pyportfolioopt 0.4.3

； ； ； ； ； ；

pyportfolioopt是一个实现广泛使用的经典投资组合优化技术的库，具有许多实验特性。它是广泛的，但很容易扩展，对普通投资者和专业人士都很有用。

无论你是一个以基本面为导向的投资者，还是一个有着一篮子有趣信号的算法交易者，Pyportfolioopt都可以帮助你以一种风险有效的方式组合你的阿尔法生成器。

转到"阅读文档"上的文档以深入了解项目，或继续下面的部分示例。

<；居中>； <；/居中>；

目录

• 目录
• 入门
  • 用于开发的
• 快速示例
• 经典投资组合优化方法概述
• 功能
  • 预期收益
  • 风险模型（COV变化）
  • 目标函数
  • 可选参数
  • 其他乐观主义者
• 优于现有实现的优势
• 项目原则和设计决策
• 路线图
• 测试
• 贡献
• 联系

开始

这个项目在pypi上提供，这意味着您可以：

pip install PyPortfolioOpt

不过，我后来改成了诗歌，所以我现在的建议是让自己设置诗歌，然后运行

poetry add PyPortfolioOpt

否则，克隆/下载项目并在项目目录中运行：

python setup.py install

用于开发

如果您希望进行重大更改以将其与您的专有系统集成，克隆此存储库并仅使用源代码可能是有意义的。

git clone https://github.com/robertmartin8/PyPortfolioOpt

或者，您可以尝试：

pip install -e git+https://github.com/robertmartin8/PyPortfolioOpt.git

一个简单的例子

这是一个关于真实股票数据的例子，展示了如何轻松地找到最大化夏普比率（一种风险调整回报的衡量指标）的唯一长期投资组合。

importpandasaspdfrompypfopt.efficient_frontierimportEfficientFrontierfrompypfoptimportrisk_modelsfrompypfoptimportexpected_returns# Read in price datadf=pd.read_csv("tests/stock_prices.csv",parse_dates=True,index_col="date")# Calculate expected returns and sample covariancemu=expected_returns.mean_historical_return(df)S=risk_models.sample_cov(df)# Optimise for maximal Sharpe ratioef=EfficientFrontier(mu,S)raw_weights=ef.max_sharpe()cleaned_weights=ef.clean_weights()print(cleaned_weights)ef.portfolio_performance(verbose=True)

这将输出以下权重：

{'GOOG': 0.01269,
 'AAPL': 0.09202,
 'FB': 0.19856,
 'BABA': 0.09642,
 'AMZN': 0.07158,
 'GE': 0.0,
 'AMD': 0.0,
 'WMT': 0.0,
 'BAC': 0.0,
 'GM': 0.0,
 'T': 0.0,
 'UAA': 0.0,
 'SHLD': 0.0,
 'XOM': 0.0,
 'RRC': 0.0,
 'BBY': 0.06129,
 'MA': 0.24562,
 'PFE': 0.18413,
 'JPM': 0.0,
 'SBUX': 0.03769}

Expected annual return: 33.0%
Annual volatility: 21.7%
Sharpe Ratio: 1.43

pyportfolioopt提供了一种方法，允许您将上述连续权重转换为可以购买的实际分配，而不只是停留在这里。只需输入最新价格和所需的投资组合大小（本例中为10000美元）：

frompypfopt.discrete_allocationimportDiscreteAllocation,get_latest_priceslatest_prices=get_latest_prices(df)da=DiscreteAllocation(weights,latest_prices,total_portfolio_value=10000)allocation,leftover=da.lp_portfolio()print("Discrete allocation:",allocation)print("Funds remaining: ${:.2f}".format(leftover))

11 out of 20 tickers were removed
Discrete allocation: {'GOOG': 0, 'AAPL': 5, 'FB': 11, 'BABA': 5, 'AMZN': 1,
                      'BBY': 7, 'MA': 14, 'PFE': 50, 'SBUX': 5}
Funds remaining: $8.42

免责声明：本项目不构成投资建议，作者对您以后的投资决策不负任何责任。有关详细信息，请参阅许可证。

经典投资组合优化方法概述

哈利·马科维茨（harry markowitz）1952年的论文是不可否认的经典，它将投资组合优化从一门艺术变成了一门科学。关键的见解是，通过将具有不同预期回报和波动性的资产组合起来，人们可以决定一个数学上最优的配置，从而将目标回报的风险最小化——所有这些最优投资组合的集合称为"有效前沿"。

尽管在这个问题上已经取得了很大的进展，但半个多世纪后，马科维茨的核心思想仍然具有根本性的重要性，并在许多投资组合管理公司中得到了广泛的应用。均值方差优化的主要缺点是，理论上的处理需要了解资产的预期收益和未来风险特征（协方差）。显然，如果我们知道股票生活的预期回报会容易得多，但整个游戏是，众所周知，股票回报率很难预测。作为替代，我们可以根据历史数据得出预期收益和协方差的估计值——虽然我们确实失去了马科维茨提供的理论保证，但我们的估计值越接近实际值，我们的投资组合就越好。

因此，这个项目提供了四个主要的功能集（当然它们是密切相关的）

• 预计收益
• 资产协方差估计
• 要优化的目标功能
• 有效前沿的参数

功能

在本节中，我们将根据上面的breakdo详细介绍pyportfolioopt的当前可用功能WN。在examples.py

更全面的版本可以在readthedocs上找到，还可以为更高级的用户提供扩展。

预期收益

• 平均历史收益：
  • 最简单和最常见的方法，即每项资产的预期收益等于其历史收益的平均值。
  • 易于理解且非常直观
• 指数加权平均历史收益：
  • 与平均历史收益率类似，只是它对近期价格的权重呈指数增长
  • 在估计未来收益时，一项资产最近的收益可能比10年前的收益更为重要。

风险模型（协方差）

协方差矩阵不仅对资产的波动性进行编码，还对其与其他资产的相关性进行编码。这一点很重要，因为为了获得多样化的收益（从而增加单位风险的回报），投资组合中的资产应尽可能不相关。

• 样本协方差矩阵：
  • 协方差矩阵的无偏估计
  • 相对容易计算
  • 多年来的事实标准
  • 但是，它有一个很高的估计误差，这在均值方差优化中特别危险，因为优化者可能会对这些错误的估计给予过多的权重。
• 半卵巢：一种关注下行变化的风险度量。
• 指数协方差：对样本协方差的一种改进，它赋予最近的数据更多的权重
• 协方差收缩：将样本协方差矩阵与结构化估计器相结合以减少错误权重影响的技术。pyportfolioopt为sklearn.covariance提供的高效矢量化实现提供包装。
  • 手工收缩
  • Ledoit Wolf收缩，选择最佳收缩参数。我们提供三个收缩目标：恒定方差，单一因子，以及恒定相关
  • Oracle近似收缩率
• 最小协方差行列式：
  • 协方差的稳健估计
  • 在sklearn.covariance中实现

目标函数

• 最大夏普比率：这导致了相切投资组合，因为在收益与风险的关系图上，该投资组合对应于有效边界的切线，其y截距等于无风险利率。这是默认选项，因为它可以找到单位风险的最佳回报。
• 最小波动率。如果你想知道波动率有多低，这可能是有用的，但在实践中，对我来说，使用最大化夏普比率的投资组合更有意义。
• 有效回报，亦称markowitz投资组合，它将给定目标回报的风险最小化–这是markowitz 1952的主要关注点
• 有效风险：给定目标风险的夏普最大化投资组合。
• 风险条件值：尾部损失的度量

可选参数

• 长/短：默认情况下，pyportfolioopt中的所有均值-方差优化方法都是长的，但可以通过更改权重边界来初始化它们，以允许空头头寸：

pip install PyPortfolioOpt

pip install PyPortfolioOpt

pip install PyPortfolioOpt

pip install PyPortfolioOpt

pip install PyPortfolioOpt