### 多资产组合的有效前沿计算与绘图 有效前沿（Efficient Frontier）是投资组合理论中的核心概念之一，用于确定在给定风险水平下可以获得的最大收益的投资组合。通过Python，可以使用`pandas`、`numpy`和`matplotlib`等库来实现多资产组合的有效前沿计算与绘图。 以下是完整的代码示例及说明： #### 1. 数据准备 首先需要获取资产的历史收益率数据。这里以随机生成的数据为例，实际应用中可以通过金融数据API（如Yahoo Finance或Tushare）获取真实数据。 ```python import numpy as np import pandas as pd import matplotlib.pyplot as plt from scipy.optimize import minimize # 假设有4个资产 np.random.seed(42) returns = np.random.normal(loc=0.05, scale=0.1, size=(252, 4)) # 每天的收益率 cov_matrix = np.cov(returns.T) # 协方差矩阵 mean_returns = returns.mean(axis=0) # 平均收益率 ``` #### 2. 定义目标函数 定义一个函数来计算投资组合的预期收益率和波动率。 ```python def portfolio_performance(weights, mean_returns, cov_matrix): portfolio_return = np.sum(mean_returns * weights) * 252 # 年化收益率 portfolio_volatility = np.sqrt(np.dot(weights.T, np.dot(cov_matrix, weights))) * np.sqrt(252) # 年化波动率 return portfolio_return, portfolio_volatility ``` #### 3. 寻找最优组合 通过优化算法寻找最大化夏普比率的投资组合权重。 ```python def negative_sharpe_ratio(weights, mean_returns, cov_matrix, risk_free_rate=0.02): p_ret, p_vol = portfolio_performance(weights, mean_returns, cov_matrix) return -(p_ret - risk_free_rate) / p_vol constraints = ({'type': 'eq', 'fun': lambda x: np.sum(x) - 1}) # 权重之和为1 bounds = tuple((0, 1) for asset in range(len(mean_returns))) # 权重范围在0到1之间 # 初始猜测权重 initial_weights = np.array([1 / len(mean_returns)] * len(mean_returns)) # 最大化夏普比率 optimal_weights = minimize(negative_sharpe_ratio, initial_weights, args=(mean_returns, cov_matrix), method='SLSQP', bounds=bounds, constraints=constraints) print("最优权重:", optimal_weights.x.round(3)) print("最优组合表现:", portfolio_performance(optimal_weights.x, mean_returns, cov_matrix)) ``` #### 4. 绘制有效前沿 通过蒙特卡洛模拟生成多个随机权重组合，并绘制有效前沿曲线。 ```python num_portfolios = 10000 results = np.zeros((num_portfolios, 3)) # 存储结果：[收益率, 波动率, 夏普比率] for i in range(num_portfolios): weights = np.random.random(len(mean_returns)) weights /= np.sum(weights) # 归一化权重 portfolio_return, portfolio_volatility = portfolio_performance(weights, mean_returns, cov_matrix) results[i, 0] = portfolio_return results[i, 1] = portfolio_volatility results[i, 2] = (portfolio_return - 0.02) / portfolio_volatility # 夏普比率 # 绘制散点图 plt.figure(figsize=(10, 6)) plt.scatter(results[:, 1], results[:, 0], c=results[:, 2], cmap='viridis', marker='o', s=10, alpha=0.5) plt.colorbar(label='Sharpe Ratio') # 绘制有效前沿 frontier_volatility = np.linspace(0.1, 0.4, 100) frontier_returns = [] for possible_volatility in frontier_volatility: cons = ({'type': 'eq', 'fun': lambda x: portfolio_performance(x, mean_returns, cov_matrix)[1] - possible_volatility}, {'type': 'eq', 'fun': lambda x: np.sum(x) - 1}) res = minimize(lambda x: -portfolio_performance(x, mean_returns, cov_matrix)[0], initial_weights, method='SLSQP', bounds=bounds, constraints=cons) if res.success: frontier_returns.append(portfolio_performance(res.x, mean_returns, cov_matrix)[0]) plt.plot(frontier_volatility, frontier_returns, 'r--', linewidth=2) plt.title('Efficient Frontier') plt.xlabel('Volatility') plt.ylabel('Return') plt.grid(True) plt.show() ``` 以上代码实现了多资产组合的有效前沿计算与绘图[^1]。通过调整输入参数（如资产数量、收益率和协方差矩阵），可以适用于不同的投资场景。 --- ###