第 36 篇：策略组合：把鸡蛋放进对的篮子

# —— 第一块：造三个策略的日收益，算相关性，做两种加权 ——
import numpy as np
import pandas as pd

rng = np.random.default_rng(42)                     # 固定种子，结果可复现
dates = pd.bdate_range("2020-01-01", periods=1000)  # 1000 个交易日

# 策略A：趋势型，日波动约 0.95%
ret_a = rng.normal(0.0004, 0.0095, size=1000)
# 策略B：低波动型，日波动约为 A 的一半
ret_b = rng.normal(0.00025, 0.005, size=1000)
# 策略C：大部分时间跟着 A 走（相关约 0.74），用来演示「假分散」
ret_c = 0.7 * ret_a + rng.normal(0.0002, 0.006, size=1000)

rets = pd.DataFrame({"策略A": ret_a, "策略B": ret_b, "策略C": ret_c}, index=dates)

corr = rets.corr()      # 相关性矩阵：对角线恒为 1
print("策略间相关系数：")
print(corr.round(3))

# 等权：每个策略 1/3
eq_w = pd.Series(1 / 3, index=rets.columns)

# 波动率倒数：波动越小，权重越大
vol = rets.std()
inv_vol_w = (1 / vol) / (1 / vol).sum()
print("\n波动率倒数权重：")
print(inv_vol_w.round(3))

comb_eq = rets @ eq_w   # @ 是矩阵乘法：相当于日收益按权重加权求和
comb_iv = rets @ inv_vol_w

# —— 第二块：错误示范与正确做法对比 ——
# 错误：把三条净值曲线直接相加（每个策略都投了全仓，总仓位 300%）
nav_wrong = rets.add(1).cumprod().sum(axis=1)
# 正确：日收益按权重合并，再滚成组合净值
nav_right = (1 + comb_eq).cumprod()
print(f"错误做法期末值（钱凭空变成三份）：{nav_wrong.iloc[-1]:.2f}")
print(f"正确做法期末净值：              {nav_right.iloc[-1]:.2f}")

# —— 第三块：绩效对比 + 相关性热力图 ——
import matplotlib.pyplot as plt

plt.rcParams["font.sans-serif"] = ["SimHei"]    # 让图里能显示中文
plt.rcParams["axes.unicode_minus"] = False

def perf(ret: pd.Series) -> dict:
    """输入日收益序列，返回核心指标（无风险利率按系列统一口径：年化 2%）"""
    nav = (1 + ret).cumprod()                       # 组合净值
    ann_ret = nav.iloc[-1] ** (244 / len(ret)) - 1  # 年化收益（一年约 244 个交易日）
    ann_vol = ret.std() * np.sqrt(244)              # 年化波动
    sharpe = (ann_ret - 0.02) / ann_vol             # 夏普比率
    mdd = (nav / nav.cummax() - 1).min()            # 最大回撤
    return {"年化收益": ann_ret, "年化波动": ann_vol, "夏普": sharpe, "最大回撤": mdd}

rows = {}
for name, r in [("策略A", rets["策略A"]), ("策略B", rets["策略B"]),
                ("策略C", rets["策略C"]), ("等权组合", comb_eq),
                ("倒波动组合", comb_iv)]:
    rows[name] = perf(r)
print(pd.DataFrame(rows).T.round(3))

avg_member_vol = rets.std().mean() * np.sqrt(244)
print(f"\n成员平均年化波动：{avg_member_vol:.3f}，等权组合年化波动：{perf(comb_eq)['年化波动']:.3f}")

# 热力图：颜色越红越相关
fig, ax = plt.subplots(figsize=(5, 4))
im = ax.imshow(corr, cmap="RdYlGn_r", vmin=-1, vmax=1)
ax.set_xticks(range(len(corr)))
ax.set_xticklabels(corr.columns)
ax.set_yticks(range(len(corr)))
ax.set_yticklabels(corr.columns)
for i in range(len(corr)):          # 在每个格子里写上数值
    for j in range(len(corr)):
        ax.text(j, i, f"{corr.iloc[i, j]:.2f}", ha="center", va="center")
fig.colorbar(im)
ax.set_title("策略相关性热力图（示意数据）")
plt.tight_layout()
plt.show()

# —— 第四块：逐年度拆开看，检验「分散」是否年年成立 ——
yearly = (1 + pd.DataFrame({"策略A": rets["策略A"], "策略B": rets["策略B"],
                            "策略C": rets["策略C"], "等权组合": comb_eq})
          ).groupby(rets.index.year).prod() - 1     # 每年累计收益
print(yearly.round(3))

worst = yearly[["策略A", "策略B", "策略C"]].min(axis=1)   # 每年表现最差的成员
print("\n每年最差成员 vs 等权组合（看组合是否常年「不垫底」）：")
print(pd.DataFrame({"最差成员": worst, "等权组合": yearly["等权组合"]}).round(3))

策略间相关系数：
        策略A   策略B   策略C
策略A  1.000  0.021  0.741
策略B  0.021  1.000  0.015
策略C  0.741  0.015  1.000

波动率倒数权重：
策略A    0.253
策略B    0.480
策略C    0.267

            年化收益  年化波动    夏普  最大回撤
策略A         0.098   0.148  0.527  -0.163
策略B         0.061   0.078  0.526  -0.088
策略C         0.117   0.140  0.693  -0.148
等权组合      0.092   0.093  0.774  -0.098
倒波动组合    0.085   0.079  0.823  -0.084