资产组合理论及实战(2) - 蒙特卡洛方法

量化风云

已于 2023-12-08 23:55:34 修改

阅读量383

点赞数 6

分类专栏：量化交易文章标签： python 金融

于 2023-12-08 23:40:06 首次发布

本文链接：https://blog.csdn.net/hbaaron/article/details/134889132

版权

量化交易专栏收录该内容

49 篇文章 17 订阅

订阅专栏

本文介绍了如何使用蒙特卡洛模拟方法在资产配置中寻找最优投资组合，通过随机生成大量资产分配方案，计算波动率和夏普率，以找到风险最小、收益最高的组合。然而，实际应用中可能遇到有效前沿不明显的问题，引发关于标的数量、时间点调整和算法效率的讨论。

摘要由CSDN通过智能技术生成

所谓蒙特卡洛模拟，就是随机产生大量的资产分配方案，然后再计算各种分配方案下，所得到的波动率、夏普率，再根据最优的夏普率，反查资产分配方案。

主要操作我们在上一节已经介绍过，这一步主要做的事情是不断地重复。我们先把代码给出来，再进行解释：

num_ports = 5000

w = np.zeros((num_ports, len(stocks)))
vol_arr = np.zeros(num_ports)
sharpe_arr = np.zeros(num_ports)
port_return_arr = np.zeros((num_ports, len(returns)))
cov_arr = np.zeros(num_ports)

for i in range(num_ports):
    weights = np.array(np.random.random(len(stocks)))
    weights = weights/np.sum(weights)  
                      
    w[i,:] = weights
    
    weighted_returns = weights * returns
    port_return_i = weighted_returns.sum(axis=1)
    port_return_arr[i,:] = port_return_i

    cov = np.cov(port_return_i)
    cov_arr[i] = cov
    vol_arr[i] = np.sqrt(np.dot(weights.T, np.dot(cov, weights)))
    sharpe_arr[i] = sharpe_ratio(port_return_i)

我们主要定义了这样四个数组：

权重矩阵 all_weights。我们打算重复 5000 次采样，由于资产组合共有 4 个标的，所以，它是一个 5000 * 4 的矩阵。每一行对应一次资产组合分配。
夏普率数组。它是一个 size 为 5000 的数组，记录了每一次计算出来的 sharepe 率。
波动率数组。它也是一个 size 为 5000 的数组，记录了每一次计算邮来的波动率。
port_return_arr，在示例中，它是一个 5000 * 241 大小的矩阵，每一行记录了组合在过去一年中每一天的收益。

当上述代码运行完成之后，我们就得到了 5000 组夏普值。根据夏普值的定义，我们直接找到夏普值最大的那一组，就是风险最小、收益最高的资产组合。

寻找最佳投资组合

我们使用 np.argmax 来寻找夏普最大时的位置，此点即为最佳投资组合：

# 检查最高的 SHARPE
pos = np.argmax(sharpe_arr)
print(pos, sharpe_arr[pos])
print("stocks", stocks)
print("Portfolio Allocation:", all_weights[pos])

这样我们得到资产分配方案类似如下：

	标的 1	标的 2	标的 3	标的 4
比例	35.3%	0.3%	0.8%	64%

我们将上述试验结果绘制成图形，来看看是否符合有效前沿理论：

import matplotlib.pyplot as plt

annual_return = np.prod((1 + port_return_arr), axis=1) - 1
plt.scatter(vol_arr, annual_return, c=sharpe_arr, cmap='RdYlBu')
plt.colorbar(label='Sharpe Ratio')

plt.scatter(vol_arr[pos], annual_return[pos], c='red',s=80)

我们以波动率为 x 轴，年化回报为 y 轴。在每一个 x 上，都存在若干组年化回报数据，有正有负。显然，对于同一个 x，正好是那些处在有效前沿上的组合，正好是收益最大或者亏损最大的组合。

按照 MPT 理论，只有那些在 y 轴上方，且处于有效前沿上的才是值得关注的组合，然后根据我们的风险承受能力，来选择这条线上对应的组合。

我们把夏普率最高的那组方案，用红色的点标注出来。可以看出，它略微偏离了有效前沿，为什么？

这里的原因是，我们使用了年化收益作为 y 轴，但这个小红点是用的 sharpe 最大的点。同一个 sharpe 率，对应的收益率不只一个，而是一个分布；即使在波动率和 sharpe 率都确定的情况下，年化收益率也仍然不只一个，仍然是一个分布。关于夏普率与收益率的关系，特别是与最大回撤的关系，我们在第 21 课讲过。这是一个很重要的问题。

如果我们把 y 轴换成 sharpe 值，则会得到更接近的效前沿理论的一张图：

从走势图来看，我们这样求出来的资产组合确实是最优的。但是，如果我们将它与文章开头的那个图相比，我们会得出什么结论？

结论与问题

这把牌不行。如果你愿意承担较大风险，这把牌也不能给你想要的收益。浪得不够狠。
资产组合并没有形成直观的有效前沿，原因主要是投资组合整体的收益率受组合内资产的收益率限制，即min(组合内资产收益率)≤资产组合收益率≤max(组合资产收益率)，因此并不是能实现所有收益率。

因此我们得到结论：你得重新选标的。

另外，如果你现在就急于用MPT来进行投资。。。你还得再学点啥。

历史当然总是在重复自己，一切历史都是当代史。但是仍然有很多东西要讨论。

**首先，我们应该放多少支标的到这个组合里来？**我们的示例中只使用了4支，如果我们对沪深300或者中证1000来做指增，会不会更好一点？

**其次，上述两幅图是针对同一资产组合，不同时间段情况所形成，很明显收益及风险都有较大差异。**如果我们在不同的时间点来优化投资组合，我们得到的仓位显然会有所不同。因此我们提出问题：我们应该多久计算一次并执行调仓？会不会有这样一种情况，每次调仓是在用过去的最优解，而它很快就变成了次优或者最劣解？也就是，这个组合它的动量周期是多久？关于这两个问题，我们在本系列的第5篇会有所涉及，不过，主要还得留给大家去研究。

显然，任何一个有价值的方案，往往都不是一篇短文能cover的，我们会在后续的文章中不断深入探讨这个问题。

好，我们先放下这些问题，先来看一个技术问题：

执行上述循环5000次，我们花了大约 5.2 秒。

这是只有4支标的的情况。很显然，随着标的数的增加，我们需要暴力搜索的空间也随之变大。这种方法，在标的数增加到50支、100支时，是否还可行呢？

下一篇，我们就来探讨这个问题。

【系列文章目录】
资产组合理论及实战(1)-基本概念
 资产组合理论及实战(2) - 蒙特卡洛方法