Python--投资组合

import sys sys.path.append("E:/Python/tushare-0.6.8/") import tushare as ts import pandas as pd import pandas as pd import numpy as np import statsmodels.api as sm #统计运算 import scipy.stats as scs #科学计算 import matplotlib.pyplot as plt #绘图 a=ts.get_hist_data('600848',start='2016-11-01',end='2017-01-02') a=a['close'] a.name = '600848' b=ts.get_hist_data('000002',start='2016-11-01',end='2017-01-02') b=b['close'] b.name='000002' c=ts.get_hist_data('002285',start='2016-11-01',end='2017-01-02') c=c['close'] c.name='002285' d=pd.DataFrame([a,b,c]) ##转置 data=d.T ##回报率 returns = np.log(data / data.shift(1)) ##年化收益率 returns.mean()*252 ##计算协方差矩阵 returns.cov()*252 ##计算股票个数 noa=len(data.T) ##随机生成初始化权重 weights = np.random.random(noa) ##计算百分比 weights /= np.sum(weights) weights ##下面通过一次蒙特卡洛模拟，产生大量随机的权重向量，并记录随机组合的预期收益和方差。 port_returns = [] port_variance = [] for p in range(4000): weights = np.random.random(noa) weights /=np.sum(weights) port_returns.append(np.sum(returns.mean()*252*weights)) port_variance.append(np.sqrt(np.dot(weights.T, np.dot(returns.cov()*252, weights)))) ##因为要开更号，所以乘两次weight ##dot就是点乘 port_returns = np.array(port_returns) port_variance = np.array(port_variance) #无风险利率设定为4% risk_free = 0.04 plt.figure(figsize = (8,4)) plt.scatter(port_variance, port_returns, c=(port_returns-risk_free)/port_variance, marker = 'o') plt.grid(True) plt.xlabel('excepted volatility') plt.ylabel('expected return') plt.colorbar(label = 'Sharpe ratio') ##投资组合优化1——sharpe最大 def statistics(weights): weights = np.array(weights) port_returns = np.sum(returns.mean()*weights)*252 port_variance = np.sqrt(np.dot(weights.T, np.dot(returns.cov()*252,weights))) return np.array([port_returns, port_variance, port_returns/port_variance]) #最优化投资组合的推导是一个约束最优化问题 import scipy.optimize as sco #最小化夏普指数的负值 def min_sharpe(weights): return -statistics(weights)[2] #约束是所有参数(权重)的总和为1。这可以用minimize函数的约定表达如下 cons = ({'type':'eq', 'fun':lambda x: np.sum(x)-1}) #我们还将参数值(权重)限制在0和1之间。这些值以多个元组组成的一个元组形式提供给最小化函数 bnds = tuple((0,1) for x in range(noa)) opts = sco.minimize(min_sharpe, noa*[1./noa,], method = 'SLSQP', bounds = bnds, constraints = cons) opts ##sharpe最大的组合3个统计数据分别为： #预期收益率、预期波动率、最优夏普指数 statistics(opts['x']).round(3) ##通过方差最小来选出最优投资组合。 def min_variance(weights): return statistics(weights)[1] optv = sco.minimize(min_variance, noa*[1./noa,],method = 'SLSQP', bounds = bnds, constraints = cons) optv ##方差最小的最优组合权重向量及组合的统计数据分别为： optv['x'].round(3) #得到的预期收益率、波动率和夏普指数 statistics(optv['x']).round(3)