传统观念分散持仓越多风险越低，编程逐步增加持仓个股数量，测算组合波动率拐点，找到最优分散上限。

一、实际应用场景描述

在智能证券投资课程中，投资组合分散化（Diversification）与最优持仓数量是核心教学内容。

本程序适用于：

- 高校量化投资、投资组合管理课程实验

- 投资者教育（Investor Education）

- 风险分散的边际效应教学

- 个人投资者仓位优化训练

核心目标：

- 模拟逐步增加持仓个股数量（如 1→2→5→10→20→50）

- 测算每个组合规模下的波动率变化

- 找到波动率拐点（分散化收益递减点）

- 用数据回答："是不是分散得越多，风险越低？"

✅ 不做未来预测

✅ 不构成投资建议

✅ 仅作为历史数据教学回测示例

二、痛点引入（真实可感知）

痛点 表现

"分散 = 万能" 以为买 50 只就不亏

忽略边际递减 从 1→10 只降波幅大，10→50 几乎不变

管理成本飙升 仓位太散，复盘和调仓困难

过度分散 = 变相指数 收益率被稀释

工具门槛高 专业组合优化平台复杂

👉 需要一个轻量、本地、可解释、可复现的组合分散化分析工具

三、核心逻辑讲解（工程视角）

1️⃣ 数据模型设计

PortfolioSimulation

├── base_symbol 锚定个股（用于生成组合）

├── return_matrix 各股收益率矩阵

└── volatility_curve 波动率随持仓数变化曲线

2️⃣ 组合构建逻辑（教学用）

步骤 操作

① 从个股池中随机等权选取 N 只

② 计算组合收益率 = 各股收益率等权平均

③ 计算组合波动率 = 收益率序列标准差

④ 重复多次取平均（消除随机性）

⑤ N 从 1 到 Max 逐步增加

3️⃣ 核心公式

组合收益率：

R_portfolio = (R₁ + R₂ + ... + Rₙ) / N

组合波动率：

σ = StdDev(R_portfolio) × √252 （年化）

边际降幅：

边际降幅 = σ(N) − σ(N+1)

当边际降幅 < 阈值（如 0.5%），认为已达分散上限。

4️⃣ 拐点判定算法

遍历 N = 1 → Max：

计算 σ(N)

计算边际降幅

若连续 3 个 N 边际降幅 < 阈值：

标记为拐点

输出"最优分散数量"

5️⃣ 设计原则

- 不假设正态分布，直接基于历史数据

- 等权假设，贴近散户真实操作

- 多次抽样，减少随机性干扰

四、Python 模块化代码（可直接运行）

📁 项目结构

diversification_optimizer/

│

├── main.py

├── models.py

├── simulator.py

├── analyzer.py

├── reporter.py

├── storage.py

├── README.md

└── DISCLAIMER.md

✅ models.py（数据建模）

"""

models.py

组合分散化分析数据模型

"""

class StockReturnSeries:

"""单只个股收益率序列"""

def __init__(self, symbol, returns):

"""

symbol: 股票代码

returns: 日收益率列表（%）

"""

self.symbol = symbol

self.returns = returns

class SimulationConfig:

"""模拟配置"""

def __init__(

self,

max_holdings=50,

simulations_per_n=20,

annualize=True

):

self.max_holdings = max_holdings

self.simulations_per_n = simulations_per_n

self.annualize = annualize

✅ simulator.py（核心模拟引擎）

"""

simulator.py

逐步增加持仓数量，模拟组合波动率变化

"""

import random

import numpy as np

from models import StockReturnSeries, SimulationConfig

def simulate_diversification(stock_pool, config):

"""

核心模拟引擎：

对每个持仓数量 N，随机抽样 N 只股票构成等权组合，

计算组合波动率，多次取平均。

"""

n_stocks = len(stock_pool)

max_n = min(config.max_holdings, n_stocks)

volatility_curve = []

for n in range(1, max_n + 1):

vol_list = []

for _ in range(config.simulations_per_n):

# 随机抽样 N 只

selected = random.sample(stock_pool, n)

# 等权组合收益率

portfolio_returns = [

sum(s.returns[i] for s in selected) / n

for i in range(len(selected[0].returns))

]

# 波动率

vol = np.std(portfolio_returns)

if config.annualize:

vol *= np.sqrt(252) # 年化

vol_list.append(vol * 100) # 转百分比

avg_vol = np.mean(vol_list)

std_vol = np.std(vol_list)

volatility_curve.append({

"n": n,

"avg_volatility": round(avg_vol, 2),

"std_volatility": round(std_vol, 2),

"min_vol": round(min(vol_list), 2),

"max_vol": round(max(vol_list), 2)

})

return volatility_curve

✅ analyzer.py（拐点检测）

"""

analyzer.py

波动率拐点检测——找到最优分散上限

"""

def find_elbow_point(volatility_curve, threshold=0.5):

"""

检测波动率边际降幅的拐点

逻辑：

当连续 3 个 N 的边际降幅都 < threshold 时，

认为已达到分散化上限。

"""

if len(volatility_curve) < 4:

return None, []

# 计算边际降幅

margins = []

for i in range(1, len(volatility_curve)):

prev_vol = volatility_curve[i - 1]["avg_volatility"]

curr_vol = volatility_curve[i]["avg_volatility"]

margin = prev_vol - curr_vol

margins.append({

"n": volatility_curve[i]["n"],

"margin": round(margin, 2),

"cumulative_vol": round(curr_vol, 2)

})

# 寻找拐点

elbow_n = None

for i in range(2, len(margins)):

if (

margins[i]["margin"] < threshold and

margins[i - 1]["margin"] < threshold and

margins[i - 2]["margin"] < threshold

):

elbow_n = margins[i]["n"]

break

return elbow_n, margins

def summarize(volatility_curve, elbow_n):

"""汇总统计"""

vol_list = [v["avg_volatility"] for v in volatility_curve]

return {

"min_vol": round(min(vol_list), 2),

"max_vol": round(max(vol_list), 2),

"total_reduction": round(vol_list[0] - vol_list[-1], 2),

"reduction_pct": round((vol_list[0] - vol_list[-1]) / vol_list[0] * 100, 2),

"elbow_n": elbow_n,

"elbow_vol": next(

(v["avg_volatility"] for v in volatility_curve if v["n"] == elbow_n),

None

)

}

✅ reporter.py（分析报告输出）

"""

reporter.py

分散化优化分析报告

"""

def report(volatility_curve, elbow_n, margins, summary):

print("\n" + "=" * 65)

print("【分散持仓数量 vs 组合波动率分析报告】")

print("=" * 65)

# 逐 N 展示

print(f"\n📊 波动率变化曲线：")

print("-" * 65)

print(f"{'N':>4} | {'波动率(%)':>10} | {'边际降幅(%)':>12} | {'累计降幅(%)':>12}")

print("-" * 65)

for i, v in enumerate(volatility_curve):

if i == 0:

print(f"{v['n']:>4} | {v['avg_volatility']:>10} | {'—':>12} | {'—':>12}")

else:

cumul = v["avg_volatility"] - volatility_curve[0]["avg_volatility"]

# 找到对应的边际降幅

m = next((m["margin"] for m in margins if m["n"] == v["n"]), 0)

print(f"{v['n']:>4} | {v['avg_volatility']:>10} | {m:>12} | {cumul:>12}")

# 拐点分析

print(f"\n{'=' * 65}")

print(f"\n💡 拐点检测结果：")

if elbow_n:

print(f" ✅ 最优分散上限：{elbow_n} 只")

print(f" 对应波动率：{summary['elbow_vol']}%")

print(f" 从 1→{elbow_n} 只，波动率降低 {abs(summary['elbow_vol'] - volatility_curve[0]['avg_volatility']):.2f}%")

print(f"\n → 超过 {elbow_n} 只后，继续分散的边际收益极小")

print(f" → 建议持仓数量控制在 {elbow_n} 只以内")

else:

print(f" ⚠️ 未检测到明显拐点（阈值 0.5%）")

print(f" → 可能需增加模拟次数或扩大样本")

# 汇总

print(f"\n📋 汇总统计：")

print(f" 波动率降幅：{summary['total_reduction']}% （{summary['reduction_pct']}%）")

print(f" 最大波动率（N=1）：{summary['max_vol']}%")

print(f" 最小波动率（N={volatility_curve[-1]['n']}）：{summary['min_vol']}%")

# 教学结论

print(f"\n{'=' * 65}")

print(f"\n💡 教学启示：")

first_vol = volatility_curve[0]["avg_volatility"]

last_vol = volatility_curve[-1]["avg_volatility"]

if summary["reduction_pct"] > 50:

print(f" ✅ 分散化效果显著：波动率降低 {summary['reduction_pct']}%")

elif summary["reduction_pct"] > 20:

print(f" ⚠️ 分散化有一定效果：波动率降低 {summary['reduction_pct']}%")

else:

print(f" ⚠️ 分散化效果有限：波动率仅降低 {summary['reduction_pct']}%")

print(f" → 可能个股相关性过高，分散化无法有效降风险")

if elbow_n and elbow_n <= 5:

print(f"\n 📌 关键发现：仅需 {elbow_n} 只即可捕获大部分分散化收益")

print(f" → 「分散越多越好」存在明显天花板")

elif elbow_n:

print(f"\n 📌 关键发现：需要 {elbow_n} 只才趋于稳定")

print(f" → 该股票池相关性较低，需要更多标的分散")

print(f"\n 核心结论：")

print(f" 分散持仓能降风险，但存在明确边际递减规律。")

print(f" 「越多越好」不成立——找到拐点才是关键。")

print("=" * 65)

✅ storage.py（本地存储）

"""

storage.py

JSON 本地存储

"""

import json

FILE_PATH = "diversification_analysis.json"

def save_result(data):

with open(FILE_PATH, "w", encoding="utf-8") as f:

json.dump(data, f, ensure_ascii=False, indent=2)

✅ main.py（交互入口）

"""

main.py

分散持仓数量与组合波动率分析工具

"""

import random

import numpy as np

from models import StockReturnSeries, SimulationConfig

from simulator import simulate_diversification

from analyzer import find_elbow_point, summarize

from reporter import report

from storage import save_result

def main():

print("=== 分散持仓数量 vs 组合波动率分析工具（教学版）===")

print("量化「分散越多风险越低」是否存在天花板\n")

# 个股数量

n_stocks = int(input("个股池数量（默认 30）：") or "30")

max_holdings = int(input("最大测试持仓数（默认 20）：") or "20")

sims = int(input("每个 N 模拟次数（默认 20）：") or "20")

# 生成模拟数据（教学中可替换为真实数据）

print(f"\n📌 生成 {n_stocks} 只个股的模拟收益率序列...")

stock_pool = []

for i in range(1, n_stocks + 1):

symbol = f"STK{str(i).zfill(3)}"

# 模拟：均值 0.05%，标准差 2% 的日收益

returns = np.random.normal(0.05, 2.0, 252).tolist()

stock_pool.append(StockReturnSeries(symbol, returns))

config = SimulationConfig(

max_holdings=max_holdings,

simulations_per_n=sims

)

# 执行模拟

print(f"\n⏳ 模拟中...")

volatility_curve = simulate_diversification(stock_pool, config)

# 拐点检测

elbow_n, margins = find_elbow_point(volatility_curve)

# 汇总

summary = summarize(volatility_curve, elbow_n)

# 输出报告

report(volatility_curve, elbow_n, margins, summary)

# 保存结果

result_data = {

"config": {

"stock_pool_size": n_stocks,

"max_holdings": max_holdings,

"simulations_per_n": sims

},

"volatility_curve": volatility_curve,

"margins": margins,

"summary": summary

}

save_result(result_data)

print("\n✅ 分析结果已保存")

if __name__ == "__main__":

main()

五、README 与使用说明

# 分散持仓数量 vs 组合波动率分析工具（教学版）

## 项目说明

逐步增加持仓个股数量，测算组合波动率拐点，找到最优分散上限。

## 使用方式

bash

pip install numpy

python main.py

## 输入示例

个股池数量：30

最大测试持仓数：20

每个 N 模拟次数：20

## 核心概念

| 概念 | 含义 |

|---|---|

| 波动率 | 收益率的标准差（年化） |

| 边际降幅 | 增加 1 只股票带来的波动率减少量 |

| 拐点 | 边际降幅趋近于 0 的位置 |

| 最优分散上限 | 拐点对应的持仓数量 |

## 适用范围

- 量化投资课程

- 投资组合管理教学

- 风险分散边际效应演示

## 注意事项

- 仅基于历史 / 模拟数据

- 不构成任何投资建议

- 使用前请阅读 DISCLAIMER.md

六、DISCLAIMER.md（免责声明与风险提示）

# 免责声明与风险提示

## 免责声明

本程序仅供**教学与科研用途**，用于演示组合分散化与波动率关系。

作者不提供任何证券交易建议，不推荐任何股票，不承诺任何收益。

## 风险提示

1. 历史波动率 ≠ 未来波动率，市场结构可能突变

2. 等权假设简化了现实，实际仓位管理更复杂

3. 个股相关性在高波动期趋于 1，分散化效果骤降

4. 拐点检测阈值（0.5%）为教学假设，非"唯一正确答案"

5. 模拟数据基于正态分布假设，真实收益率分布可能有偏度和峰度

6. 分散化降低的是非系统性风险，系统性风险无法消除

使用本工具产生的任何后果，作者概不负责。

七、核心知识点卡片（教学向）

分类 内容

Python 类、随机数、NumPy 统计、列表推导

量化金融 组合波动率、分散化、边际递减效应

投资组合 非系统性风险 vs 系统性风险

数据分析 拐点检测、边际分析、蒙特卡洛模拟

工程思想 模块化、可配置、可复现

风险教育 分散有上限，不是越多越好

可扩展性 可接入真实收益率 API、支持不等权组合

八、总结（工程师视角）

这是一个完全中立、去营销化、可教学的原型系统：

✅ 不鼓吹分散投资

✅ 不妖魔化集中持仓

✅ 不伪装成组合优化神器

它真正展示的是：

如何用 Python 把"分散越多风险越低"这个直觉，变成可量化、可检验、可反思的数据实验

核心教学价值：

传统观念 数据可能揭示的真相

"买 50 只就稳了" 10 只之后的边际降幅可能 < 0.5%

"分散 = 无风险" 系统性风险（如 2008 年）无法分散消除

"指数基金最分散" 指数本身就是最优分散的近似解

"多买几只就够了" 个股相关性高时，分散效果大打折扣

典型模拟结果参考（教学示意）：

持仓数 N 组合波动率（年化） 边际降幅

1 32.5% —

2 24.1% 8.4%

3 19.8% 4.3%

5 16.2% 1.8%

10 14.1% 0.4% ← 拐点

20 13.5% 0.1%

50 13.2% 0.0%

关键发现：从 1→10 只，波动率降低 57%；从 10→50 只，仅再降 6%。

拐点在 N=10 附近，之后继续分散意义极小。

本文代码仅供学习与技术交流，不构成任何投资建议，股市有风险，入市需谨慎！

利用AI解决实际问题，如果你觉得这个工具好用，欢迎关注长安牧笛！