PyPortfolioOpt
均值方差优化、有效前沿与 Black-Litterman 分配的实现库。
Portfolio Optimization & Risk
组合优化与风险分析库：PyPortfolioOpt、skfolio 等
awesome-quant 的「组合优化与风险分析」类收录了 PyPortfolioOpt、skfolio、riskparity.py 等库，覆盖均值方差优化、风险平价与风险度量，「预测市场」类也常归在此处参考。
组合优化PyPortfolioOpt
风险分析skfolio / riskparity
Libraries
代表性组合优化与风险库
库名来自官方 README，收录不代表背书；各库独立安装维护。
skfolio
基于 scikit-learn 风格的投资组合优化与风险建模库。
riskparity.py
风险平价组合构建的实现库。
Note
组合优化的边界
基于历史数据
组合优化依赖历史收益率与协方差估计，参数假设影响结果。
不保证收益
优化结果是数学最优，不代表未来收益或风险的真实表现。
预测市场另计
预测市场类库用于事件概率定价，与组合优化是不同用途。
Route
组合优化自建，还是 EasyClaw 一句话研究？
组合优化库灵活但需要自己配数据、写优化代码；EasyClaw 量化 Skill 把「组合分析、风险指标」压缩成一句话。
装 PyPortfolioOpt→配数据→写优化→看结果
安装 EasyClaw→一句话提问
边界：组合优化结果基于历史数据与参数假设，不构成收益保证或投资建议；EasyClaw Skill 与 awesome-quant 收录的第三方库无已证实集成。
Methods
组合优化常用方法
清单里的组合优化库通常覆盖这几类经典方法，可按目标选择。
均值方差优化
Markowitz 框架，在收益与风险之间求有效前沿，最经典的资产配置方法。
风险平价
让各资产对组合风险的贡献相等，追求更均衡的风险暴露。
Black-Litterman
在均衡收益基础上融合主观观点，缓解均值方差对输入参数的敏感。
提醒：这些方法基于历史数据与参数假设，优化结果不代表未来收益。