🔬 专业级ETF投资组合优化工具，提供全方位的量化投资决策支持
基于Tushare API的智能投资组合优化系统，通过先进的量化算法帮助投资者构建最优ETF投资组合，实现风险调整收益最大化。采用统一优化引擎，支持智能后端选择，提供ETF中文名称显示、复杂增长预测、专业HTML报告生成。
- 🏆 统一优化引擎 - 智能选择CVXPY/SciPy后端，自动降级机制
- 📊 多维度量化分析 - 动量、波动率、趋势、质量等综合信号
- 🛡️ 高级风险管理 - VaR/CVaR计算、压力测试、集中度分析
- 📈 专业可视化 - 交互式图表和HTML报告
- 🌍 中文友好 - 完整的中文显示和ETF名称支持
- 🔧 代码重构优化 - 消除重复代码，提升可维护性
- 📚 完善文档 - 详细的使用指南和技术文档
- 🎨 专业界面 - 精美的HTML报告和可视化图表
- 统一优化引擎 - 支持CVXPY和SciPy后端，自动选择最优计算方式
- 多目标优化 - 夏普比率、风险平价、稳定性优化、分层风险平价
- 高级风险管理 - VaR/CVaR计算、压力测试、集中度分析
- 动态再平衡 - 智能再平衡策略和交易成本优化
- 实用投资工具 - 增长预测、定投计算、业绩归因分析
- 🆕 ETF中文名称显示 - 自动获取并显示ETF中文名称
- 🆕 相关性分析 - 投资组合相关性风险评估和分散化评分
- 🚀 统一量化信号 - 支持简单和高级模式的多维度量化指标计算
- 🚀 增强优化 - 基于量化信号的智能投资组合优化
- 🔧 重构优化 - 消除重复代码，提升架构可维护性
- 基础指标 - 年化收益率、波动率、夏普比率、最大回撤
- 高级指标 - Calmar比率、索提诺比率、偏度、峰度
- 风险指标 - VaR(95%/99%)、CVaR、HHI集中度指数
- 实用指标 - 再平衡建议、投资增长预测
- 🆕 概率分布 - 分位数分析、多年度表现预测
- 🆕 情景分析 - 牛市/熊市/高波动/低波动情景模拟
- 🚀 量化信号 - 动量、波动率、趋势、质量等多维度信号
- 🚀 增强对比 - 传统优化vs量化增强优化详细对比
- 累计收益对比图
- 有效前沿图
- 投资组合权重饼图
- 收益率分布直方图
- 🆕 专业HTML报告 - 包含完整分析结果和投资建议的综合报告
- 🆕 ETF中文名称 - 所有输出支持ETF中文名称显示
💡 项目特色: 采用统一优化引擎，支持智能后端选择，提供完整的中英文界面和专业量化分析。
1. 累计收益对比图
展示各ETF与最优组合的累计收益表现，直观对比不同策略的投资效果。
2. 有效前沿图
经典马科维茨有效前沿，显示风险-收益的最优边界，红点标记最优组合位置。
3. 投资组合权重饼图
清晰展示最优组合中各ETF的权重分配，帮助投资者理解资产配置结构。
4. 收益率分布直方图
分析投资组合收益率的分布特征，包含正态分布拟合和统计指标。
需要Tushare Pro账号和2000+积分才能使用fund_daily接口！
# 克隆项目
git clone https://github.com/StanleyChanH/SharpETF.git
cd SharpETF
# 创建conda环境（推荐）
conda create -n sharpetf python=3.9 -y
conda activate sharpetf
# 安装依赖
pip install -r requirements.txt# 运行完整分析
python main.py
# 输出文件
├── outputs/
│ ├── etf_optimization_report.html # 🆕 专业HTML报告
│ ├── cumulative_returns.png # 累计收益对比图
│ ├── efficient_frontier.png # 有效前沿图
│ ├── portfolio_weights.png # 权重饼图
│ ├── returns_distribution.png # 收益率分布图
│ └── optimization_results.json # 详细数据# 在浏览器中打开HTML报告
# 推荐使用Chrome或Firefox浏览器获得最佳体验
open outputs/etf_optimization_report.html{
"tushare_token": "your_token_here",
"etf_codes": [
"513500.SH", // 标普500ETF
"159941.SZ", // 纳指ETF
"512500.SH", // 中证500ETF
"516160.SH" // 新能源ETF
],
"start_date": "20240101",
"end_date": "20241201",
"risk_free_rate": 0.02,
"trading_days": 252,
"output_dir": "outputs"
}方法1：修改配置文件
cp config.json.example config.json编辑 config.json 文件：
{
"tushare_token": "您的Tushare Token",
"etf_codes": ["159632.SZ", "159670.SZ", "159770.SZ", "159995.SZ", "159871.SZ", "510210.SH"],
"start_date": "20240101",
"end_date": "20241201",
"risk_free_rate": 0.02,
"trading_days": 252,
"output_dir": "outputs"
}方法2：设置环境变量
# Linux/Mac
export TUSHARE_TOKEN=您的Tushare Token
# Windows
set TUSHARE_TOKEN=您的Tushare Tokenpython main.pySharpETF/
├── src/ # 源代码目录 (重构优化后)
│ ├── config.py # 配置管理
│ ├── data_fetcher.py # 数据获取模块（支持ETF中文名称）
│ ├── data_processor.py # 数据处理模块
│ ├── portfolio_optimizer.py # 🔧 统一优化引擎 (CVXPY/SciPy)
│ ├── evaluator.py # 评估指标模块
│ ├── visualizer.py # 基础可视化模块
│ ├── utils.py # 工具函数模块
│ ├── risk_manager.py # 高级风险管理
│ ├── rebalancing_engine.py # 动态再平衡引擎
│ ├── multi_objective_optimizer.py # 多目标优化器
│ ├── investment_tools.py # 实用投资工具（复杂增长预测）
│ ├── html_report_generator.py # 专业HTML报告生成器
│ ├── correlation_analyzer.py # 相关性分析模块
│ ├── font_config.py # 中文字体配置模块
│ ├── quant_signals.py # 🔧 统一量化信号模块
│ ├── enhanced_portfolio_optimizer.py # 增强投资组合优化器
│ ├── enhanced_visualizer.py # 增强可视化模块
│ └── simple_enhanced_optimizer.py # 简化增强优化器 (备用)
├── main.py # 主执行脚本 (重构优化)
├── config.json.example # 配置文件模板
├── requirements.txt # 依赖库列表
├── README.md # 项目文档
├── ENHANCED_USAGE_GUIDE.md # 详细使用指南
├── CLAUDE.md # 项目架构说明
└── outputs/ # 输出目录（自动创建）
├── cumulative_returns.png
├── efficient_frontier.png
├── portfolio_weights.png
├── returns_distribution.png
├── optimization_results.json
└── etf_optimization_report.html # 专业HTML分析报告
- 统一优化引擎: 合并了CVXPY和SciPy版本，支持自动后端选择
- 统一量化信号: 整合了simple和advanced版本，支持模式切换
- 代码精简: 从21个文件减少到19个，代码行数减少4.8%
- 架构优化: 消除重复代码，提升可维护性
- 向后兼容: 保留所有原有功能，接口保持一致
- 自动检测: 系统自动检测可用的计算后端 (CVXPY/SciPy)
- 优先级: 优先使用SciPy，不可用时自动切换到CVXPY
- 降级机制: 当主要优化失败时，自动使用备用方法
- 性能优化: 根据问题规模选择最适合的求解器
| 优化策略 | 目标 | 适用场景 | 特点 |
|---|---|---|---|
| 最大夏普比率 | 风险调整收益最大化 | 追求高收益 | 经典Markowitz优化 |
| 风险平价 | 等风险贡献 | 稳健投资 | 分散化风险 |
| 稳定性优化 | 收益稳定性 | 保守投资 | 降低波动性 |
| 分层风险平价 | 相关性聚类 | 复杂组合 | 智能分层 |
# 95% VaR (历史法): -2.34%
# 99% VaR (参数法): -3.12%
# 95% CVaR: -4.56%- 📉 市场崩盘 (-30%)
- 📊 温和下跌 (-15%)
- ⚡ 闪电崩盘 (-10%)
- 🐻 熊市情景 (-40%)
- HHI指数: 集中度测量
- 有效持仓: 真实分散度
- 最大单一权重: 风险集中度
- ⏰ 时间触发: 月度/季度定期
- 📏 阈值触发: 权重偏离>5%
- 📊 波动率触发: 偏离目标20%
- 💰 最小交易金额限制
- 📊 净收益评估
- 🎯 智能交易时机
# 5年期预测 (100万初始投资) - 基于Monte Carlo模拟
• 平均预期价值: 2,446万元
• 中位数价值: 1,919万元
• 概率分布:
- 10%分位数（最差10%）: 85.5万元
- 75%分位数: 3,445万元
- 90%分位数（最优10%）: 5,201万元
• 多年度表现:
- 第1年平均价值: 189万元
- 第2年平均价值: 356万元
- 第3年平均价值: 646万元
• 情景分析:
- 牛市情景成功率: 100.0%
- 熊市情景成功率: 99.9%
- 高波动情景成功率: 100.0%
- 低波动情景成功率: 100.0%# 月定投5000元，10年期
• 总投入: 60万元
• 预期价值: 120万元
• 年化收益: 8.5%- 自动获取ETF中文名称并缓存
- 所有报告和图表显示中文ETF名称
- 支持ETF代码与名称的对应查询
# 统一量化信号 (v2.3.0 重构优化)
🔧 模式化设计
- Simple模式: 基础量化指标，快速计算
- Advanced模式: 高级指标和技术分析
- Auto模式: 根据数据情况自动选择
📊 动量信号
- 短期(20天)、中期(60天)、长期(120天)价格动量
- 动量强度和趋势识别
- 相对动量和动量趋势
📉 波动率信号
- 历史波动率和下行波动率
- 波动率比率和波动率趋势
- 夏普比率和索提诺比率信号
🎢 趋势信号
- 价格相对位置和移动平均信号
- 趋势强度和多时间框架分析
- 趋势一致性指标
💎 质量信号
- 收益稳定性和正收益比率
- Calmar比率和盈亏比
- 最大回撤控制
🔧 技术指标 (Advanced模式)
- RSI相对强弱指标
- 布林带位置分析
- 高级统计分析
🔄 统一信号合成
- 多维度信号标准化和加权
- 综合评分计算
- 信号分析和投资建议# 量化增强优化流程
📊 传统优化 vs 增强优化
- 传统优化：基于历史收益率和协方差矩阵
- 增强优化：融入量化信号的预期收益率调整
- 多因子模型：信号权重动态调整
- 风险约束：保持风险管理水平
⚖️ 信号调整机制
- 步骤1：计算基础优化权重
- 步骤2：应用量化信号调整预期收益
- 步骤3：重新求解最优化问题
- 步骤4：风险约束验证和微调
📈 优化效果评估
- 夏普比率提升分析
- 收益风险特征对比
- 权重分散度改善
- 历史回测验证# HTML报告包含的主要内容
📊 投资组合概览
- 基础配置信息
- 最优权重分配（中文名称显示）
- 核心绩效指标
🔄 多目标优化比较
- 四种优化策略对比
- 风险收益特征分析
- 策略适用性建议
🔬 量化信号分析
- 综合信号排名和强度
- 分项信号详细分析
- 信号历史表现评估
- 量化投资方法论介绍
🚀 增强优化结果
- 传统vs增强优化对比
- 优化效果详细分析
- 投资方案建议
- 方法论对比说明
🔒 高级风险分析
- 综合风险评级
- VaR/CVaR风险指标
- 集中度风险分析
🔗 相关性分析
- 相关性风险评估
- 分散化评分
- 高相关性ETF对识别
📈 增长预测分析
- 基础统计指标
- 概率分布分析
- 多目标成功率
- 风险指标评估
- 情景分析（牛市/熊市/高波动/低波动）
- 分年度表现预测
💡 投资建议
- 个性化投资建议
- 风险提示和策略推荐====================================================================================================
🎯 增强版ETF投资组合优化系统 - 综合分析报告
====================================================================================================
🏆 最优组合基础表现:
• 最大夏普比率: 6.3520
• 年化收益率: 105.43%
• 年化波动率: 11.13%
• 最大回撤: -3.26%
🔄 多目标优化比较:
• Maximum Sharpe Ratio: 收益=72.71%, 波动=11.13%, 夏普=6.3520
• Risk Parity: 收益=115.46%, 波动=22.85%, 夏普=4.9657
• Hierarchical Risk Parity: 收益=78.31%, 波动=12.88%, 夏普=5.9234
🔒 高级风险分析:
• 综合风险评级: 中风险
• 95% VaR (历史): -0.76%
• 集中度指数 (HHI): 3733
💡 投资建议:
1. 持仓集中度过高，建议分散化投资
2. 当前风险水平适中，适合积极型投资者
3. 建议每季度进行一次再平衡
🔗 相关性分析:
• 相关性风险等级: 高风险
• 分散化评分: 70.4/100
• 平均相关性: 0.286
• 高相关性ETF对: 4对
🔬 量化信号分析:
• 综合信号排名前3名: 新能源ETF, 半导体ETF, 芯片ETF
• 信号类型: 动量、波动率、趋势、质量等8种信号
• 最佳表现ETF: 基于历史信号表现评估
🚀 增强投资组合优化:
• 夏普比率: 6.4520 (+0.1000提升)
• 预期年化收益: 107.52%
• 集中度指数 (HHI): 3500 (更加分散)
• 有效资产数量: 3.2个
• 夏普比率提升: +1.6%
📈 5年增长预测 (100万初始投资):
📊 原始策略:
• 平均预期价值: 2,446万元
• 中位数价值: 1,919万元
🚀 量化增强策略:
• 平均预期价值: 2,587万元
• 中位数价值: 2,023万元
• 预期提升: +5.8%
📊 专业HTML报告:
• 详细增长预测分析
• 完整风险评估
• 情景分析和概率分布
• 量化信号分析和增强优化对比
• 投资建议和策略推荐
- 累计收益对比图 (
cumulative_returns.png) - 各ETF与最优组合的收益对比 - 有效前沿图 (
efficient_frontier.png) - 风险收益边界和最优组合位置 - 投资组合权重饼图 (
portfolio_weights.png) - ETF权重分配可视化 - 收益率分布直方图 (
returns_distribution.png) - 收益率分布特征分析
- etf_optimization_report.html - 包含完整分析结果的综合报告:
- 基础绩效指标分析
- 多目标优化比较
- 高级风险评估
- 相关性分析结果
- 详细增长预测（概率分布、情景分析、分年度表现）
- 投资建议和策略推荐
- 交互式图表和响应式设计
- optimization_results.json - 详细的分析数据（JSON格式）
- etf_optimizer.log - 系统运行日志
# 自定义风险模型
risk_manager = get_advanced_risk_manager(
confidence_levels=[0.90, 0.95, 0.99] # 自定义置信度
)
# 再平衡参数
rebalancing_engine = get_rebalancing_engine(
transaction_cost=0.002, # 0.2%交易成本
min_trade_amount=5000 # 最小交易5000元
)# 风险约束优化
weights, metrics = optimizer.maximize_sharpe_with_risk_constraint(
max_volatility=0.12, # 最大波动率12%
max_drawdown=0.15 # 最大回撤15%
)
# 稳定性优化
weights, metrics = optimizer.optimize_for_stable_returns(
stability_weight=0.3 # 30%稳定性权重
)- 选择风险平价或分层风险平价策略
- 关注VaR和最大回撤指标
- 定期进行再平衡
- 选择最大夏普比率策略
- 关注风险调整收益
- 适度分散投资
- 关注收益最大化
- 可以承受较高波动
- 动态调整权重
A: 需要购买Tushare Pro账号的积分，2000积分起购。访问 Tushare官网 购买。
A:
- 保守型: 选择风险平价
- 平衡型: 选择最大夏普比率
- 积极型: 选择稳定性优化
A: 支持所有在Tushare中有数据的ETF，包括但不限于：
159632.SZ- 新能源ETF159670.SZ- 半导体ETF159995.SZ- 芯片ETF159871.SZ- 新能源车ETF510210.SH- 国债ETF
A:
- 低风险: 适合保守投资者，预期收益稳定
- 中风险: 适合平衡投资者，风险收益平衡
- 高风险: 适合积极投资者，追求高收益
A: 系统基于历史数据和量化模型生成建议，仅供参考。投资决策应结合个人风险承受能力和市场情况。
- SciPy优化引擎: 高效的数值优化
- Monte Carlo模拟: 投资增长预测
- 风险管理模型: VaR/CVaR计算
- 相关性分析: 分层聚类算法
- 并行数据获取: 提高数据获取效率
- 智能缓存机制: 减少重复计算
- 内存优化: 支持大规模数据处理
- 错误处理: 完善的异常处理机制
我们欢迎所有形式的贡献！请查看 贡献指南 了解详细信息。
# 1. Fork 项目并克隆
git clone https://github.com/YOUR_USERNAME/SharpETF.git
cd SharpETF
# 2. 创建功能分支
git checkout -b feature/amazing-feature
# 3. 开发和测试
python main.py # 确保功能正常
# 4. 提交更改
git commit -m "feat: add amazing feature"
# 5. 推送并创建 Pull Request
git push origin feature/amazing-feature- 🐛 Bug修复 - 修复已知问题和错误
- ✨ 新功能 - 开发新的量化指标和优化策略
- 📚 文档改进 - 更新文档、添加示例和教程
- 🧪 测试用例 - 增加测试覆盖率和边界测试
- 🔧 性能优化 - 提升算法效率和代码质量
- 🔧 统一优化引擎 - 合并CVXPY和SciPy版本，支持自动后端选择和降级
- 🔧 统一量化信号模块 - 整合simple和advanced版本，支持模式切换
- 🔧 代码精简优化 - 从21个文件减少到19个，代码行数减少4.8%
- 🔧 消除重复代码 - 删除冗余模块和备份文件，提升可维护性
- 🔧 架构优化 - 简化导入结构，增强错误处理
- 🔧 向后兼容性 - 保留所有原有功能，接口保持一致
- ✅ 功能验证 - 在conda环境下成功运行，所有核心功能正常
- ✅ 性能优化 - 智能后端选择，提升计算效率
- ✅ 代码质量 - 增强鲁棒性和可读性
- 🚀 量化信号分析系统 - 多维度量化指标计算和综合信号合成
- 🚀 增强投资组合优化 - 基于量化信号的智能优化引擎
- 🚀 中文字体配置优化 - 集中式字体管理和更好的中文显示支持
- 🚀 简化模块支持 - 增加简化版本的量化信号和优化器模块作为备用
- ✨ 专业HTML报告增强 - 新增量化信号分析和增强优化对比模块
- ✨ 方法论详细介绍 - 量化投资和增强优化的完整方法论说明
- 🐛 修复字体显示和图表中文支持问题
- 🔧 优化模块化架构和错误处理机制
- 📊 增强可视化图表的中文显示效果
- ✨ ETF中文名称支持 - 自动获取并显示ETF中文名称
- ✨ 复杂增长预测系统 - 基于Monte Carlo模拟的详细增长预测
- ✨ 专业HTML报告生成 - 包含完整分析结果的综合HTML报告
- ✨ 相关性分析模块 - 投资组合相关性风险评估和分散化评分
- ✨ 概率分布分析 - 分位数分析和多年度表现预测
- ✨ 情景分析功能 - 牛市/熊市/高波动/低波动情景模拟
- 🐛 修复增长预测中的数值错误和数组维度问题
- 🔧 优化算法稳定性和数值计算精度
- 📊 增强HTML报告的交互性和可视化效果
- ✨ 新增多目标优化引擎
- ✨ 增加高级风险管理模块
- ✨ 实现动态再平衡策略
- ✨ 添加实用投资工具
- 🎨 全新UI界面设计
- 📊 增强可视化图表
- 🐛 修复已知问题
- ⚡ 性能大幅提升
- 🎉 初始版本发布
- 📊 基础夏普比率优化
- 📈 有效前沿计算
- 🎨 可视化图表生成
本项目采用 MIT 许可证 - 查看 LICENSE 文件了解详情
- Bug报告: GitHub Issues
- 功能请求: GitHub Discussions
- 安全问题: 请通过私有邮件报告
- 使用指南: ENHANCED_USAGE_GUIDE.md
- 项目架构: CLAUDE.md
- 贡献指南: CONTRIBUTING.md
- 项目维护者: StanleyChanH
- 项目主页: SharpETF
- Star本项目: 如果觉得有用，请给个⭐️
- 分享项目: 帮助更多投资者发现这个工具
- 贡献代码: 欢迎提交Pull Request
- Tushare - 提供高质量的金融数据服务
- SciPy - 优秀的科学计算库
- Pandas - 强大的数据分析工具
- Matplotlib - 专业的可视化库
- NumPy - 高性能数值计算库
- 🐛 Issues: GitHub Issues
- 📖 文档: 使用指南
🎯 关注更多量化投资内容
[量化投资 | ETF投资 | Python量化 | 投资组合优化 | 夏普比率]