Tushare Day7—— 第19章投资组合理论及拓展

最新推荐文章于 2023-04-11 00:24:39 发布

Mayumi_yumi

最新推荐文章于 2023-04-11 00:24:39 发布

阅读量1.2k

点赞数 3

分类专栏：金融量化数据分析 python基础文章标签：机器学习 python 数据挖掘

本文链接：https://blog.csdn.net/lc960928/article/details/114341331

版权

投资组合的收益率与风险

1 不同相关系数下投资组合标准差随投资比例变动的情况
2 Markowitz模型实现
3 Black-Litterman模型
- 3.1 创建blacklitterman函数，计算后验收益期望及协方差
- 3.2 创建blminVar函数，输出最优资产配比
  - 3.2.1 看不懂就拆开看的：
  - 3.2.2 带例子计算结果去啦！

不同相关系数下投资组合标准差随投资比例变动的情况

import  numpy  as np
import pandas as pd
import matplotlib.pyplot as plt
import matplotlib
%matplotlib inline

设置calc_mean函数为采用的投资组合方式

def calc_mean(frac):
    return (0.08* frac+0.15*(1-frac))

0.08* (1/50)+0.15*(1-(1/50))

0.14859999999999998

以x/50为权重（其中x属于0到50）进行投资组合（其实就是0到1中间等距抽权重）

mean=list(map(calc_mean,[x/50 for x in range(51)]))
mean

[0.15,
 0.14859999999999998,
 0.1472,
 0.14579999999999999,
 0.1444,
 0.14300000000000002,
 0.1416,
 0.1402,
 0.1388,
 0.1374,
 0.136,
 0.1346,
 0.13319999999999999,
 0.1318,
 0.13040000000000002,
 0.129,
 0.1276,
 0.12619999999999998,
 0.1248,
 0.1234,
 0.122,
 0.12060000000000001,
 0.1192,
 0.1178,
 0.1164,
 0.11499999999999999,
 0.1136,
 0.1122,
 0.1108,
 0.1094,
 0.108,
 0.1066,
 0.1052,
 0.1038,
 0.10239999999999999,
 0.101,
 0.0996,
 0.09820000000000001,
 0.0968,
 0.0954,
 0.094,
 0.0926,
 0.0912,
 0.0898,
 0.0884,
 0.08700000000000001,
 0.0856,
 0.08420000000000001,
 0.0828,
 0.0814,
 0.08]

[x/50 for x in range(51)] #0-1之间组合数据

[0.0,
 0.02,
 0.04,
 0.06,
 0.08,
 0.1,
 0.12,
 0.14,
 0.16,
 0.18,
 0.2,
 0.22,
 0.24,
 0.26,
 0.28,
 0.3,
 0.32,
 0.34,
 0.36,
 0.38,
 0.4,
 0.42,
 0.44,
 0.46,
 0.48,
 0.5,
 0.52,
 0.54,
 0.56,
 0.58,
 0.6,
 0.62,
 0.64,
 0.66,
 0.68,
 0.7,
 0.72,
 0.74,
 0.76,
 0.78,
 0.8,
 0.82,
 0.84,
 0.86,
 0.88,
 0.9,
 0.92,
 0.94,
 0.96,
 0.98,
 1.0]

计算不同相关系数的股票组合对应收益值

公式为（0.12x+0.25（1-x））的完全平方展开式，其中交叉项还乘以了相关系数。0.12和0.25分别为两种股票的收益率，x和（1-x）为标准差（或者权重，这里还没弄懂），最终得值为均值。

import math
sd_mat=np.array([list(map(lambda x :math.sqrt( (x**2)*0.12**2 \
                                              + ((1-x)**2)*0.25**2\
                                              +   2*x*(1-x)*(-1.5+i*0.5)*0.12*0.25)
                          ,[x/50 for x in range(51)])) for  i  in range(1,6)])   #range表示左闭右开区间
sd_mat

array([[0.25      , 0.2426    , 0.2352    , 0.2278    , 0.2204    ,
        0.213     , 0.2056    , 0.1982    , 0.1908    , 0.1834    ,
        0.176     , 0.1686    , 0.1612    , 0.1538    , 0.1464    ,
        0.139     , 0.1316    , 0.1242    , 0.1168    , 0.1094    ,
        0.102     , 0.0946    , 0.0872    , 0.0798    , 0.0724    ,
        0.065     , 0.0576    , 0.0502    , 0.0428    , 0.0354    ,
        0.028     , 0.0206    , 0.0132    , 0.0058    , 0.0016    ,
        0.009     , 0.0164    , 0.0238    , 0.0312    , 0.0386    ,
        0.046     , 0.0534    , 0.0608    , 0.0682    , 0.0756    ,
        0.083     , 0.0904    , 0.0978    , 0.1052    , 0.1126    ,
        0.12      ],
       [0.25      , 0.24380886, 0.23763636, 0.231484  , 0.22535341,
        0.21924644, 0.2131651 , 0.20711166, 0.20108864, 0.19509885,
        0.18914545, 0.18323198, 0.17736245, 0.17154137, 0.16577382,
        0.16006561, 0.15442331, 0.14885443, 0.1433675 , 0.13797232,
        0.13268007, 0.12750357, 0.1224575 , 0.11755867, 0.11282624,
        0.10828204, 0.10395076, 0.0998601 , 0.09604082, 0.09252654,
        0.08935323, 0.08655842, 0.08417981, 0.08225351, 0.08081188,
        0.07988116, 0.07947931, 0.07961432, 0.0802835 , 0.08147368,
        0.08316249, 0.08532034, 0.08791268, 0.09090237, 0.09425158,
        0.09792344, 0.10188307, 0.10609826, 0.11053977, 0.11518142,
        0.12      ],
       [0.25      , 0.24501175, 0.240048  , 0.23511027, 0.23020026,
        0.22531977, 0.22047077, 0.21565537, 0.21087589, 0.20613481,
        0.20143485, 0.19677896, 0.19217034, 0.18761247, 0.18310915,
        0.17866449, 0.17428299, 0.16996953, 0.16572942, 0.16156844,
        0.15749286, 0.15350948, 0.14962567, 0.14584937, 0.14218917,
        0.13865425, 0.13525443, 0.13200015, 0.12890244, 0.12597285,
        0.12322337, 0.12066632, 0.11831416, 0.11617934, 0.11427406,
        0.11260995, 0.11119784, 0.11004744, 0.10916703, 0.10856316,
        0.10824047, 0.10820148, 0.10844648, 0.10897357, 0.10977869,
        0.11085576, 0.11219697, 0.11379297, 0.11563321, 0.11770624,
        0.12      ],
       [0.25      , 0.24620877, 0.24243564, 0.23868146, 0.23494714,
        0.23123365, 0.227542  , 0.22387327, 0.22022861, 0.21660923,
        0.21301643, 0.20945157, 0.2059161 , 0.20241156, 0.19893959,
        0.19550192, 0.19210039, 0.18873696, 0.1854137 , 0.18213281,
        0.17889662, 0.1757076 , 0.17256836, 0.16948168, 0.16645047,
        0.16347783, 0.160567  , 0.1577214 , 0.15494464, 0.15224047,
        0.14961283, 0.14706584, 0.14460373, 0.14223094, 0.13995199,
        0.13777155, 0.13569436, 0.13372524, 0.13186903, 0.13013055,
        0.12851459, 0.12702582, 0.12566877, 0.12444774, 0.12336677,
        0.12242957, 0.12163947, 0.12099934, 0.12051158, 0.12017803,
        0.12      ],
       [0.25      , 0.2474    , 0.2448    , 0.2422    , 0.2396    ,
        0.237     , 0.2344    , 0.2318    , 0.2292    , 0.2266    ,
        0.224     , 0.2214    , 0.2188    , 0.2162    , 0.2136    ,
        0.211     , 0.2084    , 0.2058    , 0.2032    , 0.2006    ,
        0.198     , 0.1954    , 0.1928    , 0.1902    , 0.1876    ,
        0.185     , 0.1824    , 0.1798    , 0.1772    , 0.1746    ,
        0.172     , 0.1694    , 0.1668    , 0.1642    , 0.1616    ,
        0.159     , 0.1564    , 0.1538    , 0.1512    , 0.1486    ,
        0.146     , 0.1434    , 0.1408    , 0.1382    , 0.1356    ,
        0.133     , 0.1304    , 0.1278    , 0.1252    , 0.1226    ,
        0.12      ]])

sd_mat.shape

(5, 51)

不同相关系数均值和标准差关系图

label为相关系数，横轴为标准差，纵轴为均值。

plt.plot(sd_mat[0,:],mean,label="-1")
plt.plot(sd_mat[1,:],mean,label="-0.5")
plt.plot(sd_mat[2,:],mean,label="0")
plt.plot(sd_mat[3,:],mean,label="0.5")
plt.plot(sd_mat[4,:],mean,label="1")
plt.legend(loc="upper left")

<matplotlib.legend.Legend at 0x18896d0b7c0>

在这里插入图片描述

Markowitz模型实现

先导入股票，本次实现使用股票为600004、600015、600023、600033、600183，分别对应白云机场、华夏银行、浙能电力、福建高速和生益科技股票。

目前我国000或002开头的就是深证的，600开头的是上证的，300开头的是创业板zhi 200开头的是深圳B股,900开头的是上海B股。

获取各只股票日线行情数据

import tushare as ts
pro = ts.pro_api('4c1fa508ab60e554d221c55a47dfa557a6c7bfd0c239b45657c2262d')
df = pro.daily(ts_code='600004.SH', start_date='20200101', end_date='20201231')
df.head()

	ts_code	trade_date	open	high	low	close	pre_close	change	pct_chg	vol	amount
0	600004.SH	20201231	13.80	14.30	13.70	14.13	13.63	0.50	3.6684	186855.09	261417.827
1	600004.SH	20201230	13.36	13.72	13.25	13.63	13.37	0.26	1.9447	105098.32	142205.693
2	600004.SH	20201229	13.18	13.61	13.18	13.37	13.27	0.10	0.7536	97057.08	130418.052
3	600004.SH	20201228	13.43	13.45	13.17	13.27	13.48	-0.21	-1.5579	120737.86	160222.485
4	600004.SH	20201225	13.25	13.50	13.22	13.48	13.35	0.13	0.9738	57026.12	76510.480

byjc = df.set_index(["trade_date"])
byjc.index = pd.to_datetime(byjc.index)
byjc.head(10)

	ts_code	open	high	low	close	pre_close	change	pct_chg	vol	amount
trade_date
2020-12-31	600004.SH	13.80	14.30	13.70	14.13	13.63	0.50	3.6684	186855.09	261417.827
2020-12-30	600004.SH	13.36	13.72	13.25	13.63	13.37	0.26	1.9447	105098.32	142205.693
2020-12-29	600004.SH	13.18	13.61	13.18	13.37	13.27	0.10	0.7536	97057.08	130418.052
2020-12-28	600004.SH	13.43	13.45	13.17	13.27	13.48	-0.21	-1.5579	120737.86	160222.485
2020-12-25	600004.SH	13.25	13.50	13.22	13.48	13.35	0.13	0.9738	57026.12	76510.480
2020-12-24	600004.SH	13.35	13.41	13.18	13.35	13.35	0.00	0.0000	78080.01	104002.222
2020-12-23	600004.SH	13.39	13.46	13.25	13.35	13.35	0.00	0.0000	122316.53	163204.891
2020-12-22	600004.SH	13.96	13.96	13.31	13.35	14.12	-0.77	-5.4533	256419.53	348439.957
2020-12-21	600004.SH	14.05	14.15	13.63	14.12	14.21	-0.09	-0.6334	128751.81	179205.692
2020-12-18	600004.SH	14.43	14.43	14.15	14.21	14.43	-0.22	-1.5246	82641.45	117739.517

data = pro.daily(ts_code='600015.SH', start_date='20200101', end_date='20201231')
hxyh = data.set_index(["trade_date"])
hxyh.index=pd.to_datetime(hxyh.index) #时间类型
hxyh.head(10)

	ts_code	open	high	low	close	pre_close	change	pct_chg	vol	amount
trade_date
2020-12-31	600015.SH	6.17	6.28	6.17	6.25	6.19	0.06	0.9693	323628.00	202126.611
2020-12-30	600015.SH	6.14	6.19	6.12	6.19	6.15	0.04	0.6504	171216.96	105291.236
2020-12-29	600015.SH	6.14	6.17	6.13	6.15	6.14	0.01	0.1629	138161.26	84991.588
2020-12-28	600015.SH	6.16	6.18	6.12	6.14	6.17	-0.03	-0.4862	142068.40	87339.651
2020-12-25	600015.SH	6.15	6.21	6.15	6.17	6.17	0.00	0.0000	166727.73	102964.436
2020-12-24	600015.SH	6.18	6.22	6.14	6.17	6.18	-0.01	-0.1618	109642.01	67734.194
2020-12-23	600015.SH	6.18	6.19	6.13	6.18	6.18	0.00	0.0000	151969.90	93657.059
2020-12-22	600015.SH	6.23	6.24	6.16	6.18	6.24	-0.06	-0.9615	175320.62	108670.014
2020-12-21	600015.SH	6.23	6.26	6.20	6.24	6.23	0.01	0.1605	131370.60	81852.468
2020-12-18	600015.SH	6.23	6.27	6.21	6.23	6.24	-0.01	-0.1603	150797.28	94042.457

data = pro.daily(ts_code='600023.SH', start_date='20200101', end_date='20201231')
zndl = data.set_index(["trade_date"])
zndl.index=pd.to_datetime(zndl.index) #时间类型
zndl.head(10)

最低0.47元/天解锁文章

Mayumi_yumi

关注

3
点赞
踩
16

收藏

觉得还不错? 一键收藏
15
评论
Tushare Day7—— 第19章投资组合理论及拓展

投资组合的收益率与风险1  不同相关系数下投资组合标准差随投资比例变动的情况1.1  设置calc_mean函数为采用的投资组合方式1.2  以x/50为权重（其中x属于0到50）进行投资组合（其实就是0到1中间等距抽权重）1.3  计算不同相关系数的股票组合对应收益值1.4  不同相关系数均值和标准差关系图2  Markowitz模型实现2.1  获取各只股票日线行
复制链接

扫一扫

专栏目录