改进后的马科维茨模型的编程处理方法

最新推荐文章于 2024-08-27 18:04:10 发布

闲夏

最新推荐文章于 2024-08-27 18:04:10 发布

阅读量580

点赞数 15

文章标签： python 大数据

本文链接：https://blog.csdn.net/weixin_45594818/article/details/139659000

版权

起因

之前的文章：马科维茨模型下的投资组合优化：编程实现与实践问题-CSDN博客

对于使用的蒙特卡洛模拟的效果很不满意

多次模拟都不能非常接近有效边沿，并且比较费时。
随机的方法会发生大量无效测试。
测试数从10000加到100000的时候还出现了运行缓慢的情况，原因不明。

于是，决定改进方法。

先直接贴个结果图

处理思路

数据收集：
- 首先，收集所选股票在一定时间内的每日收盘价数据。
- 使用这些数据计算每只股票的日收益率。日收益率的计算公式为：(当日收盘价 - 前一日收盘价) / 前一日收盘价。
计算统计量：
- 对于每只股票，计算其日收益率的均值（即期望收益率）和标准差（即波动率，代表风险）。
- 计算每对股票日收益率之间的协方差，以了解它们之间的关联性。
构建协方差矩阵：
- 使用股票之间的协方差数据，构建一个协方差矩阵。这个矩阵将用于后续的组合风险计算。
确定权重：
- 马科维茨模型的目标是在给定预期收益率下最小化风险，或在给定风险水平下最大化预期收益率。
- 通过优化方法（如二次规划）来找到最优的股票权重组合。这些权重表示在投资组合中每只股票所占的比例。
绘制有效前沿：
- 通过选择不同的预期收益率水平，并计算对应的最小风险组合，可以绘制出有效前沿。
- 有效前沿是所有可能的投资组合中，在给定的风险水平下提供最高预期收益率的组合的集合。
选择最优组合：
- 根据投资者的风险偏好和效用函数，在有效前沿上选择最优的投资组合。
- 最优组合是在投资者可接受的风险水平下，提供最高预期收益率的组合。
验证和调整：
- 使用历史数据或其他测试集来验证所选投资组合的性能。
- 根据市场条件的变化和新的数据，定期调整投资组合的权重。

改进点：

取消蒙特卡洛模拟，改为scipy库中的minimize函数

from scipy.optimize import minimize


# 定义约束条件：权重和为1，且每个权重非负
def portfolio_constraints(num_assets_def, target_return=None):
    constraints_def = [{'type': 'eq', 'fun': lambda x: np.sum(x) - 1}]
    constraints_def += [{'type': 'ineq', 'fun': lambda x: x[i_def]} for i_def in range(num_assets_def)]

    # 如果提供了目标收益，则添加对应的等式约束
    if target_return is not None:
        constraints_def.append({'type': 'eq', 'fun': lambda x: portfolio_return(x, expected_returns) - target_return})

    return constraints_def