2. CVXPY基础
在进入多策略资金配置的建模实战之前，必须先把 CVXPY 的“最小可用闭环”跑通：能装、能建变量、能写目标与约束、能选求解器、能读结果。本节围绕这五个环节展开，帮助你建立一套可复用的建模心智模型，而不是零散地记 API。
一、核心原理：CVXPY 到底在做什么
CVXPY 是一个嵌入 Python 的凸优化建模语言。它的核心思想是“建模与求解分离”：你只负责用接近数学表达式的语法描述问题，CVXPY 负责把问题转化为标准锥规划形式（如 LP、QP、SOCP、SDP），再交给底层求解器计算。因此，CVXPY 本身不是求解器，而是“翻译层 + 调度层”。
一个 CVXPY 问题由三部分组成：变量（Variable/Parameter）、目标函数（Objective）、约束（Constraints）。变量是待求的未知量；参数是已知但可复用的数据，便于做敏感性分析和滚动回测；目标函数是你要最小化或最大化的标量表达式；约束则用等式或不等式限定可行域。CVXPY 要求问题满足 DCP（Disciplined Convex Programming）规则，即目标与约束必须按凸性规则组合，否则会在建模阶段直接报错，而不是等到求解时才失败。
二、安装与环境配置
推荐使用 Python 3.9 及以上版本，并在虚拟环境中安装，避免与系统包冲突。CVXPY 默认会安装开源求解器 ECOS、SCS、OSQP，足以覆盖 LP、QP、SOCP 等常见问题。若需要更高性能或商用求解器，可额外安装 Gurobi、MOSEK、COPT 等。
# 创建并激活虚拟环境
python -m venv cvxpy_env
source cvxpy_env/bin/activate # Windows 使用 cvxpy_env\Scripts\activate
# 安装 CVXPY 及常用依赖
pip install cvxpy numpy pandas matplotlib
# 可选：安装商用求解器接口
pip install gurobipy mosek coptpy安装完成后，用一段最小代码验证环境是否正常。若输出求解状态为 optimal，说明安装成功。
import cvxpy as cp
import numpy as np
x = cp.Variable(2)
prob = cp.Problem(cp.Minimize(cp.sum_squares(x - np.array([1, 2]))),
[x >= 0, cp.sum(x) == 2])
prob.solve()
print("status:", prob.status)
print("x:", x.value)
print("optimal value:", prob.value)三、变量与参数定义
变量定义要关注三个维度：形状、符号、属性。形状决定变量是标量、向量还是矩阵；符号用于声明非负、整数或布尔；属性如对称、半正定等用于结构化建模。参数则用于承载已知数据，例如资产收益率、协方差矩阵、交易成本系数等。
cp.Variable(n)：长度为 n 的向量变量。cp.Variable((m, n))：m×n 矩阵变量。cp.Variable(nonneg=True)：非负变量，常用于权重或持仓。cp.Variable(integer=True)：整数变量，用于离散手数或整份配置。cp.Parameter(n, nonneg=True)：参数，值可在求解前反复赋值。
在多策略资金配置中，一个典型写法是：权重变量 w 非负且和为 1，收益参数 mu 和协方差参数 Sigma 作为 Parameter 传入，便于滚动窗口回测。
n = 5
w = cp.Variable(n, nonneg=True)
mu = cp.Parameter(n)
Sigma = cp.Parameter((n, n), PSD=True)
mu.value = np.array([0.08, 0.10, 0.06, 0.12, 0.07])
Sigma.value = np.eye(n) * 0.01四、目标函数与约束表达
目标函数必须是一个标量表达式。常见形式包括：最小化方差 cp.quad_form(w, Sigma)、最大化收益 mu @ w、最小化绝对偏差 cp.norm1(w - w_prev)、最小化最大回撤近似 cp.max(...)。约束则用列表传入，支持等式、不等式、锥约束和集合约束。
下面是一个“均值—方差 + 换手率惩罚”的典型配置模型。注意目标函数中同时包含收益、风险和交易成本，约束中限定权重和为 1、单资产上限以及换手率上限。
w_prev = np.array([0.2, 0.2, 0.2, 0.2, 0.2])
gamma = 2.0 # 风险厌恶系数
lambda_tc = 0.001 # 交易成本系数
objective = cp.Maximize(mu @ w - gamma * cp.quad_form(w, Sigma)
- lambda_tc * cp.norm1(w - w_prev))
constraints = [
cp.sum(w) == 1,
w <= 0.4,
cp.norm1(w - w_prev) <= 0.3
]
prob = cp.Problem(objective, constraints)cp.maximum(w, 0) * w 或 cp.square(w) / w。CVXPY 会抛出 DCPError。正确做法是引入辅助变量或改用凸近似。五、求解器选择与结果读取
CVXPY 会根据问题类型自动选择求解器，但显式指定求解器能获得更稳定的行为和更清晰的日志。LP 优先用 ECOS 或 GLPK；QP 用 OSQP；SOCP 用 ECOS 或 SCS；SDP 用 SCS 或 MOSEK。若问题规模大或需要高精度，可切换商用求解器。
| 问题类型 | 推荐求解器 | 适用场景 | 备注 |
|---|---|---|---|
| LP | ECOS / GLPK | 线性目标与约束 | 速度快，开源 |
| QP | OSQP | 二次目标、线性约束 | 适合组合优化 |
| SOCP | ECOS / SCS | 范数约束、鲁棒优化 | SCS 更通用 |
| SDP | SCS / MOSEK | 半正定约束 | MOSEK 精度高 |
| MIP | GUROBI / CPLEX | 整数变量 | 需商用授权 |
求解后，结果读取主要看四个字段：prob.status 表示求解状态；prob.value 表示最优目标值；variable.value 表示变量取值；prob.solver_stats 提供求解器名称、迭代次数和耗时。若状态为 infeasible 或 unbounded，应优先检查约束是否冲突或目标是否无界。
prob.solve(solver=cp.OSQP, verbose=True)
print("status:", prob.status)
print("optimal value:", prob.value)
print("weights:", w.value)
print("solver:", prob.solver_stats.solver_name)
print("solve time:", prob.solver_stats.solve_time)mu.value 和 Sigma.value 后重新调用 prob.solve()，可避免重复构建问题，显著提升效率。六、案例复盘：一个最小可用的资金配置流程
假设你有 5 个策略，已知预期收益向量和协方差矩阵，要求权重非负、和为 1、单策略不超过 40%，并在目标中加入换手率惩罚。完整流程如下：定义变量与参数 → 构建目标与约束 → 选择求解器 → 求解并读取权重 → 检查状态与约束违反情况。若求解失败，按“先查状态、再查约束、最后查 DCP”的顺序排查。
复盘要点有三：第一，变量与参数要区分清楚，参数化后回测效率更高；第二，目标与约束必须满足 DCP，否则建模阶段就会失败；第三，求解器选择要与问题类型匹配，结果读取要同时关注状态、目标值和变量值。把这三点固化为检查清单，后续多策略配置的复杂模型才能稳定落地。