현대 포트폴리오 이론

Python으로 배우는 포트폴리오 분석 입문

Charlotte Werger

Data Scientist

최적 포트폴리오 만들기

투자 전략 아이콘

포트폴리오 최적화란?

해리 마코위츠를 만나보세요

해리 마코위츠

최적화 문제: 최적 비중 찾기

$$ 마코위츠 최적화 문제

말로 하면:

포트폴리오 분산을 최소화하되:
기대수익은 목표수익 이상
비중 합은 100%
일부 비중은 양수

목표수익을 바꾸면 효율적 프런티어가 생깁니다

효율적 프런티어 그래프

포트폴리오 최적화를 위한 PyPortfolioOpt

from pypfopt.efficient_frontier import EfficientFrontier
from pypfopt import risk_models
from pypfopt import expected_returns

df=pd.read_csv('portfolio.csv')
df.head(2)
                XOM        RRC        BBY         MA        PFE       
date
2010-01-04  54.068794  51.300568  32.524055  22.062426  13.940202 
2010-01-05  54.279907  51.993038  33.349487  21.997149  13.741367

# Calculate expected annualized returns and sample covariance
mu = expected_returns.mean_historical_return(df)
Sigma = risk_models.sample_cov(df)

효율적 프런티어와 포트폴리오 비중 구하기

# Calculate expected annualized returns and risk
mu = expected_returns.mean_historical_return(df)
Sigma = risk_models.sample_cov(df)

# Obtain the EfficientFrontier
ef = EfficientFrontier(mu, Sigma)

# Select a chosen optimal portfolio
ef.max_sharpe()

다양한 최적화 방법

# Select the maximum Sharpe portfolio
ef.max_sharpe()

# Select an optimal return for a target risk 
ef.efficient_risk(2.3)

# Select a minimal risk for a target return
ef.efficient_return(1.5)

포트폴리오 위험과 성과 계산

# Obtain the performance numbers
ef.portfolio_performance(verbose=True, risk_free_rate = 0.01)

Expected annual return: 21.3%
Annual volatility: 19.5%
Sharpe Ratio: 0.98

포트폴리오를 최적화해 봅시다!

Python으로 배우는 포트폴리오 분석 입문