การปรับพอร์ตโฟลิโอแบบทางเลือก

การวิเคราะห์พอร์ตโฟลิโอด้วย Python

Charlotte Werger

Data Scientist

ความเสี่ยงและผลตอบแทนที่คาดหวังจากข้อมูลในอดีต

ผลตอบแทนเฉลี่ยในอดีต หรือความแปรปรวนของพอร์ตโฟลิโอในอดีต ไม่ใช่ค่าประมาณที่สมบูรณ์แบบ ของ mu และ Sigma
น้ำหนักจากการปรับพอร์ตโฟลิโอจึง ไม่รับประกันว่าจะได้ผลดีกับข้อมูลในอนาคต

$$ มุกตลกเกี่ยวกับการซ้ำรอยประวัติศาสตร์

ข้อมูลในอดีต

ข้อมูล time series ที่เปลี่ยนแปลงตามเวลา

ผลตอบแทนแบบถ่วงน้ำหนักเอกซ์โพเนนเชียล

จำเป็นต้องใช้มาตรวัดความเสี่ยงและผลตอบแทนที่ดีกว่า
ความเสี่ยงและผลตอบแทนแบบถ่วงน้ำหนักเอกซ์โพเนนเชียลให้ความสำคัญกับข้อมูลล่าสุดมากกว่า
ค่าเฉลี่ยเคลื่อนที่แบบเอกซ์โพเนนเชียลในกราฟ: ให้น้ำหนักมากสุดกับค่าที่ t-1

น้ำหนักในการคำนวณผลตอบแทนแบบถ่วงน้ำหนักเอกซ์โพเนนเชียล

โคแวเรียนซ์แบบถ่วงน้ำหนักเอกซ์โพเนนเชียล

เมทริกซ์โคแวเรียนซ์แบบเอกซ์โพเนนเชียล: ให้น้ำหนักกับข้อมูลล่าสุดมากกว่า
ในกราฟ: ความผันผวนแบบถ่วงน้ำหนักเอกซ์โพเนนเชียล (เส้นดำ) ติดตามความผันผวนจริงได้ดีกว่าความผันผวนมาตรฐาน (เส้นน้ำเงิน)

$$ เปรียบเทียบโคแวเรียนซ์แบบถ่วงน้ำหนักเอกซ์โพเนนเชียลและโคแวเรียนซ์ปกติกับโคแวเรียนซ์จริง

¹ Source: https://systematicinvestor.github.io/Exponentially-Weighted-Volatility-RCPP

ผลตอบแทนแบบถ่วงน้ำหนักเอกซ์โพเนนเชียล

from pypfopt import expected_returns

# Exponentially weighted moving average
mu_ema = expected_returns.ema_historical_return(df, 
                         span=252, frequency=252)
print(mu_ema)

symbol
XOM     0.103030
BBY     0.394629
PFE     0.186058

โคแวเรียนซ์แบบถ่วงน้ำหนักเอกซ์โพเนนเชียล

from pypfopt import risk_models

# Exponentially weighted covariance
Sigma_ew = risk_models.exp_cov(df, span=180, frequency=252)

การใช้ downside risk ในการปรับพอร์ตโฟลิโอ

$ $

จำ Sortino ratio ได้ไหม: ใช้ความแปรปรวนของผลตอบแทนติดลบเท่านั้น
PyPortfolioOpt รองรับการใช้ semicovariance ในการปรับพอร์ตโฟลิโอ ซึ่งเป็นมาตรวัด downside risk:

$ $ การคำนวณ downside risk

Semicovariance ใน PyPortfolioOpt

Sigma_semi = risk_models.semicovariance(df,     
                        benchmark=0, frequency=252)

print(Sigma_semi)

         XOM         BBY          MA         PFE
XOM     0.018939    0.008505    0.006568    0.004058
BBY     0.008505    0.016797    0.009133    0.004404
MA      0.006568    0.009133    0.018711    0.005373
PFE     0.004058    0.004404    0.005373    0.008349

มาฝึกกันเถอะ!

การวิเคราะห์พอร์ตโฟลิโอด้วย Python