵是连接风险模型与组合优化的桥梁。如果直接使用样本协方差，在资产数量多、历史窗口短时极易出现估计误差，导致优化器给出极端权重。风险模型的价值，正是通过结构化分解来提升协方差估计的稳定性。

三、整体框架：从数据到组合的流水线

本课程遵循一条完整的量化流水线，你可以把它理解为一条“工厂产线”：

1. 数据层：行情、财务、因子数据清洗与对齐，使用Qlib的DataHandler管理。
2. 风险模型层：计算因子暴露，估计因子收益与特异性风险，合成协方差矩阵。
3. 信号层：基于Alpha因子或机器学习模型生成预期收益。
4. 优化层：在权重、行业、风格、换手率等约束下求解最优组合。
5. 回测与归因层：评估收益、风险、换手与归因，迭代改进。

四、实战环境搭建：一次配置，全程复用

我们使用Qlib作为核心框架。建议使用Python 3.8～3.10，并创建独立虚拟环境。以下命令适用于Linux/macOS，Windows用户可将激活命令替换为对应脚本。

# 创建并激活虚拟环境
python -m venv qlib_env
source qlib_env/bin/activate

# 安装Qlib核心包
pip install pyqlib

# 安装组合优化常用依赖
pip install numpy pandas scipy cvxpy

# 验证安装
python -c "import qlib; print(qlib.__version__)"

Qlib首次使用需要初始化数据。我们通常使用官方提供的小型数据集进行快速验证：

# 下载并初始化示例数据
python -m qlib.run.get_data qlib_data --target_dir ~/.qlib/qlib_data/cn_data --region cn

# 在代码中初始化
import qlib
from qlib.constant import REG_CN

qlib.init(provider_uri="~/.qlib/qlib_data/cn_data", region=REG_CN)

如果初始化成功，你会看到类似日志：

[INFO] qlib.data - data provider uri: /home/user/.qlib/qlib_data/cn_data
[INFO] qlib.data - region: cn
[INFO] qlib.data - calendar range: 2008-01-02 ~ 2020-12-31

五、案例场景：一个最小可运行示例

为了让你立刻感受到“风险模型+组合优化”的闭环，我们给出一个极简场景：假设已有三只股票的预期收益和因子暴露，我们希望在总权重为1、单票权重不超过0.6的约束下，最小化组合方差。

import numpy as np
import cvxpy as cp

# 预期收益
mu = np.array([0.08, 0.10, 0.06])

# 协方差矩阵（可由风险模型估计得到）
Sigma = np.array([
    [0.04, 0.01, 0.00],
    [0.01, 0.09, 0.02],
    [0.00, 0.02, 0.05]
])

w = cp.Variable(3)
objective = cp.Minimize(cp.quad_form(w, Sigma))
constraints = [cp.sum(w) == 1, w <= 0.6, w >= 0]
prob = cp.Problem(objective, constraints)
prob.solve()

print("最优权重:", np.round(w.value, 4))
print("组合方差:", round(prob.value, 6))

运行后你会得到一组分散化的权重。这个例子虽然简单，但它已经包含了组合优化的全部要素：目标函数、约束条件、求解器。后续章节只是把mu和Sigma换成更真实的估计结果。

六、误区与复盘：新手最容易踩的四个坑

• 误区一：把风险模型当成收益模型。风险模型解释风险，不直接预测收益。用它选股，方向就错了。
• 误区二：忽略约束的现实意义。没有约束的均值—方差优化会给出极端权重，实盘无法执行。
• 误区三：用全样本估计协方差。这会引入未来信息，导致回测虚高。必须滚动窗口或使用风险模型。
• 误区四：只看收益不看换手。高换手会吞噬利润，优化时必须加入换手率惩罚或约束。

现在，你已经拥有了本课程的“全局地图”和“实战工具箱”。接下来，我们将从数据层开始，一步步搭建属于你自己的风险模型与组合优化系统。