मार्कोविट्ज़ पोर्टफोलियो

Python में पोर्टफोलियो जोखिम प्रबंधन का परिचय

Dakota Wixom

Quantitative Analyst | QuantCourse.com

100,000 रैंडमली जनरेट किए गए पोर्टफोलियो

Sharpe ratio

Sharpe ratio risk-adjusted return का माप है.

1966 वाले Sharpe ratio की गणना के लिए:

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

S: Sharpe Ratio
$ R_a $: एसेट रिटर्न
$ r_f $: जोखिम-रहित रिटर्न दर
$ \sigma_a $: एसेट वोलैटिलिटी

इफिशिएंट फ्रंटियर

Markowitz पोर्टफोलियो

इफिशिएंट फ्रंटियर पर कोई भी बिंदु एक ऑप्टिमम पोर्टफोलियो है.

ये दो आम बिंदु Markowitz Portfolios कहलाते हैं:

MSR: Max Sharpe Ratio पोर्टफोलियो
GMV: Global Minimum Volatility पोर्टफोलियो

पोर्टफोलियो चुनना

आप सर्वश्रेष्ठ पोर्टफोलियो कैसे चुनेंगे?

इफिशिएंट फ्रंटियर की बॉन्डिंग एज पर कोई पोर्टफोलियो चुनें
अधिक जोखिम लेने पर अधिक रिटर्न मिल सकता है

Python में MSR चुनना

मान लें Volatility और Returns कॉलम वाला रैंडम पोर्टफोलियो का DataFrame df है:

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])

पिछला प्रदर्शन भविष्य के रिटर्न की गारंटी नहीं है

Max Sharpe Ratio पोर्टफोलियो अच्छा लगता है, लेकिन व्यवहार में रिटर्न का अनुमान लगाना बहुत कठिन होता है.

Python में GMV चुनना

मान लें Volatility और Returns कॉलम वाला रैंडम पोर्टफोलियो का DataFrame df है:

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])

अभ्यास करते हैं!

Python में पोर्टफोलियो जोखिम प्रबंधन का परिचय