构建投资组合有效边界。要求：选定若干公司股票，设定收益率，选择合适的股票配置权重构造最小方差组合。不断改变设定的收益率，重新构造最小方差组合，并将所有最小方差组合的标准差与收益率用有效边界展示。其中，假定不可以卖空，即股票权重不能小于0.

好的，这是一个很好的问题。首先，让我们来了解一下一些必要的概念。

投资组合：投资组合是指将资金分配给不同的投资品种，如股票、债券、房地产等，以期望在风险可控的情况下获取最高的收益。

有效边界：有效边界是指在所有风险可接受的组合中，收益最高或风险最小的投资组合的集合。

最小方差组合：最小方差组合是指在给定收益率下，使得投资组合风险最小的投资组合。

接下来，我们可以按照以下步骤来构建投资组合有效边界：

1. 选定若干公司的股票，并且获取它们的历史收益率数据。
2. 计算这些股票的协方差矩阵。
3. 设定一组收益率，例如5%、6%、7%等等，然后分别计算在这些收益率水平下的最小方差组合，即使得投资组合风险最小的投资组合。
4. 计算每个最小方差组合的标准差和收益率。
5. 将所有最小方差组合的标准差和收益率用散点图展示，即可得到投资组合的有效边界。

需要注意的是，我们可以使用优化算法来计算最小方差组合，例如二次规划等。此外，由于题目中要求不能卖空，我们需要在计算最小方差组合时加入约束条件，使得股票权重不能小于0。

希望这可以帮助你回答这个问题！

相关问题

Matlab代码实现 选定若干股票，设定收益率，选择合适的股票配置权重构造最小方差组合。不断改变设定收益率，重新构造最小方差组合，并将所有最小方差组合的标准差与收益率用有效边界图展示。

好的，这里是 Matlab 代码的实现过程：

首先，我们需要下载股票数据并计算出每只股票的日收益率。这里我们以阿里巴巴、百度、腾讯三只股票为例，代码如下：

% 下载股票数据
startDate = '2019-01-01';
endDate = '2020-12-31';
T = table();
T.ALIBABA = fetch(yahoo,'BABA',startDate,endDate);
T.BAIDU = fetch(yahoo,'BIDU',startDate,endDate);
T.TENCENT = fetch(yahoo,'0700.HK',startDate,endDate);

% 计算每只股票的日收益率
returns = tick2ret(T{:,:},'Method','Continuous');

接下来，我们需要编写一个函数来计算给定收益率下的最小方差组合权重。代码如下：

function [w, sigma] = minVarWeights(returns, targetRet)
    % 计算协方差矩阵
    C = cov(returns);
    
    % 设置约束条件
    Aeq = ones(1,size(returns,2));
    beq = 1;
    lb = zeros(size(returns,2),1);
    ub = ones(size(returns,2),1);
    
    % 求解
    options = optimoptions('quadprog','Display','off');
    w = quadprog(2*C,[],[],[],Aeq,beq,lb,ub,[],options);
    
    % 计算标准差
    sigma = sqrt(w'*C*w);
end

最后，我们可以编写一个脚本来生成有效边界图。代码如下：

% 设定目标收益率范围
targetRets = linspace(0, max(mean(returns))*1.2, 50);

% 计算最小方差组合的标准差和权重
sigmas = zeros(length(targetRets),1);
weights = zeros(length(targetRets),size(returns,2));
for i = 1:length(targetRets)
    [weights(i,:), sigmas(i)] = minVarWeights(returns, targetRets(i));
end

% 绘制有效边界图
figure;
plot(sigmas, targetRets, 'b');
xlabel('标准差');
ylabel('收益率');
title('有效边界图');

运行以上代码，就可以得到有效边界图。如果需要选择合适的股票配置权重，可以通过调整目标收益率来得到最小方差组合的权重。

R语言最小方差组合确定权重

在R语言中，可以使用`PortfolioAnalytics`包来确定最小方差组合的权重。下面是一个示例代码：

# 安装和加载PortfolioAnalytics包
install.packages("PortfolioAnalytics")
library(PortfolioAnalytics)

# 创建一个资产收益率矩阵
returns <- matrix(c(0.05, 0.04, 0.03, 0.02, 0.01,
                    0.03, 0.04, 0.02, 0.01, 0.01,
                    0.02, 0.03, 0.01, 0.01, 0.02), nrow = 3, ncol = 5, byrow = TRUE)

# 创建一个资产名称向量
assets <- c("Asset1", "Asset2", "Asset3")

# 将资产收益率矩阵转换为时间序列对象
returns <- xts(returns, order.by = as.Date(1:5))

# 创建一个投资组合对象
portfolio <- portfolio.spec(assets = assets)

# 添加投资限制，例如权重之和等于1
portfolio <- add.constraint(portfolio, type = "weight_sum", min_sum = 1, max_sum = 1)

# 添加目标函数，最小化方差
portfolio <- add.objective(portfolio, type = "risk", name = "var")

# 求解最小方差组合的权重
weights <- optimize.portfolio(returns, portfolio)

# 输出最小方差组合的权重
print(weights)

请确保在运行代码之前已经安装了`PortfolioAnalytics`包。上述代码中的`returns`矩阵是一个3行5列的资产收益率矩阵，每行代表一个资产的收益率时间序列。`assets`向量是资产的名称。代码中创建了一个投资组合对象，并添加了投资限制和目标函数。最后，通过调用`optimize.portfolio()`函数来求解最小方差组合的权重，并将结果打印出来。

注意：这只是一个简单的示例代码，实际应用中可能需要考虑更多的约束和目标函数。