Théorie moderne du portefeuille

Introduction à l'analyse de portefeuille en Python

Charlotte Werger

Data Scientist

Créer des portefeuilles optimaux

Icône pour stratégie de placement

Introduction à l'analyse de portefeuille en Python

Qu'est-ce que l'optimisation de portefeuille ?

Voici Harry Markowitz

Harry Markowitz

Introduction à l'analyse de portefeuille en Python

Le problème d'optimisation : trouver les pondérations optimales

$$ Problème d'optimisation de Markowitz

En mots :

  • Minimiser la variance du portefeuille, sous réserve de :
  • Le rendement espéré est au moins un seuil cible
  • La somme des pondérations est de 100 %
  • Au moins certaines pondérations sont positives
Introduction à l'analyse de portefeuille en Python

En faisant varier le rendement cible, on obtient la frontière efficiente

Graphique de la frontière efficiente

Introduction à l'analyse de portefeuille en Python

PyPortfolioOpt pour l'optimisation de portefeuille

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)
Introduction à l'analyse de portefeuille en Python

Obtenir la frontière efficiente et les pondérations

# 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()
Introduction à l'analyse de portefeuille en Python

Différentes optimisations

# 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)
Introduction à l'analyse de portefeuille en Python

Calculer le risque et la performance du portefeuille

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

Rendement annuel espéré : 21,3 %
Volatilité annuelle : 19,5 %
Ratio de Sharpe : 0,98
Introduction à l'analyse de portefeuille en Python

Optimisons un portefeuille !

Introduction à l'analyse de portefeuille en Python

Preparing Video For Download...