网站开发公司怎么查询,大型网站故障,肇庆cms建站系统,wamp网站开发摘要及声明
1#xff1a;本文主要对基于均值方差最优化的资产配置方法进行拓展#xff0c;从多目标最优化的角度看待资产配置并可视化展示#xff1b;
2#xff1a;本文主要为理念的讲解#xff0c;模型也是笔者自建#xff0c;文中假设与观点是基于笔者对模型及数据的…摘要及声明
1本文主要对基于均值方差最优化的资产配置方法进行拓展从多目标最优化的角度看待资产配置并可视化展示
2本文主要为理念的讲解模型也是笔者自建文中假设与观点是基于笔者对模型及数据的一孔之见若有不同见解欢迎随时留言交流
3笔者原则是只做干货的分享后续将更新更多内容但工作学习之余的闲暇时间有限更新速度慢还请谅解
4本文主要数据通过数据爬虫获取模型实现基于python3.8 目录
1. 单一目标优化
2. 多目标规划求解
2.1 分散指标计算
2.2 均值-方差分散度最优化
3. 代码实现
4. 往期精选 1. 单目标优化 一个经典的均值方差最优化会形成最小方差前沿以简单的两资产组合为例组合回报率为 组合标准差为 通过随机权重设计约束条件即可得到图一最左侧的点连线即可得到最小方差前沿。 图一一个均值方差最优化案例 对于均值方差最优化来说标准差被看作是代表风险的指标。在不考虑客户效用曲线的前提下其最优化目标即使得sharpe比率最大化即是与前沿相切时的CALCapital Allocation Line线其切点处的投资组合夏普比率最大。
2. 多目标规划求解 标准差作为二阶矩其实只能算是风险的其中一个方面在上述最优化求解过程中无法同时在多目标上进行优化。为了改进优化目标单一的缺点笔者在均值方差最优化的基础上再引入其它维度下面以组合分散度DRDiversification Ratio为例。
2.1 分散指标计算 首先这里的分散度并不是指投资组合里的证券数量而是成分证券的相关性。 其中为权重矩阵为成分证券的方差矩阵为组合协方差矩阵。 该式分母即是原始的投资组合方差计算公式分子是不考虑协方差影响的组合方差。分子其实是投资组合处于最分散理想状态状态即此时所有成分证券之间的相关性为0。当DR等于1时意味着当前投资组合分母达到最分散的状态分子。 这个式子和有效前沿有类似的特征设计优化目标[4]和约束条件[5] 进行最优化后也可以得到类似均值方差最优化的一条有效前沿。
2.2 均值-方差分散度最优化 由于多加了一个维度即是将原本的二维散点图延展到三维空间。因为三维空间没有斜率这个概念原本的求解方案就无法使用单一的某个指标进行最优化了。不过三维空间还是可以通过偏导数求解出一个类似二维空间斜率的东西。 将Z轴设为投资回报率那么最优组合一定是过无风险利率点作与有效面相切的切线。由于无风险利率这个z轴上的点已经固定了剩下只要求解x和y两个方向上的偏导数使得过无风险利率点的两个方向上偏导达到最大即可完成目标。 另设x轴为标准差y轴为分散度除以1集中程度CAL线方程为[6]式 目标函数即是[7]式线性约束条件依然满足[5] 求解可以说非常的简单不过这个式子其实并不是严格意义上的偏导数因为z方向的偏导数是没有考虑进去的笔者姑且管它叫“部分偏导”吧。 笔者选取4支私募基金进行最优化求解后得到三维散点分布及最优组合如图二。从图二不难看出最优化组合所处位置其实并不在最顶端也不在x和y方向投影的有效前沿上。这个组合除了进行均值方差最优还同时兼顾了一定的分散性具备一定分散性的同时兼顾一定的风险回报最优这就是多目标规划求解的优势。 图二三维可视化 当然通过这个思路还可以将分散度替换为其它指标甚至加入更多指标只是更高维的可视化就很难实现了。但是也需要注意指标也许不是越多越好用绝大多数指标的不规则散点分布进行最优化得到的解很可能没有多大意义。
3. 代码实现 由于需要生成很多随机数和三维可视化笔者借助R语言进行实现。笔者选取4支私募基金17年-20年的月度回报率数据首先查看几个产品的相关性矩阵
data - data.frame(fund1$涨跌幅(%), fund2$涨跌幅(%), fund3$涨跌幅(%), fund4$涨跌幅(%))
names(data) - c(基金1, 基金2, 基金3, 基金4)
cor(data)
col - colorRampPalette(c(#BB4444, #EE9988, #FFFFFF, #77AADD, #4477AA))
corrplot(cor(data), method shade, shade.col NA, tl.col black, tl.srt 0, col col(200), addCoef.col black, cl.pos NULL, order AOE, marc(1,1,1,2)) 图三组合相关性矩阵 下面进行最优化求解
train_data - data
train_data_nav - cumprod(train_data)
r - (train_data_nav[nrow(train_data_nav),] - train_data_nav[1,]) / train_data_nav[1,]
r - (1 r) ^ (12 / nrow(train_data_nav))-1 # 私募基金数据是月度的要年化一下
r_matrix - matrix(r, 1, 4) # 生成回报率矩阵
cov_matrix - matrix(cov(train_data), 4, 4) # 生成协方差矩阵
std_cols - apply(train_data, 2, sd) # 生成方差矩阵# 存储随机投资组合数据
w_lst - list()
r_lst - c()
std_lst - c()
DR_lst - c()
for (i in 1:5000){ # 5000次随机w - runif(4,0,1) # 随机数生成w - matrix(w/sum(w), 1, 4) # 归一化变成矩阵std - sqrt(w %*% cov_matrix %*% t(w))r_portfolio - sum(r * w)dr - std / sum(std_cols * w)DR_lst - c(DR_lst, dr)w_lst[[i]] - wr_lst - c(r_lst, r_portfolio)std_lst - c(std_lst, std)
}mvo - data.frame(DR_lst, std_lst, r_lst)# 下面计算出多维MVO
mvo$r_lst - mvo$r_lst - 0.024 # 无风险利率取2.4%
mvo$sharp - mvo$r_lst / mvo$std_lst
mvo$diverfication - mvo$r_lst / mvo$DR_lst
mvo$max_target - mvo$sharp mvo$diverfication # 两个方向的偏导数相加# 便历一下查找最优化的权重配置
for (i in 1:nrow(mvo)){if (mvo$max_target[i] max(mvo$max_target)){print(i) # 第i个w_max - w_lst[i]r_max - r_lst[i]std_min - std_lst[i]DR_min - DR_lst[i]}
}cal_line - data.frame(a c(0, std_min*2), b c(0, DR_min*2), c c(0.024, r_max*2-0.024)) # 资产配置线的坐标
optimal_point - data.frame(a std_min, b DR_min, c r_max) # 最优组合的坐标 最后通过plotly可视化即可获得炫酷的交互式三维图。
library(plotly)plot - plot_ly() # 添加三维图
plot - plot %% add_trace(data mvo, x std_lst, y DR_lst, z r_lst, type scatter3d, size 0.01, mode markers, name投资组合)
plot - plot %% add_trace(data cal_line, x ~a, y ~b, z ~c, type scatter3d, mode lines, name 资产配置线, showlegend TRUE)
plot - plot %% add_trace(data optimal_point, x ~a, y ~b, z ~c, type scatter3d, size 0.05, mode markers, marker list(colorred), name 最优组合, showlegend TRUE)
plot - plot %% # 添加标签和修改格式layout(scene list(yaxis list(title 集中度, zeroline TRUE, zerolinecolor black, range c(0.5,1)),xaxis list(title 风险, zeroline TRUE, zerolinecolor black, range c(0,0.01)),zaxis list(title 回报, zeroline TRUE, zerolinecolor black, range c(0.1,0.2))),margin list (1,1,1,1),legend list(x0.1, y 0.9))print(plot)
4. 往期精选 往期精选系列文章传送门实现方式金融杂谈基于均值方差最优化资产配置的模型特性Python基金市场的冷热传递什么信号Python券商金股哪家强——信息比率Python从指数构建原理看待A股的三千点魔咒Python决策树学习基金持仓并识别公司风格类型R垃圾公司对回报率计算的影响几何Python市场预测美联储加息的有效性几何Python市场风险分析Python
