资产组合理论与实战（3) - 性能优化

原创

已于 2023-12-09 18:09:07 修改 · 1.4k 阅读

21 ·

CC 4.0 BY-SA版权

文章标签：

#python #金融

于 2023-12-09 17:59:14 首次发布

本文介绍了如何通过向量化技术，如NumPy和Python库scipy.optimize，提升金融模型计算效率，从5.2秒缩短至0.65秒，讨论了蒙特卡洛方法在大量资产组合优化中的局限性，并展示了使用优化算法解决这类问题的实际应用。

使用向量化以优化性能

上一篇文章中，我们使用蒙特卡洛方法，运行5000次，大约花了5.2秒。我们可以使用向量化运算方法来提升这个速度：

我们可以使用下面的算法，把部分计算移出了循环：

from empyrical import sharpe_ratio
import time
start = time.time()
num_ports = 5000
all_weights = np.random.rand(num_ports, len(stocks))

shape = (len(all_weights), -1)
all_weights = all_weights/all_weights.sum(axis=1).reshape(shape)

# got 241 daily summed returns over 5000 iters
all_port_returns = np.dot(all_weights,returns.T)

all_cov = np.cov(all_port_returns).diagonal()

# 计算波动率
all_vol = []
all_sharpe = []

annual_return = np.prod((1 + all_port_returns), axis=1) - 1

for i in range(num_ports):
    all_vol.append(np.sqrt(np.dot(all_weights[i].T, np.dot(all_cov[i], all_weights[i]