fund-portfolio-allocation

name	fund-portfolio-allocation
description	基金组合配置 - 智能基金组合构建与优化工具。 当用户需要构建基金组合、资产配置、投资组合优化、战略/战术资产配置、风险平价配置时使用此技能。 支持Markowitz均值方差优化、Black-Litterman模型、风险平价、目标日期/目标风险策略。 触发关键词：基金组合、资产配置、组合优化、Markowitz、风险平价、Black-Litterman、战略配置、战术配置。

基金组合配置 (Fund Portfolio Allocation)

智能基金组合构建与优化工具，帮助用户科学配置基金资产组合。

功能概述

• 战略资产配置 (SAA): 长期目标配置比例
• 战术资产配置 (TAA): 短期偏离调整
• Markowitz优化: 均值方差最优化
• 风险平价配置: 各资产风险贡献均衡
• Black-Litterman: 融合市场观点和信心
• 目标日期策略: 随时间自动调整股债比
• 目标风险策略: 固定风险水平配置
• 再平衡策略: 偏离度检测与调整

使用方法

命令行调用

# 基础配置
fund-alloc --target 稳健增长 --amount 1000000

# 高级配置
fund-alloc --target 积极型 --amount 500000 --strategy markowitz

# 风险平价
fund-alloc --target 平衡型 --amount 1000000 --strategy risk-parity

# 目标日期
fund-alloc --target-date 2040 --amount 500000

Python API

from fund_portfolio_allocation import PortfolioAllocator

allocator = PortfolioAllocator()

# 基础配置
portfolio = allocator.allocate(
    target='稳健增长',
    amount=1000000,
    risk_profile='R3'
)

# Markowitz优化
portfolio = allocator.markowitz_optimize(
    expected_returns=[0.08, 0.05, 0.03],
    cov_matrix=[[...]],
    target_return=0.06
)

投资策略

1. 战略资产配置 (SAA)

基于长期投资目标和风险承受能力确定的基础配置。

风险等级	股票型	混合型	债券型	货币型	适合人群
R1 保守	0%	10%	40%	50%	退休人群
R2 稳健	15%	25%	40%	20%	保守投资者
R3 平衡	30%	30%	30%	10%	一般投资者
R4 进取	50%	25%	20%	5%	积极投资者
R5 激进	70%	15%	10%	5%	高风险承受者

2. 战术资产配置 (TAA)

在SAA基础上进行短期偏离调整（±10%）。

调整因子：

• 估值水平: 高估值低配，低估值高配
• 市场趋势: 趋势向上高配，向下低配
• 宏观环境: 利率、通胀、政策
• 情绪指标: 恐慌/贪婪指数

3. Markowitz均值方差优化

目标: 在给定收益目标下最小化风险
      或在给定风险水平下最大化收益

约束:
  - 权重和为1: Σw_i = 1
  - 权重非负: w_i ≥ 0
  - 最小权重: w_i ≥ w_min (避免碎片化)
  - 最大权重: w_i ≤ w_max (避免过度集中)

有效前沿: 所有最优组合的集合

4. 风险平价 (Risk Parity)

目标: 各资产对组合风险的贡献相等

风险贡献 = w_i × (Σw_j × Cov(r_i, r_j)) / σ_p

其中:
  w_i = 资产i的权重
  Cov = 协方差
  σ_p = 组合波动率

5. Black-Litterman模型

融合市场均衡收益和投资者观点：

后验收益 = [(τΣ)^(-1) + P^T Ω^(-1) P]^(-1) × [(τΣ)^(-1) Π + P^T Ω^(-1) Q]

其中:
  Π = 市场均衡收益
  Q = 投资者观点
  P = 观点映射矩阵
  Ω = 观点信心度
  Σ = 资产协方差矩阵
  τ = 比例因子

6. 目标日期策略

随时间自动调整股债比：

股票比例 = 100 - (当前年龄 - 20) × 比例系数

或者:
股票比例 = (目标年份 - 当前年份) / 投资年限 × 股票上限

输出格式

组合配置报告

{
  "portfolio_id": "PF_20260321_001",
  "created_at": "2026-03-21",
  "strategy": "markowitz",
  "target_profile": "稳健增长",
  "risk_level": "R3",
  "total_amount": 1000000,
  "allocation": {
    "by_type": {
      "equity": {"weight": 0.30, "amount": 300000},
      "hybrid": {"weight": 0.30, "amount": 300000},
      "bond": {"weight"   
          
    
     
      
         
         
         
         
         
         
         
      
    
  
   
     
     
     
     
     
  
   
     
     
     
  
   
    
    
  

示例

示例1: 稳健型组合配置

输入:

构建100万稳健型基金组合

输出:

📊 基金组合配置报告

投资目标: 稳健增长
风险等级: R3 (中等风险)
投资金额: ¥1,000,000
配置策略: 战略资产配置 (SAA)

资产配置:
├── 股票型基金: 30% (¥300,000)
│   ├── 富国天惠成长: 15% (¥150,000)
│   └── 易方达蓝筹精选: 15% (¥150,000)
├── 混合型基金: 30% (¥300,000)
│   ├── 华夏成长混合: 20% (¥200,000)
│   └── 中欧时代先锋: 10% (¥100,000)
├── 债券型基金: 30% (¥300,000)
│   └── 招商产业债: 30% (¥300,000)
└── 货币型基金: 10% (¥100,000)
    └── 天弘余额宝: 10% (¥100,000)

预期表现:
  预期年化收益: 6.5%
  预期波动率: 12.0%
  夏普比率: 0.33
  预期最大回撤: -15.0%
  95% VaR: -2.5%

再平衡策略:
  触发条件: 偏离度 > 5%
  检查频率: 每季度
  调整方式: 部分再平衡

建议:
  ✅ 适合持有期3年以上
  ✅ 建议定投方式逐步建仓
  ⚠️ 关注权益市场估值水平

示例2: Markowitz优化

输入:

使用Markowitz优化，目标收益8%，投资金额50万

输出:

📊 Markowitz优化配置

目标收益: 8.0%
投资金额: ¥500,000
优化方法: 均值方差最优化

有效前沿分析:
  最小风险组合: 收益5.2%, 波动8.5%
  目标收益组合: 收益8.0%, 波动12.3%
  最大收益组合: 收益12.5%, 波动22.8%

优化结果:
  股票型: 45% (¥225,000)
  混合型: 25% (¥125,000)
  债券型: 25% (¥125,000)
  货币型: 5% (¥25,000)

预期表现:
  预期收益: 8.0%
  预期波动: 12.3%
  夏普比率: 0.45

示例3: 风险平价配置

输入:

使用风险平价策略配置100万

输出:

📊 风险平价配置

投资金额: ¥1,000,000
策略: 风险平价 (Risk Parity)
目标: 各资产风险贡献相等

配置结果:
  股票型: 18% (¥180,000) - 风险贡献25%
  混合型: 22% (¥220,000) - 风险贡献25%
  债券型: 45% (¥450,000) - 风险贡献25%
  货币型: 15% (¥150,000) - 风险贡献25%

与传统配置对比:
              风险平价    传统60/40
波动率:       8.5%        12.2%
夏普比率:     0.52        0.38
最大回撤:     -10.5%      -18.3%

风险贡献均衡度: 98.5% (优秀)

注意事项

1. 配置建议基于历史数据，不代表未来表现
2. 实际配置需考虑交易成本、申赎费率
3. 税务影响未在基础配置中考虑
4. 建议定期（季度/年度）进行再平衡
5. 市场极端情况下需灵活调整配置
6. 配置前应充分了解各基金风险特征

依赖

numpy>=1.20.0
scipy>=1.7.0
pandas>=1.3.0
cvxpy>=1.2.0  # 凸优化

作者

FinClaw - 上海财经大学金融研究工具