我现在持有5只股票，我收取了这五只股票的历史收益率，标准误差，以及他们之间的相关系数，每只股票的初始权重比例为20%，请你帮我写一段代码让我在jupyterLite能够重组以优化资产配置比例

在JupyterLite环境中，你可以使用Python的`pandas`, `numpy`, 和 `scipy.optimize`库来帮助你调整资产配置比例。下面是一个简单的例子，假设你已经有了一个包含历史收益率、标准差和相关系数的数据框（df），其中列名分别是'returns', 'std_dev', 和 'corr_matrix'：

import pandas as pd
import numpy as np
from scipy.optimize import minimize

# 假设你的数据集是这样的
data = {
    'returns': [0.05, 0.08, -0.02, 0.09, 0.06],
    'std_dev': [0.1, 0.15, 0.12, 0.18, 0.13],
    'corr_matrix': [[1., 0.8, -0.5, 0.7, 0.6],
                     [0.8, 1., 0.2, 0.9, 0.8],
                     [-0.5, 0.2, 1., -0.3, -0.2],
                     [0.7, 0.9, -0.3, 1., 0.9],
                     [0.6, 0.8, -0.2, 0.9, 1.]]
}

df = pd.DataFrame(data)

# 将数据转换成矩阵形式
returns = df['returns'].values.reshape(-1, 1)
covariance = df['corr_matrix'] * df['std_dev'].reshape(-1, 1)**2

# 初始权重
initial_weights = np.array([0.2] * len(df))

# 目标函数，最小化方差（风险）
def objective(weights):
    portfolio_var = weights.T @ covariance @ weights
    return portfolio_var

# 约束条件，总权重等于1
constraints = [{'type': 'eq', 'fun': lambda x: np.sum(x) - 1}]

# 使用Scipy的最优化函数求解
result = minimize(objective, initial_weights, constraints=constraints, method='SLSQP')

# 输出优化后的权重
optimized_weights = result.x
print(f"优化后的资产配置比例：{optimized_weights}")

在这个代码中，我们首先计算了投资组合的协方差矩阵，然后定义了一个目标函数（最小化方差），同时设置了一个约束条件（所有权重之和为1）。`minimize` 函数会找到满足这些条件下的最优权重分配。