🧱 约束优化：把投资直觉变成数学边界

未经约束的优化器是危险的（见MPT 的两大顽疾 ），而约束正是驯化它的缰绳。本篇把组合优化中最常用的约束整理成目录——每一类都给出数学形式、金融含义、参数怎么定，并讨论约束的隐性代价。

约束目录

① 预算与边界（必选）

1
2

Σwᵢ = 1                预算约束（满仓；含现金时 =1 即可）
lᵢ ≤ wᵢ ≤ uᵢ          单票上下限（l=0 禁做空；u 常取 3%–8%）

单票上限的依据：个股黑天鹅的容忍度——上限 5% 意味着单票腰斩对组合伤害 2.5%。流动性修正：小票的上限应更低——uᵢ = min(5%, k × ADVᵢ × 清仓天数)（保证 3 日可清仓，见流动性 ）。算例：某票 ADV 8000 万，按 10% 参与率 × 3 日 = 2400 万可承接；净值 5 亿时对应权重上限 4.8%——流动性给的约束比风控给的更紧。

② 行业与风格暴露（指增必选）

1
2

|Σ_{i∈行业j} wᵢ − 基准j| ≤ b_j        行业偏离上限
|wᵀF − 基准ᵀF| ≤ c_k                  风格因子暴露上限（F 为风格暴露矩阵）

参数设定不是拍脑袋而是风险预算的翻译：风格暴露上限 ≈ 跟踪误差预算的分解——TE 5% 的指增，单风格暴露常限 |z| ≤ 0.5，行业偏离 ≤ ±3%。反推方法：用风险模型算每个约束顶格时的 TE 贡献，让「所有约束同时顶格」的 TE 恰好等于预算（见组合风险 ）。主动暴露 = 主动押注：每次放开约束都要能回答「这个押注的 alpha 来源是什么、由谁批准」。

③ 换手约束（成本卫士）

1
2

|w − w₀|₁ ≤ c         L1 换手预算（买卖总额）
|w − w₀|ᵢ ≤ δᵢ        单票调仓幅度（缓冲带）

参数：月频多因子的合理换手预算约 20%–60%/期（L1 双边口径）；更精细的做法是把交易成本直接写进目标函数：max wᵀμ − (λ/2)wᵀΣw − Σ cᵢ|wᵢ − w₀ᵢ|——让优化器自己权衡「调仓收益 vs 成本」，这是约束法的连续版，通常更优。缓冲带（如「跌出 Top 50 才卖 Top 30 的持仓」）是无优化器场景的等效品，能把换手砍半而 IC 损失极小（见横截面策略 ）。

④ 流动性与可交易性（A 股必选）

1
2

wᵢ × 净值 ≤ α × ADVᵢ × 净值          参与率约束（α≈5%–10%）
持仓 ∈ 可交易集合（非停牌、非涨停买入、非ST...）   禁交易名单

这类约束的价值在回测里体现为诚实：不加参与率约束的回测会给你一个实盘买不进的小票权重。禁交易名单是动态集合（每日更新停牌/涨跌停状态），引擎在撮合层强制执行（见回测框架设计 ）。

⑤ 组合级风险约束（风险预算的落点）

1
2
3
4

wᵀΣw ≤ σ²_max            波动率上限
wᵀΣ_f w ≤ 预算            因子风险预算
CVaR(w) ≤ L_max           尾部风险约束（CVaR 优化，可线性化求解）
RC_i 均衡                 风险贡献约束（风险平价的推广，见[风险平价](/quant/risk-parity/)）

约束的隐性代价：影子成本要记账

每条约束都在放弃一点理论最优——拉格朗日乘子（影子价格）告诉你放弃了多少（见优化 ）：行业约束的乘子 = 该约束每收紧 1% 损失多少期望收益。实务用法：

• 乘子常年接近零的约束 → 过度保守，可放宽（释放被无谓束缚的 alpha）；
• 乘子巨大且波动 → 约束在深度绑定组合，检查是约束太紧还是信号有问题（信号若与约束激烈冲突，常常是信号本身带了不想要的风险暴露）。

季度评审一次「乘子报表」，是约束体系保持健康的最简单手段。

工程实现

Python 栈的务实选择：cvxpy（凸优化建模 DSL，接口直觉、solver 可换 ECOS/OSQP/Clarabel）是学术与中小机构标配。一个最小可用的均值-方差 + 约束样例：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10

import cvxpy as cp

w = cp.Variable(n)
obj = cp.Maximize(mu @ w - lam * cp.quad_form(w, Sigma)
                  - cost * cp.norm1(w - w_prev))     # 含换手成本
cons = [cp.sum(w) == 1, w >= 0, w <= 0.05,
        industry_dev(w) <= 0.03,                     # 行业偏离（示意）
        cp.norm1(w - w_prev) <= 0.4]                 # 换手预算
prob = cp.Problem(obj, cons)
prob.solve(solver="CLARABEL")

线性/二次约束的组合优化是标准 QP，毫秒级可解；CVaR 约束可线性化；带整数约束（手数取整、最小手数）会失去凸性——工程上常用「连续解 + 后处理取整 + 再校验约束」的近似路线。开源参考实现见 PyPortfolioOpt/riskfolio-lib（见框架概览 ）。

一条元原则收尾：约束的清单其实是你投资哲学的形式化——「不押单一行业」「不做高换手」「要能随时清仓」这些价值观，写成约束才不依赖盘中的意志力。约束不是 alpha 的敌人，而是让 alpha 可长期兑现的结构。

关联阅读：约束赖以工作的数学微积分与优化 ；暴露的监控闭环组合风险 ；换手成本的科学交易成本分解 。