PyPortfolioOpt

PyPortfolioOpt是一个实现投资组合优化方法的库，包括经典的均值-方差优化技术和Black-Litterman配置，以及该领域的一些最新发展，如收缩和层次风险平价。

它既全面又易于扩展，可以为普通投资者或寻求简单原型工具的专业人士提供帮助。无论你是一个发现了少数被低估股票的基本面投资者，还是拥有一篮子策略的算法交易者，PyPortfolioOpt都可以帮助你以风险效率的方式组合你的alpha来源。

PyPortfolioOpt已在开源软件期刊上发表 🎉

PyPortfolioOpt现由Tuan Tran维护。

前往**ReadTheDocs上的文档**深入了解该项目，或查看cookbook以查看从下载数据到构建投资组合的完整过程示例。

入门

如果你想在浏览器中交互式地试用PyPortfolioOpt，可以在这里启动Binder。虽然设置需要一些时间，但它可以让你尝试cookbook中的示例，而无需处理所有依赖项。

注意：macOS用户需要安装命令行工具。

注意：如果你使用Windows系统，首先需要安装C++。（下载，安装说明）

该项目可在PyPI上获得，这意味着你只需：

pip install PyPortfolioOpt

（你可能需要按照单独的安装说明安装cvxopt和cvxpy）。

然而，最佳实践是在虚拟环境中使用依赖管理器。我目前的建议是使用poetry进行设置，然后运行

poetry add PyPortfolioOpt

或者，克隆/下载项目并在项目目录中运行：

python setup.py install

PyPortfolioOpt支持Docker。使用docker build -f docker/Dockerfile . -t pypfopt构建你的第一个容器。你可以使用该镜像运行测试或启动Jupyter服务器。

# iPython解释器：
docker run -it pypfopt poetry run ipython

# Jupyter notebook服务器：
docker run -it -p 8888:8888 pypfopt poetry run jupyter notebook --allow-root --no-browser --ip 0.0.0.0
# 点击http://127.0.0.1:8888/?token=xxx

# Pytest
docker run -t pypfopt poetry run pytest

# Bash
docker run -it pypfopt bash

更多信息，请阅读本指南。

开发用途

如果你想进行重大更改以将其集成到你的专有系统中，最好克隆此存储库并直接使用源代码。

git clone https://github.com/robertmartin8/PyPortfolioOpt

或者，你可以尝试：

pip install -e git+https://github.com/robertmartin8/PyPortfolioOpt.git

快速示例

以下是使用真实股票数据的示例，演示了如何轻松找到最大化夏普比率（风险调整后收益的衡量指标）的仅多头投资组合。

import pandas as pd
from pypfopt import EfficientFrontier
from pypfopt import risk_models
from pypfopt import expected_returns

# 读取价格数据
df = pd.read_csv("tests/resources/stock_prices.csv", parse_dates=True, index_col="date")

# 计算预期收益和样本协方差
mu = expected_returns.mean_historical_return(df)
S = risk_models.sample_cov(df)

# 优化以获得最大夏普比率
ef = EfficientFrontier(mu, S)
raw_weights = ef.max_sharpe()
cleaned_weights = ef.clean_weights()
ef.save_weights_to_file("weights.csv")  # 保存到文件
print(cleaned_weights)
ef.portfolio_performance(verbose=True)

这将输出以下权重：

{'GOOG': 0.03835,
 'AAPL': 0.0689,
 'FB': 0.20603,
 'BABA': 0.07315,
 'AMZN': 0.04033,
 'GE': 0.0,
 'AMD': 0.0,
 'WMT': 0.0,
 'BAC': 0.0,
 'GM': 0.0,
 'T': 0.0,
 'UAA': 0.0,
 'SHLD': 0.0,
 'XOM': 0.0,
 'RRC': 0.0,
 'BBY': 0.01324,
 'MA': 0.35349,
 'PFE': 0.1957,
 'JPM': 0.0,
 'SBUX': 0.01082}

预期年化收益率: 30.5%
年化波动率: 22.2%
夏普比率: 1.28

这些数据本身很有趣但不太实用。不过，PyPortfolioOpt提供了一种方法，可以将上述连续权重转换为您实际可以购买的分配。只需输入最新价格和所需的投资组合规模（本例中为10,000美元）：

from pypfopt.discrete_allocation import DiscreteAllocation, get_latest_prices


latest_prices = get_latest_prices(df)

da = DiscreteAllocation(weights, latest_prices, total_portfolio_value=10000)
allocation, leftover = da.greedy_portfolio()
print("离散分配:", allocation)
print("剩余资金: ${:.2f}".format(leftover))

20个股票中有12个被移除
离散分配: {'GOOG': 1, 'AAPL': 4, 'FB': 12, 'BABA': 4, 'BBY': 2,
                      'MA': 20, 'PFE': 54, 'SBUX': 1}
剩余资金: $11.89

免责声明：本项目不构成投资建议，作者对您后续的投资决策不承担任何责任。更多信息请参阅许可证。

经典投资组合优化方法概述

Harry Markowitz 1952年的论文无疑是一个经典，它将投资组合优化从艺术转变为科学。其关键洞见是，通过结合具有不同预期收益和波动性的资产，可以决定一个数学上最优的分配，在目标收益下最小化风险 - 所有这些最优投资组合的集合被称为有效前沿。

尽管该主题已有了很大发展，但半个多世纪后，Markowitz的核心思想仍然具有根本重要性，并在许多投资组合管理公司中得到日常使用。均值-方差优化的主要缺点是，理论处理需要了解资产的预期收益和未来风险特征（协方差）。显然，如果我们知道股票的预期收益，生活会容易得多，但整个游戏的关键是股票收益是出了名的难以预测。作为替代，我们可以基于历史数据得出预期收益和协方差的估计 - 尽管我们失去了Markowitz提供的理论保证，但我们的估计越接近真实值，我们的投资组合就会越好。

因此，本项目提供了四个主要功能集（当然它们是密切相关的）

预期收益的估计
风险估计（即资产收益的协方差）
待优化的目标函数
优化器

PyPortfolioOpt的一个关键设计目标是模块化 - 用户应该能够在仍然利用PyPortfolioOpt提供的框架的同时交换他们的组件。

特性

在本节中，我们详细介绍了PyPortfolioOpt的一些可用功能。更多示例可以在这里的Jupyter笔记本中找到。另一个好资源是测试。

在ReadTheDocs上可以找到更全面的版本，以及针对更高级用户的可能扩展。

预期收益

平均历史收益：
- 最简单和最常见的方法，它认为每个资产的预期收益等于其历史收益的平均值。
- 易于理解和非常直观
指数加权平均历史收益：
- 类似于平均历史收益，但它对最近的价格给予指数级更多的权重
- 在估计未来收益时，资产最近的收益可能比10年前的收益更有权重。
资本资产定价模型（CAPM）：
- 一个基于市场贝塔系数预测收益的简单模型
- 这在金融领域广泛使用！

风险模型（协方差）

协方差矩阵不仅编码了资产的波动性，还编码了它与其他资产的相关性。这很重要，因为为了获得分散化的好处（从而增加每单位风险的回报），投资组合中的资产应该尽可能不相关。

样本协方差矩阵：
- 协方差矩阵的无偏估计
- 计算相对容易
- 多年来的事实标准
- 然而，它有较高的估计误差，这在均值-方差优化中特别危险，因为优化器可能会对这些错误估计给予过多权重。
半协方差：一种专注于下行变动的风险衡量指标。
指数协方差：对样本协方差的改进，给予最近数据更多权重
协方差收缩：涉及将样本协方差矩阵与结构化估计器结合的技术，以减少错误权重的影响。PyPortfolioOpt提供了围绕sklearn.covariance提供的高效向量化实现的包装器。
- 手动收缩
- Ledoit Wolf收缩，选择最优收缩参数。我们提供三个收缩目标：constant_variance、single_factor和constant_correlation。
- Oracle近似收缩
最小协方差行列式：
- 协方差的稳健估计
- 在sklearn.covariance中实现

（此图是使用plotting.plot_covariance生成的）

目标函数

最大夏普比率：这会产生一个_切线投资组合_，因为在收益vs风险图上，这个投资组合对应于有效前沿的切线，其y轴截距等于无风险利率。这是默认选项，因为它找到了每单位风险的最优回报。
最小波动率。如果你想了解波动率_可能_有多低，这可能很有用，但在实践中，使用最大化夏普比率的投资组合对我来说更有意义。
有效收益，又称Markowitz投资组合，它在给定目标收益的情况下最小化风险 - 这是Markowitz 1952年的主要关注点
有效风险：给定目标风险的夏普最大化投资组合。
最大二次效用。您可以提供自己的风险厌恶水平并计算适当的投资组合。

添加约束或不同目标

多头/空头：默认情况下，PyPortfolioOpt中的所有均值-方差优化方法都是仅多头的，但可以通过更改权重界限来允许空头头寸：

ef = EfficientFrontier(mu, S, weight_bounds=(-1, 1))

市场中性：对于efficient_risk和efficient_return方法，PyPortfolioOpt提供了形成市场中性投资组合的选项（即权重之和为零）。这对于最大夏普投资组合和最小波动率投资组合是不可能的，因为在这些情况下，它们对杠杆不变。市场中性需要负权重：

ef = EfficientFrontier(mu, S, weight_bounds=(-1, 1))
ef.efficient_return(target_return=0.2, market_neutral=True)

最小/最大头寸规模：可能你希望没有证券占你投资组合的10%以上。这很容易编码：

ef = EfficientFrontier(mu, S, weight_bounds=(0, 0.1))

均值-方差优化的一个问题是它会导致许多零权重。虽然这些在样本内是"最优的"，但有大量研究表明，这一特征导致均值-方差投资组合在样本外表现不佳。为此，我引入了一个目标函数，可以减少任何目标函数的可忽略权重的数量。本质上，它对小权重添加了一个惩罚（由gamma参数化），其形式看起来就像机器学习中的L2正则化。可能需要尝试几个gamma值来达到所需的非可忽略权重数量。对于20只证券的测试投资组合，gamma ~ 1就足够了

ef = EfficientFrontier(mu, S)
ef.add_objective(objective_functions.L2_reg, gamma=1)
ef.max_sharpe()

Black-Litterman分配

从v0.5.0版本开始，我们现在支持Black-Litterman资产配置，它允许您将先验收益估计（例如市场隐含收益）与您自己的观点相结合，形成后验估计。这比仅使用历史平均收益能得到更好的预期收益估计。查看文档了解理论讨论以及输入格式的建议。

S = risk_models.sample_cov(df)
viewdict = {"AAPL": 0.20, "BBY": -0.30, "BAC": 0, "SBUX": -0.2, "T": 0.131321}
bl = BlackLittermanModel(S, pi="equal", absolute_views=viewdict, omega="default")
rets = bl.bl_returns()

ef = EfficientFrontier(rets, S)
ef.max_sharpe()

其他优化器

上述功能主要涉及通过二次规划解决均值-方差优化问题（尽管这由cvxpy处理）。然而，我们还提供了不同的优化器：

均值-半方差优化
均值-CVaR优化
分层风险平价，使用聚类算法选择不相关资产
Markowitz的临界线算法（CLA）

更多详情请参阅文档。

相较于现有实现的优势

包括经典方法（Markowitz 1952和Black-Litterman）、建议的最佳实践（如协方差收缩），以及许多近期发展和新颖特性，如L2正则化、收缩协方差、分层风险平价。
原生支持pandas数据框：轻松输入您的日常价格数据。
广泛的实际测试，使用真实生活数据。
易于与您的专有策略和模型结合。
对缺失数据和不同长度的价格序列具有鲁棒性（例如，FB数据仅追溯到2012年，而AAPL数据可追溯到1980年）。

项目原则和设计决策

应该易于用户自己的专有改进替换优化过程的各个组件。
可用性至关重要：宁可自解释也不要一致性。
除非能实际应用于真实资产价格，否则投资组合优化毫无意义。
所有已实现的内容都应该经过测试。
内联文档很好：专门（单独）的文档更好。两者并不互相排斥。
格式永远不应妨碍编码：因此，我将所有格式决策交给了Black。

测试

测试使用pytest编写（在我看来比unittest及其变体更直观），我尽力确保接近100%的覆盖率。通过导航到包目录并在命令行上简单运行pytest来运行测试。

PyPortfolioOpt提供了20支股票的每日收益测试数据集：

['GOOG', 'AAPL', 'FB', 'BABA', 'AMZN', 'GE', 'AMD', 'WMT', 'BAC', 'GM',
'T', 'UAA', 'SHLD', 'XOM', 'RRC', 'BBY', 'MA', 'PFE', 'JPM', 'SBUX']

这些股票经非正式选择，以满足几个标准：

合理的流动性
不同的表现和波动性
不同数量的数据以测试鲁棒性

目前，测试尚未探索所有边缘情况以及目标函数和参数的组合。然而，每种方法和参数都已经过测试，确保按预期工作。

引用PyPortfolioOpt

如果您在已发表的工作中使用PyPortfolioOpt，请引用JOSS论文。

引用字符串：

Martin, R. A., (2021). PyPortfolioOpt: portfolio optimization in Python. Journal of Open Source Software, 6(61), 3066, https://doi.org/10.21105/joss.03066

BibTex：

@article{Martin2021,
  doi = {10.21105/joss.03066},
  url = {https://doi.org/10.21105/joss.03066},
  year = {2021},
  publisher = {The Open Journal},
  volume = {6},
  number = {61},
  pages = {3066},
  author = {Robert Andrew Martin},
  title = {PyPortfolioOpt: portfolio optimization in Python},
  journal = {Journal of Open Source Software}
}