一、何为优化器？
优化器是预测信号到目标仓位之间的重要桥梁，在这一过程中收益预测、风险预测及交易成本等共同作为优化器的数据，再根据产品目标完成持仓权重的优化求解。
在优化器中，根据不同的预测周期和产品线所对应的优化目标采用不同的选股限制，最终实现在约束下最佳的目标仓位。在《明汯投教｜如何理解和区分指数增强与全市场量化选股产品？》一文中提到，量化多头（包括指数增强、全市场选股）、量化对冲等产品线底层的模型框架是相通的，都在同一套“量化选股”模型基础上构建差异化产品线，以满足不同投资者的风险偏好和投资需求。
二、何为组合优化？
在金融学中，组合优化的起源可以追溯到20世纪50年代美国经济学家Harry Markowitz 首次提出的投资组合理论（Portfolio Theory)，他对均值-方差分析方法、投资组合有效边界模型进行了系统深入的研究，并因此获得1990年的诺贝尔经济学奖。
Harry Markowitz 认为，投资者在进行资产配置时，需要考虑不同资产之间风险和收益的关系，才能使整个投资组合达到最优状态，实现相同期望风险水平下的期望收益最大化，或是相同期望收益水平下的期望风险最小化。这一理论为现代金融发展奠定了基础，组合优化的思想也逐渐应用于其他领域，为优化问题的解决提供了新思路。
三、组合优化在量化投资中的应用
在网页链接{《明汯投教| 量化投资一般有哪些环节及哪些策略类别？》}中提到，一般而言，量化投资可粗略分为6个环节：收集数据、数据清洗、特征提取、模型开发、组合优化、交易执行。
广义上，组合优化（Portfolio optimization）包括从预测信号到交易的过程中所有的工程细节。
狭义上，组合优化就是在股票市场中结合上游提供的预测信号和其他输入（如风险模型、交易费用模型等）给出每个时点希望交易的仓位，即将收益预测转换为持仓权重的步骤。
组合优化是运筹学的一个重要独立分支，通过对数学方法的研究寻找离散事件的最优编排、分组、次序或筛选。目前，组合优化算法主要分为四类——即数学优化算法、启发式算法、元启发式算法和机器学习方法。其中，组合优化问题的机器学习求解范式可以分为基于端到端求解和局部改进求解。
构建组合一般分为两个步骤：确定拟配置的投资标的、分配各个标的的仓位权重。合理的组合存在但不唯一，譬如不同风险偏好类型的投资者对待同样的组合，适配程度一般不同。因此，投资组合本身不存在最优解，是综合考量后的次优解。
在量化投资中，组合优化用于计算考虑约束条件时能达到的目标函数的最大值，产生具体的仓位权重。在优化器的设置上，需要首先确定优化目标和约束，后续调整则是动态的、不断循环往复的过程——可以简单理解为“持续地跑回测，收到分析结果，再反馈调整”。
（1）优化目标
不同管理人在不同产品线上的优化目标往往不同，常见的优化目标包括：最小化组合波动（方差）、最大化组合收益、最小化与基准指数的跟踪误差和最大化组合的夏普比率等。在不同的优化目标下，即使是同一套“量化选股“模型，产品业绩或呈现出截然不同的风险收益特征。
（2）约束
在约束上，包括行业约束、风险约束、个股约束等都是需要重点考虑的参数：
■ 行业约束：不仅可以针对所有行业设置配置比例的上下限，还可以单独对个别行业进行个性化的设置。
■ 风险约束：可手动调整某些参数配置，如某因子的权重，控制风险暴露能够更好监测因子在实际投资中可能出现的表现。
■ 个股约束：从流动性限制和市值限制两方面着手，前者有助于降低调仓过程中的交易滑点，后者主要考虑“持股比例触及举牌线”等问题——以避免引发不必要的关注或过度解读。
延展阅读：明汯投教·微观量化21问