最近在学习Axioma的优化器的用法，主要是gui与它的Python API。Axioma的Python API真的还挺复杂的，使用Axioma的API来进行回测和优化，一方面这个轮子同事已经造好了，另一方面我有自己的框架，感觉再用这套就比较麻烦。但是Axioma优化器的设计的思路却是值得学习。目前国内也有一些量化平台在提供了一些优化器的API，感觉是不得要领，显得简单了一些。
在专栏之前的文章，已经介绍了通过Python来进行多因子投研的一些内容，组合优化也介绍了一部分。本人最近一段时间也在研究商业优化器的开发，所以本文将主要讨论组合优化的设计。
我一个人做其实挺难的，后端算法，数据，模型我都能搞定，但是前端这块却是一个问题，不是说会不会写，而是如何设计让自己（用户）用的舒服，用的满意，并在这个基础上进行研发就比较难，怪不得产品和开发经常争论，互相不顺眼。在这个问题的研究上，我好像把前端，后端，产品，算法，数据的活都要包揽，在家的工作量可不小。
下面我会结合模型，具体来讲如何来做优化器的设计。
同其他量化模型一样，数据也是优化器的基础，无论是目标函数还是约束都需要数据来进行支撑。下面简单罗列了一些需要的数据：
- Universe：全局股票池，记录股票的基本信息，例如代码，中文简称，停复牌信息等等
- Local Universe：投资股票池，也是优化所使用的股票池
- Price：股票价格
- Date：优化的日期
- Benchmark：基准的成分股权重信息
- Industry：股票的行业属性
- Risk Model：风险模型数据
- Group：优化所需要的各类因子数据
一个优化策略大概是由三部分构成：
- 基本设置，比如优化日期，基准，使用的风险模型，初始资金，初始权重等等
- 目标函数，一般来说是一些项的线性加总，需要定义各项的权重，例如我最大化组合的二次效用，那么这实际上是两个部分相加而成：预期收益和预期风险
- 约束：各种约束类型，例如行业中性，跟踪误差等等
在优化成功后，我们当然不是简单的就把优化的结果做成交易单发给交易员来做，我们还需要对优化后的持仓进行分析，看看是不是符合我们的需求，这里我想了几点可能基本要做的：
- 与基准的行业偏离，风格偏离
- 与初始权重的比较
- 激活的约束包含哪些
- 组合持仓本身的一些归因分析
这个问题纠结了很久，开始想全部都用网页的形式来着，但是网页相对Excel来说在模型的数据层面的展示不是很好，而且网页不用IFRAME体验不是很好，但IFRAME据说有很多缺点，只能放弃。而Excel可以敲公式，还可以使用万得插件，拉金融数据很方便，添加新的数据也很方便。但Excel调用Python不方便，即对运行策略进行优化这个环节体验不是很好。总之，这两者各有各的利弊，所以我会结合两者一起来用。而对于商用的优化器，实际上会有GUI来实现两者的统一，这块能力不够，本人只能折衷了。
数据层面的展示如下：
我将不同的数据做在了不同的Sheet当中，这样查看还是比较方便的，如果添加新的数据，可以通过增加Sheet的方式来添加。
生成了这个文件之后，如果需要重新优化，可以直接加载这个Excel来获取数据，有点像我们通过Excel来存储一个WorkSpace。
整个开发的项目的框架如下：
大概分为三个部分：
Constraint即定义了一些常见的约束：
在之前的文章中，介绍过线性约束与二次约束。通过继承的方法，我们可以不断拓展具体的约束类型，例如我们还可以控制组合在一些主题上的暴露，或者控制组合在板块上的约束等等。
这种方法，对于我们写代码的来说比较方便，但对于不会写代码的来说不方便，这块后面还是需要进行迭代。对于不会写代码的用户，他要么GUI上点点点，要么提供一个配置文件的模板，他来在配置文件形式上修改。
我们的数据存储通过DataClass来完成，即在我们优化之前，DataClass会调用一系列的方法来完成数据的抓取，并提供给优化程序。主要数据如图中所示，也可以通过继承的方法来对数据进行扩展。
核心对象为Optimizer，它通过add_constraint方法来添加约束，add_object方法来设置目标函数，solver函数进行求解，status来记录优化状态，等等。
这样，我们通过抽象，将组合优化拆解成了数据，约束，优化三个部分。
如前文所说，app.py主要给来做优化器网页的前端展示，以及整个优化服务的部署。这块比较麻烦，真的是产品+前端+后端三个活都要干了，精力实在有限，还没有做完。
另外还有一个部分是对优化后的组合进行分析，这块还没来的及做，后面也还需要花点时间来研究。
- 本文真的是详细的写了自己优化器的设计的一些思路，供感兴趣的读者参考。后面在开发完成后，也会把网页前端的一些设计起贴出来。当然，后面可能主要精力还是会放在研究上了。结合前面介绍的一些多因子模型的模块，整个Python与量化多因子的投研体系其实已经很完善了。
- 一个人真的很奇怪，有时候完全不想写代码，有时候却也蛮有成就感的，不过其实也然并卵，坚持真的全靠热爱。
- 坚持也不容易，觉得有帮助给作者我打赏呀。
