用途
该技能用于实现和研究投资组合优化方法，涵盖从经典均值-方差优化到现代稳健与因子方法的资产配置技术。适用于量化投资研究、资产配置策略开发与教学场景。
主要能力
均值-方差优化
提供经典 Markowitz 均值-方差优化的 Python 实现，支持两种目标：给定目标收益下最小化波动率，或最大化夏普比率。约束包括权重之和为 1、不做空（每项资产权重 0 到 1）。返回权重、预期收益、波动率和夏普比率。
有效前沿
通过在每个目标收益水平上求解最小方差组合，计算有效前沿，返回各点的收益、波动率和夏普比率。
Black-Litterman 模型
将市场均衡与投资者观点结合。输入包括市值权重、协方差矩阵、观点识别矩阵 P、观点收益 Q、观点不确定性 omega、风险厌恶系数和 tau。步骤为：反向优化得到隐含均衡收益，计算观点不确定性（未提供时使用 He-Litterman 方法），再求后验预期收益。返回均衡收益、后验收益和后验协方差。
风险平价
实现等风险贡献组合，使每项资产对总组合风险的贡献相等。支持自定义风险预算，返回权重、组合波动率、风险贡献占比和最大风险偏离。
因子组合构建
使用 Fama-French 五因子模型（Mkt-RF、SMB、HML、RMW、CMA）通过 OLS 回归估计资产因子暴露，返回 alpha、各因子 beta 和 R 平方。
再平衡与交易成本
根据当前权重与目标权重的偏差决定是否再平衡，支持阈值触发和比例交易成本，返回交易、换手率、交易成本及成本占比。
使用方式
技能以 Python 代码示例形式提供各方法的实现，依赖 numpy、scipy、statsmodels、pandas 等库。用户可参考示例代码进行调用或集成。
适用场景
量化投资研究、资产配置策略开发、投资组合风险管理、金融工程教学。
限制
资料未提供具体安装命令、运行环境要求、性能指标或收费信息。代码示例为参考实现，实际使用需自行验证。