马科维茨投资组合优化的 cvxopt - 寻找最佳夏普比率的点

Question

我已经尝试了 3 天来了解如何在 python 中使用 cvxopt 模块来计算有效边界。我在以下位置找到的代码片段：https : //github.com/markharley/Markowitz/blob/master/markowitz.py

可能是说明我的问题的最佳方式，我在这篇文章的底部完整地包含了它。

使用现代投资组合理论维基百科页面上的方程式：

https://en.wikipedia.org/wiki/Modern_portfolio_theory#Efficient_frontier_with_no_risk-free_asset

我理解为什么第一次使用solvers.qp 使用：

solvers.qp(S, -q*pbar, G, h, A, b)['x']

其中 q 是风险承受能力因子。然后代码继续使用 polyfit 计算最佳夏普比率的点，我也理解，但我迷路的地方是为什么现在的代码是：

# Calculate the optimal portfolio
wt = solvers.qp(opt.matrix(x1 * S), -pbar, G, h, A, b)['x']

其中 x1 是最佳夏普比率点的回报。我不知道为什么突然间我们可以将 S（协方差矩阵）乘以 x1 并在 -pbar 项中去掉 q。

任何人都可以对此有所了解吗？抱歉，如果我没有正确解释这一点，任何澄清请求也可能有助于我让我的问题更清楚。

谢谢！

def optimal_portfolio(returns):
n = len(returns)
returns = np.asmatrix(returns)

N = 100
qs = [10**(-5.0 * t/N + 1.0) for t in range(N)]

# Convert to cvxopt matrices
S = opt.matrix(np.cov(returns))

# np.mean computes vector of means along
# as mean of each row
pbar = opt.matrix(np.mean(returns, axis=1))

# Create constraint matrices
# -- documentation at http://cvxopt.org/userguide/coneprog.html#quadratic-programming
G = -opt.matrix(np.eye(n)) # negative nxn id
h = opt.matrix(0.0, (n, 1)) # n x 1 zero vector
A = opt.matrix(1.0, (1, n)) # 1 x n 1-vector
b = opt.matrix(1.0) # [1.0]

## Calculate efficient frontier weights using quadratic programming
## https://en.wikipedia.org/wiki/Quadratic_programming
# Minimizes (1/2) w^T * S * w - q pbar^T * w for weights w
# subject to the constrains:
# G * w <= h (component-wise) -- positive weights
# and A*w = b -- Sum of weights == 1
# where S is the covariance matrix,
# pbar are the mean returns,
# q is a measure of risk tolerance
portfolios = [solvers.qp(S, -q*pbar, G, h, A, b)['x'] for q in qs]

## Could replace above with Lagrange multiplier (or convex hull)

# Calculate risks and mean returns for frontier
returns = [blas.dot(pbar, x) for x in portfolios]
risks = [np.sqrt(blas.dot(x, S * x)) for x in portfolios]

# Calculate quadratic for the frontier curve
m1 = np.polyfit(returns, risks, 2)
x1 = np.sqrt(m1[2] / m1[0])

# Calculate the optimal portfolio
wt = solvers.qp(opt.matrix(x1 * S), -pbar, G, h, A, b)['x']

return np.asarray(wt), returns, risks