均值方差模型python_python实现资产配置(2)--Blacklitterman 模型

最新推荐文章于 2023-06-27 15:33:21 发布
最新推荐文章于 2023-06-27 15:33:21 发布
阅读量2k 收藏 9
点赞数 2
文章标签： 均值方差模型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/weixin_39989215/article/details/113712732
版权

1. Black-Litterman模型简介

在python实现资产配置(1)----Markowitz 投资组合模型中, 我们已经见过如何使用Markowitz求得最优资产配比. 这是一种在已知未来各资产的概率分布,然后再求解的方法.

Markowitz模型输入参数包括历史数据法和情景分析法两种方法,情景分析法的缺点是主观因素,随意性太强,因此使用历史数据法, 将资产的均值和协方差输入模型是比较常见的作法. 不过, 不足之处很明显: 未来的资产收益率分布不一定与过去相同. 此外, Markowitz 模型结果对输入参数过于敏感.

Black-Litterman模型就是基于此的改进. 其核心思想是将投资者对大类资产的观点 (主观观点) 与市场均衡收益率 (先验预期收益率)相结合,从而形成新的预期收益率(后验预期收益率). 这里的先验预期收益率的分布可以是贝叶斯推断中的先验概率密度函数的多元正态分布形式,投资者的主观观点就是贝叶斯推断中的似然函数(可以看作新的信息, 因为做出主观判断必然是从外界获取得到了这些资产的收益率变化信息), 而相应的, 后验预期收益率也可以从后验概率密度函数中得到. 具体的推导可以看我的这篇文章:从贝叶斯定理到贝叶斯推断.

BL模型的求解步骤包括下面几步:

(1) 使用历史数据估计预期收益率的协方差矩阵作为先验概率密度函数的协方差.

(2) 确定市场预期之收益率向量, 也就是先验预期收益之期望值. 作为先验概率密度函数的均值. 或者使用现有的期望值和方差来反推市场隐含的均衡收益率(Implied Equilibrium Return Vector), 不过在使用这种方法时, 需要知道无风险收益率

math?formula=R_f的大小.

(3) 融合投资人的个人观点,即根据历史数据(看法变量的方差)和个人看法(看法向量的均值)

(4) 修正后验收益.

math?formula=%5Cmu%5E%7BBL%7D%20%3D%20%5B(%5Ctau%5CSigma)%5E%7B-1%7D%2B(P%5ET%5COmega%5E%7B-1%7DP)%5D%5E%7B-1%7D%5B(%5Ctau%5CSigma)%5E%7B-1%7D%5CPi%2BP%5ET%5COmega%5E%7B-1%7DQ%5D%20%5C%5C%20%5CSigma%5E%7BBL%7D%20%3D%20%5CSigma%2B%5B(%5Ctau%5CSigma)%5E%7B-1%7D%2B(P%5ET%5COmega%5E%7B-1%7DP)%5D%5E%7B-1%7D

最低0.47元/天 解锁文章
weixin_39989215
关注
  • 2
    点赞
  • 踩
  • 9
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
PyPortfolioOpt：python中的金融投资组合优化，包括经典有效前沿，Black-Litterman，分层风险平价
02-05
PyPortfolioOpt是一个实现投资组合优化方法的库，其中包括经典的均值方差优化技术和Black-Litterman分配，以及该领域的最新发展，例如收缩和分层风险奇偶校验，以及一些新颖的实验功能，例如指数加权协方差矩阵。 它既广泛又易于扩展，对于临时投资者和认真的从业者都可能有用。 无论您是发现了一些被低估的精选期权的基础知识型投资者，还是拥有一篮子策略的算法交易者，PyPortfolioOpt都可以帮助您以风险有效的方式组合Alpha来源。 请上的以深入了解该项目，或查看以查看一些示例，这些示例显示了从下载数据到构建投资组合的完整过程。 目录 入门 如果您想在浏览器中交互使用PyP
python量化策略——大类资产配置模型（最小方差模型）
m0_46665608的博客
12-10 4851
最小方差模型 寻求风险最小的大类资产组合。模型中规定需要每个资产至少配置10%。 max⁡=XTΣX \max=X^{T}\Sigma Xmax=XTΣX s.t.ΣX=1,Xi≥0.1,i=1,2,3...s.t. \quad \Sigma X=1 ,X_{i} \ge 0.1,i=1,2,3...s.t.ΣX=1,Xi​≥0.1,i=1,2,3... #其中XXX表示资产配置权重向量，Σ\SigmaΣ表示各个资产间的协方差矩阵，我们将选取三个大类资产进行配置，分别是：股票（沪深300），债券（上证国
基于均值方差最优化资产配置的模型特性
simon1223z的博客
06-04 2166
利用Markowitz有效前沿做资产配置相信是很多组合管理的必修课程，但是谈到它的缺点却很少有文章分析问题背后的本质原因。本期笔者将利用实际数据进行检验，从定量角度分析均值方差最优化的特性。
python实现资产配置(2)--Blacklitterman 模型
qq_32022037的博客
04-15 8312
1. Black-Litterman模型简介 在python实现资产配置(1)----Markowitz 投资组合模型中, 我们已经见过如何使用Markowitz求得最优资产配比. 这是一种在已知未来各资产的概率分布,然后再求解的方法. Markowitz模型输入参数包括历史数据法和情景分析法两种方法,情景分析法的缺点是主观因素,随意性太强,因此使用历史数据法, 将资产的均值和协方差输入模型是比较...
Python实现均值方差模型，致敬马科维茨
weixin_52420288的博客
06-27 2936
Python实现均值方差框架，致敬过世的马科维茨老爷爷，写一篇文章纪念一下吧！
均值-方差模型实现及应用_python_数据分析_9
forest_sz的博客
04-22 8094
用的是米筐的研究模块，从结果来看，均值方差模型对参数的敏感性很高，很多参数都不如随机权重，很难应用到实战。 import pandas as pd import numpy as np from scipy import linalg import matplotlib.pyplot as plt stockslist = ['000001.XSHE','000002.XSHE','600004...
写一个可以直接带入股票数据，均值方差投资组合模型python代码
weixin_42604188的博客
02-13 418
以下是一个简单的均值方差投资组合模型的 Python 代码： ``` import numpy as np import pandas as pd import matplotlib.pyplot as plt def portfolio_annualized_performance(weights, mean_returns, cov_matrix): returns = np.sum(...
Python 数据处理与分析（六） 设计一个高回报的投资组合（投资回报和风险分析）任务 5：使用Python实现均值-方差组合模型
Benjamin CSDN博客
01-27 2283
Python 数据处理与分析（六） 设计一个高回报的投资组合（投资回报和风险分析）任务 5：使用Python实现均值-方差组合模型 使用 Python 实现不同的投资配比 使用 Python 实现均值-方差模型
MOG-python.zip_MOG-python_mog_高斯模型_高斯模型 Python_高斯混合 python
09-24
标题中的“MOG-python.zip_MOG-python_mog_高斯模型_高斯模型 Python_高斯混合 python”表明这是一个关于使用Python实现高斯混合模型（Mixture of Gaussians, MOG）的压缩包文件。这个模型常用于图像处理，特别是...
Python量化投资-市值加权+等权重+均值方差+最小方差模型
最新发布
04-08
Python量化投资——市值加权+等权重+均值方差+最小方差模型 （1）均值方差策略，均值方差策略旨在通过最大化预期收益率的同时，最小化投资组合的方差（风险）。 （2）最小方差策略，与均值方差策略不同，最小方差...
均值方差投资组合模型案例（数据和MATLAB代码）.rar_matlab投资组合_mean_ori3j_投资组合_组合模型
07-14
mean variance
新建文件夹_创建文件_均值方差_收益模型_
10-03
在实际应用中，我们通常会用编程语言（如Python或R）处理数据，计算均值和方差，并构建收益模型。这通常涉及导入数据、清洗数据、计算统计量、绘图以及模型拟合等步骤。Python中的`pandas`库可以帮助处理数据，`...
基于Python实现k-means算法和混合高斯模型【100011756】
04-10
用高斯分布产生k个高斯分布的数据（不同均值和方差）（其中参数自己设定... （2）用混合高斯模型和你实现的EM算法估计参数，看看每次迭代后似然值变化情况，考察EM算法是否可以获得正确的结果（与你设定的结果比较）。
使用Python复现Black-Litterman模型
10-08
Black-Litterman模型创造性地采用贝叶斯方法将投资者对预期收益的主观看法与资产的市场均衡收益相结合，有效地解决了Markowitz均值-方差模型中投资者难以准确估计各个投资品种预期收益率、以及其权重对预期收….zip
写一个可以直接带入股票数据的black-litterman模型python代码
weixin_42605397的博客
02-13 523
以下是一个可以直接带入股票数据的 Black-Litterman 模型的 Python 代码： import numpy as np import pandas as pd def black_litterman(returns,cov_matrix, pi, tau, omega, views): # 计算出信念均值 implied_returns = pi.dot(cov_m...
Python-量化投资（二）
PythonShanyang的博客
04-07 3811
投资组合理论及其拓展投资组合的收益与风险Markowitz均值-方差模型绘制最小方差前缘曲线Black-Litterman模型（BL模型） 投资组合的收益与风险 投资组合的收益率为Rp为： import numpy as np import math import matplotlib.pyplot as plt def cal_mean(frac): return(0.08*frac+...
量化进阶-《python与量化投资从基础到实战》——常用的量化策略及其实现
qq_47326711的博客
10-07 2817
python与量化投资从基础到实战——常用的量化策略及其实现)
马科维茨的均值方差模型(MPT)粒子群优化--Python实现
肥宅Sean
05-18 7801
MPT MPT, modern portfolio theory。现在资产配置理论。 理论很简单。 假设每个资产的收益率是一个随机变量xix_ixi​。既然是随机变量，当然就会有均值和标准差。 如果资产数量不是只有一个的话（一个的话，做什么资产配置），也就是存在有多个随机变量，随机变量之间当然就会有协方差。 资产配置的目的就是，找到一种较好的资产配置组合，使得达到预期的收益率的情况下，风险最小。 ...
量化金融——各种投资组合理论的python实现
Williams_Yu的博客
06-05 1113
学习量化金融第二步，学习投资组合理论，用python实现Markowitz模型，Black-Litterman模型；学习资本资产定价模型(CAPM)，Fama-French三因子模型基本内容。
写一个可以直接带入股票数据的均值方差模型python代码
09-14
### 回答1： 好的，这是一个使用 Python 实现的均值方差模型的简单代码示例： ``` import numpy as np import pandas as pd def mean_variance_model(returns): mean = returns.mean() cov = returns.cov() return mean, cov returns = pd.read_csv("stock_returns.csv", index_col=0) mean, cov = mean_variance_model(returns) print("均值：\n", mean) print("协方差矩阵：\n", cov) ``` 其中，`stock_returns.csv` 文件应包含股票的日收益率数据，每一列代表一只股票，每一行代表一天的数据。 ### 回答2： 下面是一个可以直接带入股票数据的均值方差模型的Python代码： ```python import numpy as np def mean_variance_model(stock_prices): returns = np.diff(stock_prices) / stock_prices[:-1] expected_return = np.mean(returns) variance = np.var(returns) return expected_return, variance # 假设有一只股票的价格数据如下 stock_prices = [100, 105, 98, 110, 120] expected_return, variance = mean_variance_model(stock_prices) print("股票价格序列的平均收益率为: ", expected_return) print("股票价格序列的方差为: ", variance) ``` 这个代码首先导入了`numpy`库，用于进行数值计算。然后定义了一个名为`mean_variance_model`的函数，该函数接受股票价格序列作为输入。在函数内部，首先计算了每个时间点上的收益率，然后通过求平均值和方差来估计整个价格序列的预期收益率和方差。最后，将预期收益率和方差打印出来。 在代码的最后，我们创建了一个股票价格序列`stock_prices`，并将其作为参数传递给`mean_variance_model`函数。函数返回的预期收益率和方差被存储在`expected_return`和`variance`变量中，并打印出来。 你可以将自己的股票价格序列直接替换`stock_prices`变量的值，并运行代码以获得你股票数据的均值和方差估计结果。 ### 回答3： 下面是一个可以直接带入股票数据的均值方差模型的Python代码： ```python import numpy as np import pandas as pd # 导入股票数据 df = pd.read_csv('stock_data.csv') # 假设股票数据存储在名为stock_data.csv的文件中 # 计算收益率 returns = df['Close'].pct_change().dropna() # 假设收盘价数据存储在名为Close的列中 # 计算均值和方差 mean_return = np.mean(returns) variance = np.var(returns) # 输出结果 print('均值：', mean_return) print('方差：', variance) ``` 这段代码首先使用`pandas`库中的`read_csv`函数导入股票数据，并指定收盘价数据存储在名为`Close`的列中。然后，使用`pct_change`函数计算每日的收益率，并使用`dropna`函数去除空值。 接下来，使用`numpy`库中的`mean`和`var`函数分别计算收益率的均值和方差，结果存储在`mean_return`和`variance`变量中。 最后，使用`print`函数输出均值和方差。 请注意，你需要将代码中的文件名、列名等根据你的具体数据进行修改。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
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
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