利用python构建马科维茨

投资组合优化模型

马科维茨投资组合优化模型是一种经典的投资组合优化模型，它通过最小化投资组合的方差来实现最大化预期收益率。在此模型中，投资组合的各项指标、风险收益、资产配置比例等均可以通过计算机算法进行快速计算和优化。下面我们将介绍如何使用Python来实现马科维茨投资组合优化模型。

1.收集数据

首先，我们需要收集一些历史数据，包括各个资产的收益率、协方差矩阵等。这些数据可以从Yahoo Finance等金融网站上获取，也可以使用Python的pandas和yfinance库来直接获取。我们可以使用以下代码来获取股票的历史数据：

import pandas as pd
import yfinance as yf

tickers = ["AAPL", "MSFT", "GOOG", "AMZN"]
start_date = "2010-01-01"
end_date = "2021-12-31"
data = pd.DataFrame()
for ticker in tickers:
    stock = yf.download(ticker, start=start_date, end=end_date)
    data[ticker] = stock["Adj Close"]
returns = data.pct_change().dropna()
cov_matrix = returns.cov()

在上面的代码中，我们使用了yfinance库来获取股票的历史数据，并使用pandas库来计算股票的收益率和协方差矩阵。

2.定义优化目标

接下来，我们需要定义优化目标，即最小化投资组合的方差。可以使用scipy库中的minimize函数来实现：

import numpy as np
from scipy.optimize import minimize

def portfolio_variance(weights, cov_matrix):
    return np.dot(weights.T, np.dot(cov_matrix, weights))

def minimize_variance(cov_matrix):
    num_assets = cov_matrix.shape[0]
    bounds = tuple((0,1) for i in range(num_assets))
    constraints = ({'type': 'eq', 'fun': lambda x: np.sum(x) - 1})
    initial_guess = np.array([1/num_assets for i in range(num_assets)])
    result = minimize(portfolio_variance, initial_guess, args=cov_matrix,
                      method='SLSQP', bounds=bounds, constraints=constraints)
    return result.x

在上面的代码中，我们定义了一个portfolio_variance函数来计算投资组合方差，并使用minimize函数来最小化这个方差。其中，bounds参数指定了权重的取值范围为[0,1]，constraints参数指定了权重之和为1的约束条件。

3.计算最优权重

最后，我们可以使用上述函数来计算最优权重：

weights = minimize_variance(cov_matrix)
print(weights)

在上面的代码中，我们调用了minimize_variance函数来计算最优权重，并打印出结果。

完整代码如下：

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

tickers = ["AAPL", "MSFT", "GOOG", "AMZN"]
start_date = "2010-01-01"
end_date = "2021-12-31"
data = pd.DataFrame()
for ticker in tickers:
    stock = yf.download(ticker, start=start_date, end=end_date)
    data[ticker] = stock["Adj Close"]
returns = data.pct_change().dropna()
cov_matrix = returns.cov()

def portfolio_variance(weights, cov_matrix):
    return np.dot(weights.T, np.dot(cov_matrix, weights))

def minimize_variance(cov_matrix):
    num_assets = cov_matrix.shape[0]
    bounds = tuple((0,1) for i in range(num_assets))
    constraints = ({'type': 'eq', 'fun': lambda x: np.sum(x) - 1})
    initial_guess = np.array([1/num_assets for i in range(num_assets)])
    result = minimize(portfolio_variance, initial_guess, args=cov_matrix,
                      method='SLSQP', bounds=bounds, constraints=constraints)
    return result.x

weights = minimize_variance(cov_matrix)
print(weights)

运行结果：

[0.3366017  0.26077663 0.17791512 0.22470655]

上述结果表示，最优投资组合的权重分别为33.7%、26.1%、17.8%和22.5%。我们可以根据这些权重来构建最优投资组合。