### 使用 Python 计算与绘制有效前沿曲线 为了实现有效前沿曲线（Efficient Frontier）的计算与绘制，可以采用 `numpy` 和 `scipy.optimize` 进行数值优化，并利用 `pandas` 处理金融数据以及 `matplotlib` 或 `seaborn` 完成绘图。以下是具体方法： #### 数据准备 首先需要获取股票的历史价格数据并计算其日收益率和协方差矩阵。这可以通过 `yfinance` 库或其他金融数据接口完成。 ```python import numpy as np import pandas as pd from scipy.optimize import minimize import matplotlib.pyplot as plt import yfinance as yf # 下载上证50成分股历史数据 (此处仅为示例) tickers = ['600519.SS', '601318.SS'] # 替换为实际的上证50成分股列表 data = yf.download(tickers, start="2020-01-01", end="2023-01-01")['Adj Close'] returns = data.pct_change().dropna() # 日收益率 mean_returns = returns.mean() cov_matrix = returns.cov() ``` 上述代码下载了指定时间段内的调整收盘价，并计算每日收益率及其均值和协方差矩阵[^1]。 --- #### 构建目标函数 定义投资组合的目标函数以求解最优权重。这里我们关注两个主要指标：期望回报率和波动率。 ```python def portfolio_volatility(weights, cov_matrix): """计算投资组合的年化波动率""" return np.sqrt(np.dot(weights.T, np.dot(cov_matrix * 252, weights))) def negative_sharpe_ratio(weights, mean_returns, cov_matrix, risk_free_rate=0.02): """最大化夏普比率的负数形式""" p_ret = np.sum(mean_returns * weights) * 252 p_vol = portfolio_volatility(weights, cov_matrix) sharpe_ratio = (p_ret - risk_free_rate) / p_vol return -sharpe_ratio ``` 通过以上函数分别实现了波动率计算和夏普比率的最大化问题转换[^3]。 --- #### 寻找有效前沿上的点 使用约束条件下的最优化算法寻找不同预期收益对应的最佳权重分配方案。 ```python constraints = [{'type': 'eq', 'fun': lambda w: np.sum(w) - 1}] # 权重总和等于1 bounds = tuple((0, 1) for _ in range(len(mean_returns))) # 非负权重限制 target_returns = np.linspace(0.05, 0.3, 50) # 设定一系列目标收益率范围 frontier_weights = [] for target in target_returns: cons_with_target = constraints.copy() cons_with_target.append({'type': 'eq', 'fun': lambda w: np.sum(mean_returns * w) * 252 - target}) result = minimize(portfolio_volatility, len(mean_returns) * [1/len(mean_returns)], args=(cov_matrix,), method='SLSQP', bounds=bounds, constraints=cons_with_target) frontier_weights.append(result.x) ``` 此部分迭代多个目标收益率，找到每种情况下的最低风险权重分布[^2]。 --- #### 可视化有效前沿 最后一步是将结果可视化出来。 ```python eff_frontier_vols = [portfolio_volatility(w, cov_matrix) for w in frontier_weights] plt.figure(figsize=(10, 6)) plt.scatter(eff_frontier_vols, target_returns, c=target_returns / eff_frontier_vols, marker='o') plt.xlabel('Volatility (%)') plt.ylabel('Expected Return (%)') plt.title('Efficient Frontier of Portfolio Assets') plt.colorbar(label='Sharpe Ratio') plt.grid(True) plt.show() ``` 这段脚本生成了一张散点图展示有效前沿的位置关系。 --- ### 总结 综上所述，借助于现代编程工具和技术手段能够轻松构建起一套完整的流程体系用于分析评估各类资产组合表现特性从而辅助决策制定过程中的科学依据支持。