利用Python进行「基金投资组合优化」（一）

引言

还记得今年年初，A股行情火热的样子吗。我把年终奖投进了🔥热门网红基金里，然后就是绿油油的大半年😢。

最近在外网看了一篇关于股票投资组合优化的文章，于是想着可以把基金投资组合也评估一下，帮助自己复盘，优化投资组合，减少韭菜时刻😢，所以就有了这篇博文，介绍关于基金投资组合优化的一些基础做法。

ps.本文不含任何产品推荐，纯思路分享。

主要思路

投资组合

本文讨论的对象是投资者对不同基金的投资组合，暂不包含对股票、债券、房地产等其他类型资产。

积极的投资组合管理，就是通过战略性地买卖资产，以击败大盘。

现代投资组合理论（MPT）

现代投资组合理论，或也称为均值方差分析，由H. Markowitz制定。MPT的目标是在给定的风险水平下，获取最大化回报。

投资组合中的每一项资产都有自己的预期收益率和风险。通过创建多种资产组合，为预先定义的风险水平提供高回报。同样，可以有多个投资组合为预定义的预期回报提供最低风险。

波动率

价格的变化是该资产波动性（回报如何波动）的重要指标。资产回报的方差计算如下：

$$s^2=\sum _{i=1}^N(x_i–\bar{x}{)}^2/N-1$$

波动率被衡量为该资产回报的标准偏差，即方差的平方根。

$$s=\sqrt{\sum _{i=1}^N(x_i–\bar{x}{)}^2/N-1}$$

协方差

协方差用于衡量两种资产回报之间的方向关系。

• 正协方差，意味着两种资产的回报一起移动。
• 负协方差，意味着它们反向移动。

通过配置具有负协方差的资产，可以降低投资组合中的风险和波动性。

关于协方差、样本协方差、协方差矩阵、相关系数的详解，可以看这篇博文：
https://blog.csdn.net/Bit_Coders/article/details/115897074

权重分配

每个资产类别的占比，由权重数组 $w=[w_1,w_2,...,w_n]$ 表示。权重数组加和为1。

因此，投资组合优化的问题就是：找到最大化预期收益，同时最小化风险（标准差）的权重最佳值。

投资组合期望回报

资产的期望回报只是其资产价格百分比变化的平均值。

投资组合的总预期收益由下式给出：

$$E(R_p)=w_{1}E(R_1)+w_{2}E(R_2)+.....w_{n}E(R_n)$$

投资组合方差

$${\sigma }^2(Rp)=\sum {i=1}^n\sum _{j=1}^n{w}_i{w}_{j}COV(R_i,R_j)$$
其中，$w_i$ 和 $w_j$ 表示从 第1 ~ n 资产的权重，而 COV(Ri, Rj) 是由 i 和 j 表示的两个资产的协方差。

代码实践

下面我们以近几年的几款网红基金产品为例，来模拟分析一下这个投资组合。

获取基金净值的变化情况

df = pd.DataFrame()
start_date = '2018-10-22'
end_date = '2021-10-22'
fund_codes = ["005827","001714","270042"]#基金代码 005827：易方达蓝筹，001714：工银瑞信文体产业股票A，513300:纳斯达克100ETF
for fund_code in fund_codes:
	tmp_data = get_fund_data(fund_code, per=49, sdate=start_date, edate=end_date)
	print(f"{fund_code}:\n{tmp_data.head()}")
	# 缺失值填充
	tmp_data = tmp_data.fillna({"日增长率":"0%"})#tmp_data.dropna()
	tmp_data = tmp_data.replace("nan","0%")
	df["date"]=tmp_data["净值日期"]
	df['date']=pd.to_datetime(df['date'])
	df["change_"+fund_code]=tmp_data["日增长率"].apply(lambda x: x[:-1]).astype(float)
	df["log_change_"+fund_code]=df["change_"+fund_code].apply(lambda x: np.log(1 + x))
	df[fund_code]=tmp_data["累计净值"].astype(float)

# 增加“年”字段
df['year'] = pd.to_datetime(df['date'])
for i in range(df.shape[0]):
    df['year'][i]=pd.to_datetime(df['date'])[i].year
print(f"Shape:{df.shape}")
print(df.head())

爬取到的基金数据格式如下：

005827:
净值日期 单位净值 累计净值 日增长率 申购状态 赎回状态 分红送配
0 2021-10-22 2.7102 2.7102 1.13% 限制大额申购 开放赎回 nan
1 2021-10-21 2.6798 2.6798 0.30% 限制大额申购 开放赎回 nan
2 2021-10-20 2.6718 2.6718 0.38% 限制大额申购 开放赎回 nan
3 2021-10-19 2.6617 2.6617 1.56% 限制大额申购 开放赎回 nan
4 2021-10-18 2.6209 2.6209 -3.20% 限制大额申购 开放赎回 nan
001714:
净值日期 单位净值 累计净值 日增长率 申购状态 赎回状态 分红送配
0 2021-10-22 3.5020 3.6910 0.66% 限制大额申购 开放赎回 nan
1 2021-10-21 3.4790 3.6680 -0.23% 限制大额申购 开放赎回 nan
2 2021-10-20 3.4870 3.6760 -0.66% 限制大额申购 开放赎回 nan
3 2021-10-19 3.5100 3.6990 0.54% 限制大额申购 开放赎回 nan
4 2021-10-18 3.4910 3.6800 -0.99% 限制大额申购 开放赎回 nan
270042:
净值日期 单位净值 累计净值 日增长率 申购状态 赎回状态 分红送配
0 2021-10-21 4.3667 4.6367 0.37% 开放申购 开放赎回 nan
1 2021-10-20 4.3507 4.6207 -0.51% 开放申购 开放赎回 nan
2 2021-10-19 4.3729 4.6429 0.73% 开放申购 开放赎回 nan
3 2021-10-18 4.3410 4.6110 0.89% 开放申购 开放赎回 nan
4 2021-10-15 4.3027 4.5727 0.60% 开放申购 开放赎回 nan

对列数据进行处理后：

计算基金的波动率

for code in ['005827','001714','270042']:
    idxname = 'change_'+code
    var_data = change_df[idxname].var()
    vol = np.sqrt(var_data*250)
    print(f"{code}的波动率：{vol}")

输出：

可以看出，坤坤的蓝筹在近一年的波动率是28%左右，是三支基金中最高的。

比较基金之间的相关性

投资组合优化中的常见做法是，获取收益或收益对数来计算协方差和相关性。

# 计算相关性 Correlation 
cov_matrix = change_df.cov()
corr_matrix = change_df.corr()
print("\n资产相关矩阵：",corr_matrix)

可以看出坤坤的蓝筹和芳芳的文体股票相关性较高，都是大盘成长型产品。

纳斯达克100的产品与前两个产品相关性较弱，可以配置一些用于降低风险。

计算年期望收益

获取每个资产的年期望收益：

t = df.set_index('date')
ann = t.groupby(pd.Grouper(freq='Y'))[["change_005827","change_001714","change_270042"]].mean()

计算组合期望收益

假设$w=[0.6,0.3,0.1]$ 为一组资产配置权重，我们可以计算这个资产组合的期望回报：

# 年期望回报
w = [0.6,0.3,0.1]
ind_er = ann[1:].mean()

# 投资组合期望回报
port_er = (w * ind_er).sum()
print("\n组合期望回报：",port_er)

输出：

组合期望回报： 0.14724326989026063

利用有效边界进行投资组合优化

通过对权重数组 $w$ 随机采样不同的数值，可以得到大量的投资组合，将每一个 $w$ 对应的期望回报（纵轴）和波动率（横轴）计算出来，绘制成散点图。

portfolios.plot.scatter(x='Volatility', y='Returns', marker='o', s=10, alpha=0.4, grid=True, figsize=[10,10])

可以在图中，明显看到一个清晰的有效边界，靠近边界越近的投资组合，优化效果越好。

如果我们想要建立一个波动率最小的投资组合：

min_vol_port = portfolios.iloc[portfolios['Volatility'].idxmin()]                   
min_vol_port

这个组合的回报、波动率、各资产权重如下：

Returns 0.143355
Volatility 15.604691
change_005827 weight 0.067550
change_001714 weight 0.356889
change_270042 weight 0.575561

如果我们想要建立一个回报最高的投资组合：

max_ret_port = portfolios.iloc[portfolios['Returns'].idxmax()]                          
max_ret_port

这个组合的回报、波动率、各资产权重如下：

Returns 0.161274
Volatility 21.890702
change_005827 weight 0.019570
change_001714 weight 0.978369
change_270042 weight 0.002061

小结

本文整理了投资组合优化的一些基础概念，期望回报和波动率的计算方法，利用有效边界进行投资组合优化的基础方法。

下一篇改进思路，打算尝试其他更高效的优化方法。欢迎评论区分享你的建议！

参考文章

https://www.investopedia.com/terms/p/portfoliomanagement.asp
https://www.machinelearningplus.com/machine-learning/portfolio-optimization-python-example/
https://blog.csdn.net/u012710043/article/details/111590428