投资组合的有效边界及基于目标函数的组合优化

##导入数据
data2=pd.read_csv('data2.csv', encoding='gbk', index_col='Dates')
data2.index=[dt.datetime.strptime(x,'%Y/%m/%d') for x in data2.index]

#计算股票收益率
log_returns=np.log(data2.pct_change()+1)

##计算不同权重状态下的股票组合预期收益率和波动率，用于出不同权重状态下股票组合的收益波动分布图
number = 10000 #10000组权重
stock_num=len(log_returns.columns)#股票数量
weights=np.random.rand(number, stock_num)
weights/=np.sum(weights, axis = 1).reshape(number,1) #注意这里一定要加reshape，使得除数的size属性完备
pret=np.dot(weights, log_returns.mean())*252#股票组合的预期年化收益率
pvol=np.diag(np.sqrt(np.dot(weights,np.dot(log_returns.cov()*252,weights.T))))#股票组合的预期年化波动率

plt.figure(figsize=(10,6))
plt.scatter(pvol,pret,c=pret/pvol,marker='o')
plt.xlabel('预期波动率')
plt.ylabel('预期收益率')
plt.grid(True)
plt.colorbar(label='夏普比率')

##优化计算
import scipy.optimize as sco
##编写目标变量的计算函数（3个） 用于之后求解夏普率