作为一名算法工程师，我尝试用算法设计的方法去DIY一个满足个人需求的投资组合。
目的：DIY一个波动性小收益率高的基金投资组合
核心因子：单只基金的收益率，多只基金的相关性
备选因子：最大回撤，基金成立时间，基金规模，基金经理，基金公司
北极星指标⭐️：五年年化收益率*pow(最大回撤，-0.2），记作score
评估基准：单只基金的score、别人家的固收+组合的score、别人家的主动型组合的score
整个算法设计，近似于贪心算法，找到的往往不是整体最优解，而是局部最优解。
“贪心算法的特点是一步一步地进行，常以当前情况为基础根据某个优化测度作最优选择，而不考虑各种可能的整体情况，省去了为找最优解要穷尽所有可能而必须耗费的大量时间。贪心算法采用自顶向下，以迭代的方法做出相继的贪心选择，每做一次贪心选择，就将所求问题简化为一个规模更小的子问题，通过每一步贪心选择，可得到问题的一个最优解。虽然每一步上都要保证能获得局部最优解，但由此产生的全局解有时不一定是最优的。”
算法执行步骤：
1、固定一只沪深300指数基金，找到一只固收类基金(记作x1)，权重依次为50、50，使得组合的score最大。
2、固定固收类基金x1、一只沪深300指数、一只创业板指数基金，权重依次为25、25、25，找到一只固收类基金(记作x2)，权重为25，使得组合的score最大。
3、固定固收类基金x1、x2、一只沪深300指数基金，权重依次为25、25、25，找到一只权益类基金(记作x3)，权重为25，使得组合的score最大。
4、固定固收类基金x1、x2、权益类基金x3，权重依次为25、25、25，找到一只权益类基金(记作x4)，权重为25，使得组合的score最大。
5、固定固收类基金x1、x2，权益类基金x3、x4、一只创业板指数基金，权重依次为25、25、15，15， 10，找到另一只权益类基金(记作x5)，权重为10，使得组合的score最大。
6、固定基金x1、x2、x3、x4、x5，权重依次为25、25、15、15、10，找到另一只权益类基金(记作x6)，权重为10，使得组合的score最大。
算法步骤一
沪深300指数基金选“易方达沪深300ETF联接”（110020），固收+产品的候选产品从网上收集，主要考虑历史业绩、基金成立时间，基金规模，基金经理，基金公司等因素。
分数为高的为博时信用债券A，即x1。score为5.78。
算法步骤二：
创业板指数基金选“易方达创业板ETF联接”（110026）。
不变量基金：博时信用债券A（x1)、易方达沪深300ETF联接、易方达创业板ETF联接
变量基金：x2
分数为高的为易方达裕丰回报债券，即x2。score略下降，5.78 -> 5.56。
算法步骤三：
不变量基金：博时信用债券A（x1)、易方达裕丰回报债券（x2)、易方达沪深300ETF联接
变量基金：x3
分数最高的为银华富裕主题混合，即x3。score上升，5.56 -> 8.75。
算法步骤四：
不变量基金：博时信用债券A（x1)、易方达裕丰回报债券（x2)、银华富裕主题混合（x3)
变量基金：x4
分数最高的为富国美丽中国，即x4。score上升，8.75 -> 11.12。
算法步骤五：
不变量基金：博时信用债券A（x1)、易方达裕丰回报债券（x2)、银华富裕主题混合（x3)、富国美丽中国（x4)、易方达创业板ETF联接
变量基金：x5
分数最高的为兴全合润混合，即x5。score下降，11.12 -> 9.78 。
算法步骤六：
不变量基金：博时信用债券A（x1)、易方达裕丰回报债券（x2)、银华富裕主题混合（x3)、富国美丽中国（x4)、兴全合润混合（x5)
变量基金：x6
分数最高的为交银优势，即x6。score上升， 9.78->12.29。
最终基金组合如下：
解读1：六只基金，两只偏债型，四只偏股型，股债比接近5:5。
解读2：组合最近5年的年化收益17.68%，最大回撤12.29%，在最近5年的三次牛熊市中，组合在牛市中跟涨，在熊市中抗跌。
如果只拥有六只基金中收益最高两只基金，银华富裕主题混合和富国美丽中国，虽然有27.6%的年化收益率，但最大回撤有24.9%，组合的意义就在于平抑波动率的同时提高超额收益率。常用的两个评估方法为夏普比率 和卡玛比率。
夏普比率 = 超额收益/标准差(风险)
卡玛比率 = 超额收益/最大回撤(风险)
总结与反思
用算法的思路去DIY基金组合是可行的，但这次寻找有点失败，一方面是纳入分析的基金数目不够多，另一方面，设计的北极星指标过于偏向于收益率，或许下次可以尝试一下将“十年年化收益率*pow(最大回撤，-0.5）”设置为北极星指标。
如果有地方可以下载所有基金每一天的净值数据就好了，这样算法施展的空间会更大。
也许这篇文章给你带来的基金组合没有那么完美，但祝愿你能从中有所获。当前的结论虽然倍受关心，但分析的过程却有助于未来发现更多更正确的结论。