python 转百分比_财码Python量化选股(四)投资组合

2024-02-18 15:40

本文主要是介绍python 转百分比_财码Python量化选股(四)投资组合,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

3a27e88336a6adf862625a7de7dd36ca.png

上篇文章 《财码Python量化选股(三)选股分析 》 回答了问题:“什么样的股票是有价值的,如何从股票池中选出这些股票。”本篇,我们继续回答第二个问题:“选出合适的股票后如何构建投资组合并动态调整?” 投资组合理论

哈里·马科维茨(Harry Markowitz)于1952年提出的“投资组合理论(Portfolio Selection)”包含两个重要内容:均值-方差分析方法和投资组合有效边界模型。

其中均值-方差优化法,将不同预期收益和波动率的资产组合在一起,决定一种数学上最优的分配方案,从而将目标收益的风险降至最低,此类最优投资组合的集合被称为有效边界。

本实验使用PyPortfolioOpt实现投资组合优化。PyPortfolioOpt是基于Markowitz和Black-Litterman等理论开发的金融投资组合优化技术的库,该项目提供了五个主要功能:

  • 预期收益估算(平均历史收益)

  • 风险模型(即资产收益的协方差)

  • 有效边界优化

  • 布莱克-利特曼分配

  • 其他投资组合优化器

b025d3858fa1b87be31c6976e70f47cb.png

关于PyPortfolioOpt,更详细的资料见:https://pyportfolioopt.readthedocs.io/en/latest/

Python案例模拟

1. 安装PyPortfolioOpt。

import pandas as pdimport numpy as npfrom pypfopt import EfficientFrontierfrom pypfopt import risk_modelsfrom pypfopt import expected_returnsimport baostock as bs

2. 获取上个实验中我们选出的股票

stock=pd.read_excel(r'选股初探.xlsx') stock['code']

23fd8fc6c822e31b3931cc16c5819364.png

3. 获取股票相关数据

因为我们选股用的是2019年12月31日的数据,因此这里往前再分析3年

lg = bs.login()data_list = []for s in stock['code']:    rs = bs.query_history_k_data_plus(s, 'date,code,close', start_date='2016-01-01', end_date='2019-12-31', adjustflag='2')    while (rs.error_code == '0') & rs.next():        data_list.append(rs.get_row_data())df = pd.DataFrame(data_list, columns=rs.fields)df = df.apply(pd.to_numeric, errors='ignore')df['date']=pd.to_datetime(df['date'])bs.logout()df

f1ebc4ded1dd667dd47eb7cb1897f342.png

4. 处理数据

索引应包含日期或时间戳,每列应代表资产价格的历史值。

lg = bs.login()data_list = []for s in stock['code']:    rs = bs.query_history_k_data_plus(s, 'date,code,close', start_date='2016-01-01', end_date='2019-12-31', adjustflag='2')    while (rs.error_code == '0') & rs.next():        data_list.append(rs.get_row_data())df = pd.DataFrame(data_list, columns=rs.fields)df = df.apply(pd.to_numeric, errors='ignore')df['date']=pd.to_datetime(df['date'])bs.logout()df
82183fdc75d1efc4fcc17ac5213d65a5.png

5.简单看一下股票历史价格图形

由于茅台实在过于一只独秀了,很难看出其他股票的涨幅和波动

df.plot(figsize=(15,10))
b459af4829c4715d6bb8406731f38290.png

6. 把茅台剔除再看一下

df.drop('sh.600519', 1).plot(figsize=(15,10))
72a032b4379fb1f43ce0fe2b9a2994ec.png

从这张图可以看出000661长春高新涨势和稳定性都很不错

那么假如我们有一定的资金,具体该怎么在这几只股票之间分配呢?

7. 计算最优股票组合

我们使用PyPortfolioOpt提供的模型,计算最优股票组合

# 1.计算期望报酬率和协方差mu = expected_returns.mean_historical_return(df)S = risk_models.sample_cov(df)# 2.夏普比率最大化的投资组合ef = EfficientFrontier(mu, S)weights = ef.max_sharpe()cleaded_weights = ef.clean_weights()ef.portfolio_performance(verbose=True)
b63adaf53578d966ec79d3b566b77295.png 6571ce16b430c8388f4e4f6c3ec2098f.png

模型返回的期望报酬率是58.6%,波动率27.2%,夏普比率2.08

建议的投资比例是600519茅台54.933%,603160汇顶科技28.82%,000661长春高新15.73%,000858五粮液0.51%。

验证投资组合模型

案例到上一步,已经给出了模型建议的投资组合。感兴趣的小伙伴可以继续验证一下PyPortfolioOpt的模型原理

1. 模型用股价变化代表每日收益率

returns = df.pct_change() # pct_change():当前元素与先前元素的相差百分比returns
daa5a8a7a0cd519de5ee1086d1456d21.png

2. 计算期望收益

期望每日收益:Σ平均每日历史收益*股票权重

股票权重直接使用PyPortfolioOpt模型给出的最优股票组合权重进行验证

年化期望收益=期望每日收益*252(一年股市共252个交易日)

weights_value=np.array(list(weights.values())) #weights.values()的数据类型是OrderedDict:有序字典,操作可参考dictAnnualReturn = (returns.mean() * weights_value).sum()*252AnnualReturn

0.5858831191150594

与上文比较第一个指标:(0.5858831191150594, 0.27212823050446977, 2.0794723063683196)

3. 模型用方差代表波动性

returns.cov()# cov():计算DataFrame系列之间的成对协方差。返回的数据是DataFrame的协方差矩阵。
7358d522ac4b629b982d0cc4e875fd8c.png

4. 根据公式计算年化协方差和年化波动率

1bd97df6d2fa653abedc5071406eb022.png

# 年化协方差AnnualVariance = np.dot(weights_value.T, np.dot(returns.cov()*252,weights_value))# 计算年化波动率:√协方差AnnualVolatility = np.sqrt(AnnualVariance)AnnualVolatility

0.27212823050446977

与上文比较第二个指标:(0.5858831191150594, 0.27212823050446977, 2.0794723063683196)

5. 验证夏普比率

夏普比率是投资组合的收益减去每单位风险(波动率)的无风险利率。

7f3cc2dadea961bc31ca2d140721d0ca.png

下图:纵坐标是期望收益(AnnualisedReturns),横坐标是风险(AnnualiesdVolatility)

20e9e086e7d39492335fe1dc793d8ad5.png

在模型中,我们设定了最优组合为max_sharpe(),也就是收益率最高的点。

SharpRatio=(AnnualReturn - 0.02)/AnnualVolatility #无风险报酬率模型默认2%SharpRatio

2.0794723063683196

与上文比较第三个指标:(0.5858831191150594, 0.27212823050446977, 2.0794723063683196)

想了解更多课程,欢迎访问财码Python官网:www.fincode.com.cn  

想进财码Python学习群的小伙伴可以添加财码小秘书~

6a8067548906c2f90477c3447a797b6c.png

往期课程推荐:

《财码Python量化选股(一)财经数据获取》

《财码Python量化选股(二)财经数据可视化》

42bdae4d43f783c20316bbbe91761d8d.png

这篇关于python 转百分比_财码Python量化选股(四)投资组合的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/721631

相关文章

python使用fastapi实现多语言国际化的操作指南

《python使用fastapi实现多语言国际化的操作指南》本文介绍了使用Python和FastAPI实现多语言国际化的操作指南,包括多语言架构技术栈、翻译管理、前端本地化、语言切换机制以及常见陷阱和... 目录多语言国际化实现指南项目多语言架构技术栈目录结构翻译工作流1. 翻译数据存储2. 翻译生成脚本

如何通过Python实现一个消息队列

《如何通过Python实现一个消息队列》这篇文章主要为大家详细介绍了如何通过Python实现一个简单的消息队列,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下... 目录如何通过 python 实现消息队列如何把 http 请求放在队列中执行1. 使用 queue.Queue 和 reque

Python如何实现PDF隐私信息检测

《Python如何实现PDF隐私信息检测》随着越来越多的个人信息以电子形式存储和传输,确保这些信息的安全至关重要,本文将介绍如何使用Python检测PDF文件中的隐私信息,需要的可以参考下... 目录项目背景技术栈代码解析功能说明运行结php果在当今,数据隐私保护变得尤为重要。随着越来越多的个人信息以电子形

使用Python快速实现链接转word文档

《使用Python快速实现链接转word文档》这篇文章主要为大家详细介绍了如何使用Python快速实现链接转word文档功能,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下... 演示代码展示from newspaper import Articlefrom docx import

Python Jupyter Notebook导包报错问题及解决

《PythonJupyterNotebook导包报错问题及解决》在conda环境中安装包后,JupyterNotebook导入时出现ImportError,可能是由于包版本不对应或版本太高,解决方... 目录问题解决方法重新安装Jupyter NoteBook 更改Kernel总结问题在conda上安装了

Python如何计算两个不同类型列表的相似度

《Python如何计算两个不同类型列表的相似度》在编程中,经常需要比较两个列表的相似度,尤其是当这两个列表包含不同类型的元素时,下面小编就来讲讲如何使用Python计算两个不同类型列表的相似度吧... 目录摘要引言数字类型相似度欧几里得距离曼哈顿距离字符串类型相似度Levenshtein距离Jaccard相

Python安装时常见报错以及解决方案

《Python安装时常见报错以及解决方案》:本文主要介绍在安装Python、配置环境变量、使用pip以及运行Python脚本时常见的错误及其解决方案,文中介绍的非常详细,需要的朋友可以参考下... 目录一、安装 python 时常见报错及解决方案(一)安装包下载失败(二)权限不足二、配置环境变量时常见报错及

Python中顺序结构和循环结构示例代码

《Python中顺序结构和循环结构示例代码》:本文主要介绍Python中的条件语句和循环语句,条件语句用于根据条件执行不同的代码块,循环语句用于重复执行一段代码,文章还详细说明了range函数的使... 目录一、条件语句(1)条件语句的定义(2)条件语句的语法(a)单分支 if(b)双分支 if-else(

Python itertools中accumulate函数用法及使用运用详细讲解

《Pythonitertools中accumulate函数用法及使用运用详细讲解》:本文主要介绍Python的itertools库中的accumulate函数,该函数可以计算累积和或通过指定函数... 目录1.1前言:1.2定义:1.3衍生用法:1.3Leetcode的实际运用:总结 1.1前言:本文将详

Java深度学习库DJL实现Python的NumPy方式

《Java深度学习库DJL实现Python的NumPy方式》本文介绍了DJL库的背景和基本功能,包括NDArray的创建、数学运算、数据获取和设置等,同时,还展示了如何使用NDArray进行数据预处理... 目录1 NDArray 的背景介绍1.1 架构2 JavaDJL使用2.1 安装DJL2.2 基本操