首先要能正确安装Barra Optimizer，意思就是需要有一个key

使用Barra Optimizer API的顺序

1. Create a Workspace
2. Add Assets into Workspace
   1. 这部分首先是读取数据，读取数据有两种方式，一个是自己自定义数据，比如定义价格，因子的相关性矩阵，定义初始的价格和收益等等，
      1. 这个可以参考tutorial下的TutorialData.py，调取LoadAssetData()来读取；
      2. 另一种是使用官方提供的数据，即使用例如GEM3，USE4，以及CNE5等因子模型的数据，这个参考的是TutorialApp.py的Tutorial19使用的函数是LoadModelsDirectData，这样可以一波读取一堆数据。
   2. 这部分可以读取的资产包括，0 = Cash; 1 = Futures; 2 = Currency; 3 = Regular; 4 = Composite; 5 = Composite futures，其中要进行说明的是，Regular
3. Construct initial Portfolio, Benchmark, and Trade Universe
   1. 对于免印花税和不免印花税的，专门有俩函数，前者使用AddTaxLot()，后者使用AddAsset()
   2. Universe 和benchmark的portofolio可以从AddAsset()里得到，不需要给trade universe增加权重
4. Define Risk Model
   1. 使用CreateRiskModel()来构造风险模型需要的几个矩阵，D，F，X
      1. 这里介绍一些这是什么，D，F，X
      2. 所需要读取的数据，有这么几类：

这里有一个需要注意的地方，如果文件的路径写错了，会报一个缺少FullCovariance文件的错误

1. Prepare Optimization Case
2. Run Optimization
3. Multi-Period optimization
4. Multi- Account optimization

Multiple-Account Optimization

Multiple-Account Optimization (or Multiple-Portfolio Optimization) simultaneously optimizes a number of accounts based on their individual account information as well as their joint market-impact transaction costs or any cross-account constraints. Barra Optimizer supports two variants of Multiple-Account Optimization as described in the following sections.

transaction cost function

In recent years the investment management industry has adjusted to continuing changes—theoretical advances, technological devel- opments, and volatility. To address these, investment managers and financial institutions require the most advanced and powerful analytical tools available. 0. 梯度下降 2 1. 批量梯度下降Batch gradient descent(BGD) 3 2. 随机梯度下降 Stochastic gradient descent(SGD) 4 3. 小批量梯度下降 Mini-batch gradient descent(MBGD) 5 4. Momentum（动量） 7 5. Adagrad 7 6. Adadelta 9 7. RMSprop 9 8. Adam 10 优化器的选择 11 最近邻分类器 11 损失函数 12 激活函数： 14 优化函数 14 1.不等式约束前面我们讨论了等式约束下的情况，那么如果有不等式约束呢？比如，我们不能做空股票，那么就要求每一个股票的权重都要大于1，或者对于特定的股票我们给予特殊的权重的设定等等。 这里，我们就假设我们设置两个不等式约束： 股票s2的权重要要大于等于0.1. 这个时候，我们的约束条件就是： subjectto.A′x≤bsubject to. A^{'}x \leq b 本篇文章有别于传统的多因子研究，我们并未将重点放在阿尔法因子的挖掘上，而是通过对股票组合的权重优化计算，找到了在市值中性、行业中性、风格因子中性约束下的最优投资组合，以及验证得到的组合权重是否满足了约束条件。 结构化多因子风险模型首先对收益率进行简单的线性分解，分解方程中包含四个组成部分：股票收益率、因子暴露、因子收益率和特质因子收益率。那么，第只股票的线性分解如下所示： rj=x1f1+x2f2+x3f3+x4f4⋅⋅⋅⋅xKfK+ujr_j=x_1f_1+x_2f_2+x_3f_3+x_4f_4 ··· 根据多因子模型，或者说alpha策略的开发顺序，我们应当是按照：因子--》alpha 模型--》风险模型--》组合构建 这样几个模块来的。今天来说说组合构建这个事。        组合构建是在你有了alpha模型和风险模型之后，也就是说，你现在可以预测股票的收益和股票的风险了。那么我们怎么构建组合呢？ 大概有这么几种方法：        a.根据alpha模型，选择前面N个预测收益高的股票，然后权