Danh mục Markowitz

Nhập môn Quản trị Rủi ro Danh mục bằng Python

Dakota Wixom

Quantitative Analyst | QuantCourse.com

100.000 danh mục tạo ngẫu nhiên

Tỷ lệ Sharpe

Tỷ lệ Sharpe đo lường lợi nhuận đã điều chỉnh rủi ro.

Để tính phiên bản năm 1966 của tỷ lệ Sharpe:

$$ S = \frac{ R_a - r_f }{\sigma_a} $$

S: Tỷ lệ Sharpe
$ R_a $: Lợi nhuận tài sản
$ r_f $: Lãi suất phi rủi ro
$ \sigma_a $: Độ biến động của tài sản

Biên hiệu quả (efficient frontier)

Các danh mục Markowitz

Mọi điểm trên biên hiệu quả đều là một danh mục tối ưu.

Hai điểm phổ biến này gọi là Danh mục Markowitz:

MSR: danh mục Max Sharpe Ratio
GMV: danh mục Global Minimum Volatility

Chọn danh mục

Bạn chọn danh mục tốt nhất như thế nào?

Cố chọn danh mục trên rìa của biên hiệu quả
Lợi nhuận cao hơn nếu bạn chấp nhận rủi ro cao hơn

Chọn MSR trong Python

Giả sử có DataFrame df của các danh mục ngẫu nhiên với cột Volatility và Returns:

numstocks = 5
risk_free = 0
df["Sharpe"] = (df["Returns"] - risk_free) / df["Volatility"]
MSR = df.sort_values(by=['Sharpe'], ascending=False)
MSR_weights = MSR.iloc[0, 0:numstocks]
np.array(MSR_weights)

array([0.15, 0.35, 0.10, 0.15, 0.25])

Hiệu suất quá khứ không đảm bảo lợi nhuận tương lai

Dù danh mục Max Sharpe Ratio nghe có vẻ hấp dẫn, trong thực tế rất khó dự đoán lợi nhuận.

Chọn GMV trong Python

Giả sử có DataFrame df của các danh mục ngẫu nhiên với cột Volatility và Returns:

numstocks = 5
GMV = df.sort_values(by=['Volatility'], ascending=True)
GMV_weights = GMV.iloc[0, 0:numstocks]
np.array(GMV_weights)

array([0.25, 0.15, 0.35, 0.15, 0.10])

Cùng luyện tập nào!

Nhập môn Quản trị Rủi ro Danh mục bằng Python