多股票投资组合+马科维茨计算组合

于 2022-02-19 23:07:11 发布
阅读量1.8k 收藏 23
点赞数
分类专栏： python 量化 文章标签： python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_26742269/article/details/123025454
版权
量化 同时被 2 个专栏收录
117 篇文章 85 订阅
订阅专栏
python
68 篇文章 14 订阅
订阅专栏 
import matplotlib.pyplot as plt
from pandas import read_excel
import numpy as np
import tushare as ts
import pandas as pd
import datetime
token=''
pro=ts.pro_api(token)

获取财务数据

#获取财务数据
ticker_list = ['601318.SH','601336.SH','601398.SH','601888.SH','603993.SH']
for ticker in ticker_list:
    df = pro.daily_basic(ts_code = ticker,fields = 'ts_code,trade_date,total_mv,circ_mv,pe,pb')
    df1 = pro.daily(ts_code = ticker)
    df1.to_excel('stock_data/'+ticker + '.xlsx')
    df.to_excel('stock_data/'+ticker + '_basic.xlsx')

获取股票价格数据

#获取股票价格数据
ticker_list = ['601318.SH','601336.SH','601398.SH','601888.SH','603993.SH']
for ticker in ticker_list:
    df = pro.daily(ts_code = ticker)
    df.to_excel('stock_data/'+ticker + '.xlsx')

 设定股票池

#设定股票池
ticker_list = ['601318.SH','601336.SH','601398.SH','601888.SH','603993.SH']
#循环获取股票价格和财务数据
for ticker in ticker_list:
    df1 = pd.read_excel('stock_data/'+ticker + '.xlsx',engine='openpyxl')
    df2 = pd.read_excel('stock_data/'+ticker + '_basic.xlsx',engine='openpyxl')
    df2 = df2[['trade_date','pe','pb','total_mv','circ_mv']]
    df3 = pd.merge(df1,df2,on='trade_date')
    df3.to_excel('stock_data/'+ticker + '.xlsx')
#设定空的DataFrame变量，存储数据
StockPrices = pd.DataFrame()
#存储每只股票的平均市值
market_value_list = []
ticker_list = ['601318.SH','601336.SH','601398.SH','601888.SH','603993.SH']
for ticker in ticker_list:
    df = read_excel('stock_data/'+ticker+'.xlsx',engine='openpyxl')
    #更改日期格式
    df['trade_date'] = df.trade_date.apply(lambda x:datetime.datetime.strptime(str(x),"%Y%m%d").strftime("%Y-%m-%d"))
    #按照日期升序排列。上小下大
    df =df.sort_values('trade_date',ascending=True)
    stock_data = df.set_index('trade_date')
    #print(stock_data.head())
#     stock_data = stock_data.loc['2016-03-01':'2017-12-29']
    #print(stock_data.head())
    #获取股票收盘价
    StockPrices[ticker] = stock_data['close']
    #print(StockPrices.head())
    #将市值存入列表
    market_value_list.append(stock_data['total_mv'].mean())
    #print(market_value_list[:5])
StockPrices.index.name= 'trade_date'
print(StockPrices.head())


#计算每日收益率，并丢弃缺失值
StockReturns = StockPrices.pct_change().dropna()
#打印前5行数据
print(StockReturns.head())

计算加权收益

#将收益率数据拷贝到新的变量stock_return，这是为了后续调用的方便
stock_return = StockReturns.copy()
#print(stock_return.head())
#设置组合权重，存储为numpy数据类型
portfolio_weights = np.array([0.32,0.15,0.10,0.18,0.25])
#计算加权的股票收益
WeightedReturns = stock_return.mul(portfolio_weights,axis=1)
#计算投资组合的收益
StockReturns['Portfolio'] = WeightedReturns.sum(axis=1)

#print(StockReturns.head())
#绘制组合收益随时间变化的图
StockReturns.Portfolio.plot()
plt.show()

组合收益累计曲线

#定义累积收益曲线绘制函数
def cumulative_returns_plot(name_list):
    for name in name_list:
        CumlativeReturns = ((1+StockReturns[name]).cumprod()-1)
        CumlativeReturns.plot(label=name)
    plt.legend()
    plt.show()
#计算累积的组合收益，并绘图
cumulative_returns_plot(['Portfolio'])

等权重收益曲线

#等权重的投资组合
#设置投资组合中的股票的数据
numstocks = 5
#平均分配每一项的权重
portfolio_weights_ew = np.repeat(1/numstocks,numstocks)
#计算等权重组合的收益
StockReturns['Portfolio_EW'] = stock_return.mul(portfolio_weights_ew,axis=1).sum(axis=1)
#打印前5行数据
print(StockReturns.head())
#绘制累计收益曲线
cumulative_returns_plot(['Portfolio','Portfolio_EW'])

市值加权

#市值加权的投资组合
#将上述获得的每支股票的平均是指转换为数组
market_values = np.array(market_value_list)
#计算市值权重
market_weights = market_values / np.sum(market_values)
#计算市值加权的组合收益
StockReturns['Portfolio_MVal'] = stock_return.mul(market_weights,axis=1).sum(axis=1)
#打印前5行数据
print(StockReturns.head())
#绘制累积收益曲线
cumulative_returns_plot(['Portfolio','Portfolio_EW','Portfolio_MVal'])

投资组合的相关性分析
#投资组合的相关矩阵
#相关矩阵用于估算多支股票收益之间的线性关系
#计算相关矩阵
correlation_matrix = stock_return.corr()
#输出相关矩阵
print(correlation_matrix)
import seaborn as sns
#创建热力图
sns.heatmap(correlation_matrix,annot=True,cmap='rainbow',linewidths=1.0,annot_kws={'size':8})
plt.xticks(rotation=0)
plt.yticks(rotation=75)
plt.show()

#投资组合的协方差矩阵
#相关系数只反应了股票之间的线性关系，但并不能告诉我们股票的波动情况，而协方差矩阵则包含这一信息

#计算协方差矩阵
cov_mat = stock_return.cov()
#年化协方差矩阵
cov_mat_annual = cov_mat * 252
#输出协方差矩阵
print(cov_mat_annual)
sns.heatmap(cov_mat_annual,annot=True,cmap='rainbow',linewidths=1.0,annot_kws={'size':8})

#投资组合的标准差
#计算投资组合的标准差
portfolio_volatility = np.sqrt(np.dot(portfolio_weights.T,np.dot(cov_mat_annual,portfolio_weights)))
print(portfolio_volatility)
#计算股票的最优投资组合
#使用蒙特卡洛模拟Markowitz模型
#设置模拟的次数
number  = 10000
#设置空的numpy数组，用于存储每次模拟得到的权重，收益率和标准差
random_p = np.empty((number,7))
#设置随机数种子，这里是为了结果可重复
np.random.seed(7)

#循环模拟10000次随机的投资组合
for i in range(number):
    #生成5个随机数，并归一化，得到一组随机的权重数据
    random5 = np.random.random(5)
    random_weight =  random5/np.sum(random5)
    
    #计算年平均收益率
    mean_return = stock_return.mul(random_weight,axis=1).sum(axis=1).mean()
    annual_return = (1+mean_return)**252 -1
    
    #计算年化标准差，也成为波动率
    random_volatility = np.sqrt(np.dot(random_weight.T,np.dot(cov_mat_annual,random_weight)))
    
    #将上面生成的权重，和计算得到的收益率、标准差存入数据random_p中
    random_p[i][:5] =random_weight
    random_p[i][:5] = annual_return
    random_p[i][6] = random_volatility
    
#将Numpy数组转化为DataF数据框
RandomPortfolios = pd.DataFrame(random_p)
#设置数据框RandomPortfolios每一列的名称
RandomPortfolios.columns=[ticker + '_weight' for ticker in ticker_list]+['Returns','Volatility']

#绘制散点图
RandomPortfolios.plot('Volatility','Returns',kind='scatter',alpha=0.3)
plt.show()
#投资风险最小组合
#找到标准差最小数据的索引列
min_index = RandomPortfolios.Volatility.idxmin()

#在收益-风险散点图中突出风险最小的点
RandomPortfolios.plot('Volatility','Returns',kind= 'scatter',alpha = 0.3)
x = RandomPortfolios.loc[min_index,'Volatility']
y = RandomPortfolios.loc[min_index,'Returns']
plt.scatter(x,y,color='red')
#将该点坐标显示在途中并保留四位小数
plt.text(np.round(x,4),np.round(y,4),(np.round(x,4),np.round(y,4)),ha= 'left',va='bottom',fontsize=10)
plt.show()
#提取足校波动组合对应的权重，并转换成numpy数组
GMV_weights = np.array(RandomPortfolios.iloc[min_index,0:numstocks])
#计算GMV投资组合收益
StockReturns['Portfolio_GMV'] = stock_return.mul(GMV_weights,axis=1).sum(axis=1)
#输出风险最小投资组合的权重
print(GMV_weights)
#投资风险最大组合
#找到标准差最大数据的索引列
max_index = RandomPortfolios.Volatility.idxmax()

#在收益-风险散点图中突出风险最小的点
RandomPortfolios.plot('Volatility','Returns',kind= 'scatter',alpha = 0.3)
x = RandomPortfolios.loc[max_index,'Volatility']
y = RandomPortfolios.loc[max_index,'Returns']
plt.scatter(x,y,color='red')
#将该点坐标显示在途中并保留四位小数
plt.text(np.round(x,4),np.round(y,4),(np.round(x,4),np.round(y,4)),ha= 'left',va='bottom',fontsize=10)
plt.show()
#提取足校波动组合对应的权重，并转换成numpy数组
GMV_weights = np.array(RandomPortfolios.iloc[max_index,0:numstocks])
#计算GMV投资组合收益
StockReturns['Portfolio_GMV'] = stock_return.mul(GMV_weights,axis=1).sum(axis=1)
#输出风险最小投资组合的权重
print(GMV_weights)
#投资收益最小组合
#找到收益最小数据的索引列
min_index = RandomPortfolios.Returns.idxmin()

#在收益-风险散点图中突出风险最小的点
RandomPortfolios.plot('Volatility','Returns',kind= 'scatter',alpha = 0.3)
x = RandomPortfolios.loc[min_index,'Volatility']
y = RandomPortfolios.loc[min_index,'Returns']
plt.scatter(x,y,color='red')
#将该点坐标显示在途中并保留四位小数
plt.text(np.round(x,4),np.round(y,4),(np.round(x,4),np.round(y,4)),ha= 'left',va='bottom',fontsize=10)
plt.show()
#提取足校波动组合对应的权重，并转换成numpy数组
GMV_weights = np.array(RandomPortfolios.iloc[min_index,0:numstocks])
#计算GMV投资组合收益
StockReturns['Portfolio_GMV'] = stock_return.mul(GMV_weights,axis=1).sum(axis=1)
#输出风险最小投资组合的权重
print(GMV_weights)

#投资收益最大组合
#找到收益最大数据的索引列
max_index = RandomPortfolios.Returns.idxmax()

#在收益-风险散点图中突出风险最小的点
RandomPortfolios.plot('Volatility','Returns',kind= 'scatter',alpha = 0.3)
x = RandomPortfolios.loc[max_index,'Volatility']
y = RandomPortfolios.loc[max_index,'Returns']
plt.scatter(x,y,color='red')
#将该点坐标显示在途中并保留四位小数
plt.text(np.round(x,4),np.round(y,4),(np.round(x,4),np.round(y,4)),ha= 'left',va='bottom',fontsize=10)
plt.show()
#提取足校波动组合对应的权重，并转换成numpy数组
GMV_weights = np.array(RandomPortfolios.iloc[max_index,0:numstocks])
#计算GMV投资组合收益
StockReturns['Portfolio_GMV'] = stock_return.mul(GMV_weights,axis=1).sum(axis=1)
#输出风险最小投资组合的权重
print(GMV_weights)
#投资最优组合
#夏普最优组合的选择
#设置无风险回报率为0.03
risk_free = 0.03
#计算每项资产的夏普比率
RandomPortfolios['Sharpe'] = (RandomPortfolios.Returns - risk_free) / RandomPortfolios.Volatility
#绘制收益-标准差的散点图，并用颜色描绘夏普比率
plt.scatter(RandomPortfolios.Volatility,RandomPortfolios.Returns,c=RandomPortfolios.Sharpe)
plt.colorbar(label='Sharpe Ratio')
plt.show()
# 找到夏普比率最大数据对应的索引值
max_index = RandomPortfolios.Sharpe.idxmax()
# 在收益-风险散点图中突出夏普比率最大的点
RandomPortfolios.plot('Volatility', 'Returns', kind='scatter', alpha=0.3)
x = RandomPortfolios.loc[max_index,'Volatility']
y = RandomPortfolios.loc[max_index,'Returns']
plt.scatter(x, y, color='red')
#将该点坐标显示在图中并保留四位小数
plt.text(np.round(x,4),np.round(y,4),(np.round(x,4),np.round(y,4)),ha='left',va='bottom',fontsize=10)
plt.show()

# 提取最大夏普比率组合对应的权重，并转化为numpy数组
MSR_weights = np.array(RandomPortfolios.iloc[max_index, 0:numstocks])
# 计算MSR组合的收益
StockReturns['Portfolio_MSR'] = stock_return.mul(MSR_weights, axis=1).sum(axis=1)
#输出夏普比率最大的投资组合的权重
print(MSR_weights)
# 找到夏普比率最大数据对应的索引值
max_index = RandomPortfolios.Sharpe.idxmax()
# 在收益-夏普散点图中突出夏普比率最大的点
RandomPortfolios.plot('Sharpe', 'Returns', kind='scatter', alpha=0.3)
x = RandomPortfolios.loc[max_index,'Sharpe']
y = RandomPortfolios.loc[max_index,'Returns']
plt.scatter(x, y, color='red')
#将该点坐标显示在图中并保留四位小数
plt.text(np.round(x,4),np.round(y,4),(np.round(x,4),np.round(y,4)),ha='left',va='bottom',fontsize=10)
plt.show()

# 提取最大夏普比率组合对应的权重，并转化为numpy数组
MSR_weights = np.array(RandomPortfolios.iloc[max_index, 0:numstocks])
# 计算MSR组合的收益
StockReturns['Portfolio_MSR'] = stock_return.mul(MSR_weights, axis=1).sum(axis=1)
#输出夏普比率最大的投资组合的权重
print(MSR_weights)

神出鬼没，指的就是我!
关注
  • 0
    点赞
  • 踩
  • 23
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 5
    评论
专栏目录
评论 5
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

神出鬼没，指的就是我!

必须花钱，数据超好

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值