量化金融——各种投资组合理论的python实现

原创已于 2022-06-14 19:54:32 修改 · 2.7k 阅读

36 ·

CC 4.0 BY-SA版权

文章标签：

#python #概率论 #金融 #科技

于 2022-06-05 20:37:49 首次发布

量化金融专栏收录该内容

2 篇文章

订阅专栏

本文详细介绍了投资组合理论中的几个关键模型，包括Markowitz的最小方差模型，用于构建有效前沿线；Black-Litterman模型，结合了投资者主观预期与市场信息；以及资本资产定价模型(CAPM)，用于理解资产收益与市场风险的关系。通过这些模型，投资者可以更好地进行资产配置和风险管理。

投资组合理论

Markowitz模型

import numpy as np
import matplotlib.pyplot as plt
import scipy.linalg as linalg
import ffn

class MeanVariance:
    def __init__(self,returns):
        '''输入收益率'''
        self.returns=returns
    
    def min_var(self,goalRet):
        '''最小化方差函数'''
        covs=np.array(self.returns.cov())
        means=np.array(self.returns.mean())
        L1=np.append(np.append(covs.swapaxes(0,1),[means],0),[np.ones(len(means))],0).swapaxes(0,1)
        L2=list(np.ones(len(means)))
        L2.extend([0,0])
        L3=list(means)
        L3.extend([0,0])
        L4=np.array([L2,L3])
        L=np.append(L1,L4,0)
        results=linalg.solve(L,np.append(np.zeros(len(means)),[1,goalRet],0))
        return (np.array([list(self.returns.columns),results[:-2]]))
    
    def cal_var(self,fracs):
        '''给定个资产比例，计算方差'''
        return (np.dot(np.dot(fracs,self.returns.cov()),fracs))

    def cal_mean(self,fracs):
        mean_risky=ffn.to_returns(self.returns).mean()
        assert len(fracs)==len(mean_risky)
        return (np.sum(np.multiply(mean_risky,np.array(fracs))))

    def frontier_curve(self):
        '''最小方差前沿线绘制'''
        goals=[x/500000 for x in range(-100,4000)]
        variances=list(map(lambda x: self.cal_var(self.min_var(x)[1,:].astype(np.float)),goals))
        plt.plot(variances,goals)

Black-Litterman模型

主要参数：

P、Q：投资人经验判断

e.g. A的收益率为15%；B比D收益率高5%；B和C比A收益率低6%
$P=\begin{bmatrix} 1 & 0 & 0 & 0 & 0 \\ 0 & 1 & 0 & -1 & 0 \\ -1 & \frac12 & \frac12 & 0 & 0 \\ \end{bmatrix}\\$
$q=[15\%,5\%,6\%]^T$
主观判断相对于先验信息所占比重 $τ\tau$

import numpy as np
import pandas as pd
from numpy import linalg
class BlackLitterman:
    def __init__(self,returns,tau,P,Q):
        mu = returns.mean()
        sigma = returns.cov()
        pi1 = mu
        ts = tau * sigma
        Omega = np.dot(np.dot(P,ts), P.T)* np.eye(Q.shape[0])
        middle = linalg.inv(np.dot(np.dot(P,ts),P.T)+Omega)
        er=np.expand_dims(pi1,axis=0).T + np.dot(np.dot(np.dot(ts, P.T), middle),(Q-np.expand_dims(np.dot(P,pi1.T),axis=1)))
        posterirorSigma = sigma+ts-np.dot(ts.dot(P.T).dot(middle).dot(P),ts)
        self.er=er
        self.posterirorSigma=posterirorSigma

    def blmin_var(self,goalRet):
        means=np.array(self.er)
        covs=np.array(self.posterirorSigma)
        L1=np.append(np.append((covs.swapaxes(0,1)),[means.flatten()],0),[np.ones(len(means))],0).swapaxes(0,1)
        L2=list(np.ones(len(means)))
        L2.extend([0,0])
        L3=list(means)
        L3.extend([0,0])
        L4=np.array([L2,L3])
        L=np.append(L1,L4,0)
        results=linalg.solve(L,np.append(np.zeros(len(means)),[1,goalRet],0))
        return pd.DataFrame(results[:-2],
                            index=self.posterirorSigma.columns,columns=['p_weight'])