CPPI和TIPP两种投资组合策略及python代码

两类投资组合策略及代码

CPPI

概念

固定比例投资组合保险策略

公式

$$A_t=D_t+E_t$$

E t = m i n {   M ∗ ( A t − F t ) , A t } E_t=min\lbrace\ M*(A_t-F_t),A_t\rbrace Et​=min{  M∗(At​−Ft​),At​}

$$A_t指t期总资产，D_t指无风险资产，E_t指风险资产，F_t指最低保险金额，M指投资乘数$$

例子

固定比例投资组合保险策略的具体操作方式与买入持有策略类似，运用此投资组合保险策略，就是投资者先决定乘数 M，并确定要保金额，再将要保金额值的现值投资于无风险资产，另将剩余的金额投资于风险资产。
为了便于说明，下面我们举一个简单的例子：设投资人的起初总资产价值为100万，某风险资产组合的总市值也为100万，最低保险金额为80万，乘数大小为2。因此，期初以40万投资在风险资产组合上，作为主动性资产，其余60万投资在无风险资产上，作为保留资产。当风险资产组合的总市值从100%跌至80%时，此时投资人在风险资产组合上的投资值变为32万。此时投资人的资产总值为92万。根据CPPI的策略，此时投资人应投资在主动性资产上的仓位为24万。这时投资人在风险资产组合中的仓位减少8万。同理，当风险资产组合的总市值从100万升到120万，投资人投资在风险资产组合中的仓位从40万升到56万。

代码

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


def MaxDrawdown(return_list):
    '''最大回撤率'''
    i = np.argmax((np.maximum.accumulate(return_list) -
                   return_list) / np.maximum.accumulate(return_list))  # 结束位置
    if i == 0:
        return 0
    j = np.argmax(return_list[:i])  # 开始位置
    return (return_list[j] - return_list[i]) / (return_list[j])


def calc_rate(day, rate, rate_type):
    if rate_type == 0:
        return (1 + rate*day)
    elif rate_type == 1:
        return np.exp(rate*day)


def getData(filename):
    """
    处理数据，获得各年的日涨跌幅

    : param filename: 输入文件，需要包含两列，日期和日涨跌
    : return: 输出dateframe格式数据，为按年分的日期和日涨跌
    """
    raw_data = pd.read_excel(filename)[['日期', 'rate']]
    raw_data.rename(columns={
   '日期': 'day', 'rate': 'random_ret'}, inplace=True)
    raw_data['day'] = pd.to_datetime(raw_data['day'], format='%Y%m%d')
    raw_data.set_index('day', inplace=True)

    year = raw_data.resample('y')
    year.sum()  # 做一次无意义的运算  year才可以用来循环
    data = [j for i, j in year]
    return data


def outputQuantResult(Return, nav, trading_day_sum):
    """
    输入经过该策略后的时间序列结果, 绘制收益图像

    : param Return: 收益结果数据
    : param nav: 总资产
    : param trading_day_sum: 交易日总数
    : return Results: Dataframe格式的年收益，年波动性，夏普比率，最大回撤
    """
    annual_return, annual_volatility, Sharpe, Maxdrawdown = [], [], [], []
    for i in range(len(Return)):
        df_return = pd.DataFrame