马科维茨投资组合

Python 投资组合风险管理入门

Dakota Wixom

Quantitative Analyst | QuantCourse.com

10 万个随机生成的组合

夏普比

夏普比是衡量风险调整后回报的指标。

1966 版夏普比的计算：

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

S：夏普比
$ R_a $：资产回报
$ r_f $：无风险利率
$ \sigma_a $：资产波动率

有效前沿

马科维茨组合

有效前沿上的任一点都是最优组合。

这两个常见点称为马科维茨组合：

MSR： 最大夏普比组合
GMV： 全局最小波动率组合

如何选组合

如何选择最优投资组合？

选择位于有效前沿边界上的组合
愿承受更高风险，可获得更高回报

在 Python 中选择 MSR

给定包含 Volatility 和 Returns 列的随机组合 DataFrame df：

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])

过往表现不保证未来回报

尽管最大夏普比组合听起来很好，但在实践中，回报极难预测。

在 Python 中选择 GMV

给定包含 Volatility 和 Returns 列的随机组合 DataFrame df：

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])

让我们练习！

Python 投资组合风险管理入门