¿Cuál es la biblioteca python de referencia para la optimización de carteras?

Question

¿Alguien conoce una biblioteca/fuente en python que sea capaz de calcular la cartera tradicional de media-varianza? Para tentar mi suerte, cualquier recurso en el que la biblioteca/fuente también contenga funciones como funciones de covarianza alternativas (etc. contracción), optimización de la cartera de momento parcial inferior, etc...

He desarrollado, como todo el mundo, y aplicado una o dos variantes. ¿Soy yo o no hay mucho por ahí en términos de python para aplicaciones financieras/de cartera. Al menos no hay nada por ahí que iguale esfuerzos como Rmetrics para R.

Answer 1

Descargo de responsabilidad: soy el autor y sólo lo he subido a sourceforce

PortOpt es una envoltura de código abierto para Quadprog++ (un solucionador cuadrático en C++) para la resolución de problemas de optimización de carteras que soporta las curvas de indiferencia lineal de los agentes hacia el riesgo.

Cuenta con un enlace en python que permite optimizar los problemas de cartera de forma tan sencilla como:

import portopt
results = portopt.solveport(covar_matrix,means_vector,risk_adv_coef)

Sin embargo, en este momento no contiene nada más que la resolución de la optimización de la cartera (y en particular, no tiene funciones para las funciones de covarianza alternativas ni la optimización de la cartera de momentos parciales inferiores).

Answer 2

Acabo de impulsar las implementaciones en Python de algunos optimizadores de cartera comunes a mi GitHub . Utiliza el CVXOPT para resolver los programas cuadráticos resultantes. Admite la construcción de carteras de Markowitz, carteras de varianza mínima y carteras de tangencia (tanto a largo plazo como a corto plazo).

Answer 3

He utilizado un ejemplo del periódico: Una introducción a la estimación de la contracción de la Matriz de Covarianza: Una ilustración pedagógica

Pude obtener la misma matriz de contracción. He proporcionado la misma matriz que utilizan en su documento.

Espero que esto ayude

import numpy as np
import pandas
from math import pow

def get_shrunk_covariance_matrix(obs, c, zeros):
    w_len=c.shape[0]
    T=obs.shape[0]
    print T, w_len
    w=((T-1.0)/T)*c

    sq_cov=c*c
    sq_cov=sq_cov.as_matrix()
    np.fill_diagonal(sq_cov, 0)
    sq_cov=pandas.DataFrame(sq_cov).dropna()
    frames =[]
    for z in range(w_len):
        LST=[]
        for cc in range(T):
            lst=[]
            for ccc in range(w_len):
                val = pow(obs.loc[cc][z]*obs.loc[cc][ccc]-w.loc[z][ccc],2)
                lst.append(val)
            LST.append(lst)

        df=pandas.DataFrame(LST)
        df[z]=0
        frames.append(df)
    result = pandas.concat(frames)

    Sum_of_All_Estimated_Var=result.values.tolist()
    sum1=0
    for s in Sum_of_All_Estimated_Var: sum1+=sum(s)
    a1=(T/pow((T-1),3))*sum1

    Sum_of_All_S_ij_Squared=sq_cov.values.tolist()
    a2=0
    for s in Sum_of_All_S_ij_Squared: a2+=sum(s)

    Optimal_Shrinkage_Intensity = a1/(a1+a2)
    print Optimal_Shrinkage_Intensity

    Shrinkage=(1-Optimal_Shrinkage_Intensity)*c +  Optimal_Shrinkage_Intensity*zeros
    print Shrinkage

if __name__=="__main__":
    n=np.matrix([[10,12,9,-2,17,8,12],  [-9,-11,2,-5,-7,2,-2],  [16,5,8,5,18,8,9], [6,-3,6,-13,1,4,2], [1,4,-9,5,8,-16,-1], [12,-1,2,22,11,6,10]])
    mean = n.mean(axis=0)
    n=n-mean
    frame = pandas.DataFrame(n).dropna()
    c=pandas.DataFrame(np.cov(frame,  rowvar=0), index=frame.columns, columns=frame.columns)
    C=np.cov(frame,  rowvar=0)
    D=C.diagonal()
    zeros = np.zeros((C.shape[0], C.shape[0]), float)
    np.fill_diagonal(zeros, D)
    get_shrunk_covariance_matrix(frame, c, zeros)

Answer 4

Pruebe Riskfolio-Lib http://riskfolio-lib.readthedocs.io/ Es una librería python de código abierto que permite construir carteras óptimas utilizando 10 medidas de riesgo, modelo black litterman, construir restricciones, carteras de factores, estimadores robustos de covarianza, ponderaciones cortas, seguimiento de índices/replicación de carteras entre otras características.

Answer 5

Prueba con portfolio_metrics @ https://github.com/tvaught/experimental/tree/master/portfolio_metrics

Hay un post que describe la lib http://travisvaught.blogspot.com/2011/09/modern-portfolio-theory-python.html