python MPT模型

MPT（Mean-Variance Portfolio Theory）是一种投资组合理论，用于构建有效前沿（Efficient Frontier）的投资组合。它基于资产的预期收益率和协方差矩阵，通过最小化投资组合的方差来寻找最优的资产配置。

在Python中，你可以使用一些库来实现MPT模型，如NumPy、Pandas和SciPy等。下面是一个简单的示例代码：

import numpy as np
import pandas as pd
from scipy.optimize import minimize

# 假设有3个资产的预期收益率和协方差矩阵
returns = np.array([0.1, 0.2, 0.15])
cov_matrix = np.array([[0.05, 0.03, 0.02],
                       [0.03, 0.08, 0.04],
                       [0.02, 0.04, 0.06]])

# 定义目标函数：计算投资组合的方差
def portfolio_variance(weights):
    return np.dot(weights.T, np.dot(cov_matrix, weights))

# 设定约束条件：权重之和为1
def constraint(weights):
    return np.sum(weights) - 1

# 初始化权重的初始猜测值
init_guess = np.ones(3) / 3

# 使用优化函数最小化方差，同时满足约束条件
bounds = ((0, 1), (0, 1), (0, 1))  # 权重取值范围
constraints = [{'type': 'eq', 'fun': constraint}]  # 约束条件
result = minimize(portfolio_variance, init_guess, method='SLSQP', bounds=bounds, constraints=constraints)

# 输出最优的资产配置权重
weights = result.x
print("Optimal weights:", weights)

上述代码中，我们首先定义了资产的预期收益率和协方差矩阵。然后，我们定义了目标函数（投资组合方差）和约束条件（权重之和为1）。最后，使用`minimize`函数来寻找最优的资产配置权重。

请注意，这只是一个简单的示例，实际应用中可能需要考虑更多的因素和约束条件。你可以根据自己的需求来调整代码并使用更复杂的模型。