Alternatif portföy optimizasyonu

Python ile Portföy Analizine Giriş

Charlotte Werger

Data Scientist

Geçmiş verilere dayalı beklenen risk ve getiri

Geçmiş ortalama getiriler ya da geçmiş portföy varyansı, mu ve Sigma için mükemmel tahminler değildir
Bu yüzden portföy optimizasyonundan gelen ağırlıkların gelecekte iyi çalışacağı garanti değildir

$$ Tarihin tekerrür etmesi şakası

Geçmiş veriler

Zaman içinde değişen zaman serisi verisi

Üssel ağırlıklı getiriler

Risk ve getiri için daha iyi ölçülere ihtiyaç var
Üssel ağırlıklı risk ve getiri, en yeni verilere daha çok ağırlık verir
Grafikte üssel hareketli ortalama: en büyük ağırlık t-1 gözleminde

Üssel ağırlıklı getiri hesaplamasında ağırlıklar

Üssel ağırlıklı kovaryans

Üssel kovaryans matrisi: en yeni verilere daha çok ağırlık verir
Grafikte: siyah üssel ağırlıklı oynaklık, mavi standart oynaklıktan daha iyi gerçek oynaklığı izler

$$ Üssel ağırlıklı kovaryans ve normal kovaryansın gerçek kovaryansla karşılaştırılması

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

Üssel ağırlıklı getiriler

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

Üssel ağırlıklı kovaryans

from pypfopt import risk_models

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

Optimizasyonda aşağı yönlü riski kullanma

$ $

Sortino oranını hatırla: yalnızca negatif getirilerin varyansını kullanır
PyPortfolioOpt, optimizasyonda yarım kovaryans kullanmana izin verir; bu, aşağı yönlü risk ölçüsüdür:

$ $ Aşağı yönlü riskin hesaplanması

PyPortfolioOpt'ta yarım kovaryans

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

Hadi pratik yapalım!

Python ile Portföy Analizine Giriş