权重函数英文

1、权重函数weight：用于为组合中的股票随机分配权重2、投资组合函数portfolio：计算不同权重组合下的期望收益率、方差以及Sharpe比率# 1、定义随机权重函数 def weight(n): w=np.random.random(n) return w/sum(w)weight(5)下面，求Sharpe Ratio最大时的资产比例。首先，我们选取股票组合。#取上证50年化收益排名前五的证券作为投资组合 stock=w.wset("sectorconstituent", "date=2017-01-01; sectorId=1000000087000000").Data[1]startdate='2020-03-01'enddate='2020-11-15' #定义收益率计算函数def ret(stock): error_code,data=w.wsd(stock, "close",startdate, enddate, "",usedf=True) return np.log(data/data.shift(1)) #采用对数收益率计算方法ret(stock).head()# 对上证50所有股票的年化收益率进行排名r=ret(stock).mean()*252 #求年化收益率 r=pd.DataFrame(r,columns=['returns']) r=r.sort_index(axis = 0,ascending = False,by = 'returns') r.head(10)#取出收益率最高的前5名股票建立投资组合 p_stock=list(r[0:5].index.values)p_stock # 绘制股票收盘价走势图 error_code,data=w.wsd(p_stock, "close",startdate, enddate, "",usedf=True) (data/data.ix[0]-1).plot(figsize=(14,7.5)) plt.grid()# 3、optimize是寻找最小值，这里我们求夏普负值的最小值即为夏普最大值 def min_sharpe(w): return -portfolio(returns,w)[2]cons = ({'type':'eq','fun':lambda w:np.sum(w)-1}) res = minimize(min_sharpe,weight(5),bounds=((0,1),(0,1),(0,1),(0,1),(0,1)),constraints = cons) res #最优组合权重,取小数点后三位 weight=res['x'].round(3)weightarray([0.193, 0.803, 0.004, 0. , 0. ])#sharpe 最大时的组合收益、方差以及sharpe p_opt=portfolio(returns,res['x']) p_opt输出结果为：(0.6678337301412707, 0.28040534834834024, 2.2789641278432953)print("可以看出Sharpe最大时的组合最优解是：")print("组合收益：",'%.2f%%' % (p_opt[0] * 100))print("组合标准差（波动率）：",'%.2f%%' % (p_opt[1] * 100) )print("组合sharpe:",'%.2f' % (p_opt[2] ) )输出结果为：可以看出Sharpe最大时的组合最优解是；组合收益：66.78%组合标准差（波动率）：28.04%组合sharpe: 2.28# 星号构成的曲线是有效前沿（目标收益率下最优的投资组合） plt.figure(figsize = (14,8)) #圆圈：蒙特卡洛随机产生的组合分布 plt.scatter(p_std, p_mean, c=p_sharpe, marker = 'o') #最小方差组合 plt.scatter(t_std,t_returns, c = (np.array(t_returns)-r_f)/t_std,marker = '*') #有效前沿 plt.plot(e_std,e_returns,'r.',markersize=5) #画出Sharpe最大时的点 plt.plot(portfolio(returns,res['x'])[1],portfolio(returns,res['x'])[0],'r*',markersize=20) plt.grid(True) plt.xlabel('std') plt.ylabel('mean') plt.colorbar(label = 'Sharpe') plt.title('Mean and Std of Returns')