siat 3.10.130__py3-none-any.whl → 3.10.132__py3-none-any.whl

build/lib/siat/markowitz_simple.py

@@ -0,0 +1,373 @@
+# -*- coding: utf-8 -*-
+"""
+本模块功能：马科维茨投资组合快速示意图
+所属工具包：证券投资分析工具SIAT 
+SIAT：Security Investment Analysis Tool
+创建日期：2023年7月8日
+最新修订日期：2023年7月9日
+作者：王德宏 (WANG Dehong, Peter)
+作者单位：北京外国语大学国际商学院
+作者邮件：wdehong2000@163.com
+版权所有：王德宏
+用途限制：仅限研究与教学使用，不可商用！商用需要额外授权。
+特别声明：作者不对使用本工具进行证券投资导致的任何损益负责！
+"""
+
+#==============================================================================
+#关闭所有警告
+import warnings; warnings.filterwarnings('ignore')
+from siat.security_prices import *
+
+#==============================================================================
+import matplotlib.pyplot as plt
+
+#统一设定绘制的图片大小：数值为英寸，1英寸=100像素
+plt.rcParams['figure.figsize']=(12.8,7.2)
+plt.rcParams['figure.dpi']=300
+plt.rcParams['font.size'] = 13
+plt.rcParams['xtick.labelsize']=11 #横轴字体大小
+plt.rcParams['ytick.labelsize']=11 #纵轴字体大小
+
+title_txt_size=16
+ylabel_txt_size=14
+xlabel_txt_size=14
+legend_txt_size=14
+
+#设置绘图风格：网格虚线
+plt.rcParams['axes.grid']=True
+#plt.rcParams['grid.color']='steelblue'
+#plt.rcParams['grid.linestyle']='dashed'
+#plt.rcParams['grid.linewidth']=0.5
+#plt.rcParams['axes.facecolor']='whitesmoke'
+
+#处理绘图汉字乱码问题
+import sys; czxt=sys.platform
+if czxt in ['win32','win64']:
+    plt.rcParams['font.sans-serif'] = ['SimHei']  # 设置默认字体
+    mpfrc={'font.family': 'SimHei'}
+
+if czxt in ['darwin']: #MacOSX
+    plt.rcParams['font.family']= ['Heiti TC']
+    mpfrc={'font.family': 'Heiti TC'}
+
+if czxt in ['linux']: #website Jupyter
+    plt.rcParams['font.family']= ['Heiti TC']
+    mpfrc={'font.family':'Heiti TC'}
+
+# 解决保存图像时'-'显示为方块的问题
+plt.rcParams['axes.unicode_minus'] = False 
+#==============================================================================
+
+# 全局引用，函数中无需再import
+from datetime import date
+import pandas as pd 
+import numpy as np 
+import scipy.optimize as opt
+
+import seaborn as sns
+g=sns.set_style("whitegrid")#横坐标有标线，纵坐标没有标线，背景白色
+g=sns.set_style("darkgrid") #默认，横纵坐标都有标线，组成一个一个格子，背景稍微深色
+g=sns.set_style("dark")#背景稍微深色，没有标线线
+g=sns.set_style("white")#背景白色，没有标线线
+g=sns.set_style("ticks")#xy轴都有非常短的小刻度
+g=sns.despine(offset=30,left=True)#去掉上边和右边的轴线，offset=30表示距离轴线（x轴）的距离,left=True表示左边的轴保留
+g=sns.set(font='SimHei',rc={'figure.figsize':(10,6)})# 图片大小和中文字体设置
+
+#==============================================================================
+if __name__=='__main__':
+    components = {
+                  'AAPL':'苹果',
+                  'AMZN':'亚马逊',
+                  'GOOGL':'谷歌',
+                  'BABA':'阿里巴巴'
+                 }
+
+    start='2022-1-1'    
+    end='2022-12-31'
+    
+    risk_free=0.015
+    simulation=25000
+    price_trend=True
+    feasible_set=True
+    efficient_frontier=True
+    MOP=True #Markowitz Optimized Point
+    MSR=True #Maximized Sharpe Ratio
+    
+    ef_adjust=1.008
+    
+    markowitz_sharpe(components,start,end)
+    markowitz_sharpe(components,start,end,ef_adjust=1.008)
+    markowitz_sharpe(components,start,end,MOP=True)
+    markowitz_sharpe(components,start,end,MSR=True)
+    markowitz_sharpe(components,start,end,MOP=True,MSR=True)
+
+def markowitz_sharpe(components,start,end,risk_free=0.015,simulation=25000, \
+                     price_trend=True,feasible_set=True,efficient_frontier=True, \
+                     MOP=False,MSR=False,ef_adjust=1.008): 
+    """
+    功能：使用期间内夏普比率寻找马科维茨最优点，绘制可行集、有效边界和最优点
+    components：投资组合成分股票代码与名称，节省搜索股票名称的时间
+    start,end：开始/结束日期
+    risk_free：人工指定无风险利率，节省搜索时间，减少搜索失败概率
+    simulation：生成可行集的模拟次数
+    price_trend：是否绘制各个成分股票的价格走势，采用股价/起点股价的比值，可一图绘制多只股票
+    feasible_set：是否绘制可行集
+    efficient_frontier：是否绘制有效边界
+    MOP：是否标注MOP点，Markowitz Optimized Point，可能与MSR点不同
+    MSR：是否标注MSR点，Maximized Sharpe Ratio，可能与MOP点不同
+    ef_adjust：对有效边界曲线微调，使其处于可行集的上边沿
+    """
+    #获取股票数据
+    tickers=list(components)
+    
+    # 使用Adj Close避免分红分拆引起股价不连续导致结果异常
+    #cprices=get_prices(tickers,start,end)
+    stock_data=get_prices(tickers,start,end)['Adj Close']
+    stock_data.rename(columns=components,inplace=True)
+     
+    stock_data=stock_data.iloc[::-1]
+    #stock_data.head()
+     
+    # 绘制成分股价格走势，采用股价/起点股价的相对股价，增加可比性
+    if price_trend:
+        (stock_data/stock_data.iloc[0]).plot()
+        titletxt='投资组合的成分股价格走势示意图'
+        plt.xlabel('')
+        plt.ylabel("价格/起点值")
+        plt.title(titletxt)
+        plt.show()
+    
+    #------------------------------------------------------------------------------
+    # 计算收益率和风险
+    # 收益率
+    R=stock_data/stock_data.shift(1)-1
+    #R.head()
+    
+    # 对数收益率 
+    stock_data_shift1=stock_data.shift(1)
+    log_r=np.log(stock_data/stock_data.shift(1))
+    #log_r.head()
+    
+    # 年化收益率 
+    r_annual=np.exp(log_r.mean()*250)-1
+    #r_annual
+    
+    # 风险
+    std = np.sqrt(log_r.var() * 250)#假设协方差为0
+    #std
+    
+    #------------------------------------------------------------------------------
+    # 投资组合的收益和风险
+    def gen_weights(n):
+        w=np.random.rand(n)
+        return w /sum(w)
+     
+    n=len(list(tickers))
+    #w=gen_weights(n)
+    #list(zip(r_annual.index,w))
+    
+    #投资组合收益
+    def port_ret(w):
+        return -np.sum(w*r_annual)
+    #pret=port_ret(w)
+    
+    #投资组合的风险
+    def port_std(w):
+        return np.sqrt((w.dot(log_r.cov()*250).dot(w.T)))
+    #pstd=port_std(w)
+    
+    #若干投资组合的收益和风险
+    def gen_ports(times):
+        for _ in range(times):#生成不同的组合
+            w=gen_weights(n)#每次生成不同的权重
+            yield (port_std(w),port_ret(w),w)#计算风险和期望收益 以及组合的权重情况
+    
+    # 投资组合模拟次数
+    print("\n  Generating portfolio feasible set ...")
+    df=pd.DataFrame(gen_ports(25000),columns=["std","ret","w"])
+    #df.head()
+    std_min=df['std'].min()
+    std_max=df['std'].max()
+    
+    #------------------------------------------------------------------------------
+    #计算可行集中每个投资组合期间内的夏普比率
+    df['sharpe'] = (df['ret'] - risk_free) / df['std']
+    #list(zip(r_annual.index, df.loc[df.sharpe.idxmax()].w))
+    
+    # 画出投资可行集
+    df_ef=df.rename(columns={'std':'收益率标准差','ret':'收益率','sharpe':'夏普比率'})
+    fig, ax = plt.subplots()
+    titletxt="马科维茨投资组合示意图"
+    plt.title(titletxt)
+    
+    #df.plot.scatter('std','ret',c='sharpe',s=30,alpha=0.3,cmap='cool',marker='o',ax=ax)
+    df_ef.plot.scatter('收益率标准差','收益率',c='夏普比率',s=30,alpha=0.3,cmap='cool',marker='o',ax=ax)
+    plt.style.use('ggplot')
+    plt.rcParams['axes.unicode_minus'] = False# 显示负号
+    
+    #绘制有效边界曲线    
+    if efficient_frontier:
+        frontier=pd.DataFrame(columns=['std','ret'])
+        for std in np.linspace(std_min,std_max):    
+            res=opt.minimize(lambda x:-port_ret(x),
+                        x0=((1/n),)*n,
+                        method='SLSQP',
+                        bounds=((0,1),)*n,
+                        constraints=[
+                           {"fun":lambda x:port_std(x)-std,"type":"eq"},
+                           {"fun":lambda x:(np.sum(x)-1),"type":"eq"}
+                        ])
+            if res.success:
+                frontier=frontier._append({"std":std,"ret":-res.fun},ignore_index=True)
+        
+        # 略微上调有效边界
+        frontier2=frontier.copy()
+        """
+        fstd0=frontier2['std'].values[0]
+        frontier2['ret']=frontier2['ret'] * ef_adjust*fstd0/frontier2['std']
+        """
+        frontier2['ret']=frontier2['ret'] * ef_adjust
+        frontier3=frontier2.rename(columns={'std':'收益率标准差','ret':'收益率'})
+        frontier3.plot('收益率标准差','收益率',label='有效边界',lw=3,c='blue',ax=ax)
+        plt.legend()
+        fig
+    
+    #------------------------------------------------------------------------------
+    #单个投资组合的收益和风险
+    def one_ports(w):
+        return (port_std(w),port_ret(w),w)#计算风险和期望收益 以及组合的权重情况
+    
+    # 计算最优资产配置情况
+    if MOP:
+        res=opt.minimize(lambda x:-((port_ret(x)-risk_free)/port_std(x)),
+                        x0=((1/n),)*n,
+                        method='SLSQP',
+                        bounds=((0,1),)*n,
+                        constraints={"fun":lambda x:(np.sum(x)-1), "type":"eq"})
+        
+        ax.scatter(port_std(res.x),port_ret(res.x),label='MOP点',marker="*",c="brown",s=300)
+        ax.legend()
+        fig
+        
+        print("\n***马科维茨优化后组合(MOP)配置:")
+        ticker_names=components.values()
+        best_proportion=res.x.round(3)
+        #best_config = dict(zip(tickers, best_proportion))
+        best_config = dict(zip(ticker_names, best_proportion))
+        print(best_config)
+        
+        #计算期间内投资组合收益率均值
+        best_std,best_ret,_=one_ports(best_proportion)
+        print("收益率标准差:",round(best_std,4),"\b，投资组合收益率:",round(best_ret,4))
+        
+        """
+        #绘制MOP组合价格走势
+        stock_data2=stock_data.copy()
+        stock_data2['MOP']=stock_data2.dot(best_proportion)
+        (stock_data2/stock_data2.iloc[0]).plot()
+        
+        titletxt='投资组合及其成分股价格走势示意图'
+        plt.xlabel('')
+        plt.ylabel("价格/起点值")
+        plt.title(titletxt)
+        plt.show()
+        """
+        
+    if MSR:
+        sharpe_max=df['sharpe'].max()
+        std_msr=df[df['sharpe']==sharpe_max]['std'].values[0]
+        ret_msr=df[df['sharpe']==sharpe_max]['ret'].values[0]
+        w_msr=df[df['sharpe']==sharpe_max]['w'].values[0]
+        
+        ax.scatter(std_msr,ret_msr,label='MSR点',marker="*",c="orange",s=300)
+        ax.legend()
+        fig
+        
+        print("\n***最大夏普比率组合(MSR)配置:")    
+        ticker_names=components.values()
+        best_proportion=w_msr
+        best_config = dict(zip(ticker_names, best_proportion.round(3)))
+        print(best_config)
+        
+        #计算期间内投资组合收益率均值
+        best_std,best_ret,_=one_ports(best_proportion)
+        print("收益率标准差:",round(best_std,4),"\b，投资组合收益率:",round(best_ret,4))
+        
+        #绘制MOP组合价格走势
+        """
+        stock_data3=stock_data.copy()
+        stock_data3['MOP']=stock_data3.dot(best_proportion)
+        (stock_data3/stock_data3.iloc[0]).plot()
+        
+        titletxt='投资组合及其成分股价格走势示意图'
+        plt.xlabel('')
+        plt.ylabel("价格/起点值")
+        plt.title(titletxt)
+        plt.show()
+        """
+        
+    if MOP or MSR:
+        std_min=df['std'].min()
+        ret_gmvs=df[df['std']==std_min]['ret'].values[0]
+        w_gmvs=df[df['std']==std_min]['w'].values[0]
+        
+        ax.scatter(std_min,ret_gmvs,label='LVS点',marker="o",c="green",s=300)
+        ax.legend()
+        fig
+        
+        print("\n***最小波动风险组合(LVS)配置:")    
+        ticker_names=components.values()
+        best_proportion=w_gmvs
+        best_config = dict(zip(ticker_names, best_proportion.round(3)))
+        print(best_config)
+        
+        #计算期间内投资组合收益率均值
+        best_std,best_ret,_=one_ports(best_proportion)
+        print("收益率标准差:",round(best_std,4),"\b，投资组合收益率:",round(best_ret,4))
+        
+        #绘制GMVS组合价格走势
+        """
+        stock_data4=stock_data.copy()
+        stock_data4['GMVS']=stock_data4.dot(best_proportion)
+        (stock_data4/stock_data4.iloc[0]).plot()
+
+        titletxt='投资组合及其成分股价格走势示意图'
+        plt.xlabel('')
+        plt.ylabel("价格/起点值")
+        plt.title(titletxt)
+        plt.show()
+        """
+        
+    return 
+
+
+#------------------------------------------------------------------------------
+#------------------------------------------------------------------------------
+#------------------------------------------------------------------------------
+#------------------------------------------------------------------------------
+#------------------------------------------------------------------------------
+#------------------------------------------------------------------------------
+#------------------------------------------------------------------------------
+#------------------------------------------------------------------------------
+#------------------------------------------------------------------------------
+#------------------------------------------------------------------------------
+#------------------------------------------------------------------------------
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+