不对，pypfopt没有efficientriskparity

抱歉，我的回答有误。您是对的，pypfopt目前确实没有提供Efficient Risk Parity模型。对于您的问题，可以使用pandas、numpy和scipy等库手动实现风险平价模型，具体实现方法可以参考以下代码：

import pandas as pd
import numpy as np
import scipy.optimize as sco

# 读取数据
df = pd.read_csv('data.csv', index_col=0, parse_dates=True)

# 计算每个资产的日收益率
returns = df.pct_change()

# 获取每个季度最后一天的日期
quarters = returns.resample('Q').last().index

# 定义调仓日为每个季度的最后一天
rebalance_dates = [quarter + pd.offsets.QuarterEnd() for quarter in quarters]

# 初始化权重矩阵
weights = pd.DataFrame(columns=returns.columns, index=rebalance_dates)

# 计算每个调仓日前一年的收益率序列，并用它计算协方差矩阵
for i, date in enumerate(rebalance_dates):
    if i == 0:
        continue  # 第一个调仓日无法计算前一年收益率序列
    start_date = rebalance_dates[i-1] - pd.DateOffset(years=1)
    end_date = rebalance_dates[i-1]
    returns_slice = returns[start_date:end_date]
    cov_matrix = np.cov(returns_slice.T) * 252  # 计算协方差矩阵，乘以252是因为一年有252个交易日
    n = cov_matrix.shape[0]
    x0 = np.ones(n) / n  # 初始化权重向量
    # 求解最小化风险平价函数的优化问题
    cons = ({'type': 'eq', 'fun': lambda x: np.sum(x) - 1})
    bnds = tuple((0, 1) for i in range(n))
    opt_result = sco.minimize(fun=sharpe_ratio, x0=x0, args=(cov_matrix,), method='SLSQP', bounds=bnds, constraints=cons)
    weights.loc[date] = opt_result.x

# 最后一个调仓日的权重使用该日的收益率序列计算
cov_matrix = np.cov(returns[rebalance_dates[-1]-pd.DateOffset(years=1):rebalance_dates[-1]].T) * 252
n = cov_matrix.shape[0]
x0 = np.ones(n) / n
opt_result = sco.minimize(fun=sharpe_ratio, x0=x0, args=(cov_matrix,), method='SLSQP', bounds=bnds, constraints=cons)
weights.loc[returns.index[-1]] = opt_result.x

# 输出权重矩阵
print(weights)

# 计算每个资产的持仓数量
latest_prices = df.iloc[-1]  # 获取最新收盘价
allocation = weights.iloc[-1] * 100000 / latest_prices
print("Discrete allocation:", allocation.apply(np.floor).astype(int))

其中，`sharpe_ratio`函数用于计算风险平价模型的目标函数，代码如下：

def sharpe_ratio(weights, cov_matrix):
    """
    计算风险平价模型的目标函数
    :param weights: 权重向量
    :param cov_matrix: 协方差矩阵
    :return: 目标函数值
    """
    variance = np.dot(weights.T, np.dot(cov_matrix, weights))
    risk = np.sqrt(variance)
    risk_contribution = np.dot(cov_matrix, weights) / risk
    risk_budget = np.ones(weights.shape[0]) / weights.shape[0]
    return np.sum(np.square(risk_contribution - risk_budget))

请注意，上述代码中的风险平价模型实现仅供参考，可能存在性能和精度等方面的问题。如果您需要更准确、高效的风险平价模型，建议使用专业的金融工具库，如Qlib等。