投资组合的分析与优化是量化金融的核心，其核心流程包括**数据获取与预处理、收益率与风险计算、绩效评估、以及基于现代投资组合理论（MPT）的优化**。Python生态提供了强大的工具链来完成这些任务，下面将结合具体代码示例，分步骤详细说明。 ### 1. 数据获取与预处理 分析的第一步是获取资产的历史价格数据并进行清洗和转换，通常使用`pandas`和`yfinance`库。 ```python import yfinance as yf import pandas as pd import numpy as np import matplotlib.pyplot as plt # 定义资产列表和时间范围 tickers = ['AAPL', 'MSFT', 'GOOGL', 'AMZN'] start_date = '2020-01-01' end_date = '2023-12-31' # 从Yahoo Finance下载调整后收盘价 data = yf.download(tickers, start=start_date, end=end_date)['Adj Close'] # 检查数据 print(data.head()) print(f"\n数据形状: {data.shape}") print(f"缺失值数量:\n{data.isnull().sum()}") # 处理缺失值：前向填充，若仍有缺失则删除 data = data.fillna(method='ffill').dropna() ``` ### 2. 计算收益率与基本统计 投资组合分析的基础是资产的收益率序列。我们通常计算日度对数收益率或简单收益率。 ```python # 计算日度简单收益率 returns = data.pct_change().dropna() # 或者计算对数收益率：returns = np.log(data / data.shift(1)).dropna() print("收益率数据前5行:") print(returns.head()) # 计算基本统计量：年化收益率、年化波动率 annualized_return = returns.mean() * 252 # 假设252个交易日 annualized_volatility = returns.std() * np.sqrt(252) summary_stats = pd.DataFrame({ '年化收益率': annualized_return, '年化波动率': annualized_volatility }) print("\n各资产年化收益与风险:") print(summary_stats) ``` ### 3. 投资组合绩效与风险分析 此步骤评估给定权重下投资组合的整体表现。我们可以使用`Pyfolio`或`QuantStats`库生成专业报告，也可以手动计算核心指标[ref_1][ref_6]。 ```python # 假设一个等权重投资组合 weights = np.array([0.25, 0.25, 0.25, 0.25]) # 计算投资组合的日度收益率序列 portfolio_returns = (returns * weights).sum(axis=1) # 手动计算关键绩效指标 def calculate_portfolio_metrics(returns_series, risk_free_rate=0.02): """ 计算投资组合的核心绩效与风险指标。 """ total_return = (returns_series + 1).prod() - 1 annualized_return = (1 + total_return) ** (252 / len(returns_series)) - 1 annualized_vol = returns_series.std() * np.sqrt(252) sharpe_ratio = (annualized_return - risk_free_rate) / annualized_vol if annualized_vol != 0 else np.nan # 计算最大回撤 cumulative_returns = (1 + returns_series).cumprod() running_max = cumulative_returns.expanding().max() drawdown = (cumulative_returns - running_max) / running_max max_drawdown = drawdown.min() # 计算索提诺比率 (Sortino Ratio)，使用下行标准差 downside_returns = returns_series[returns_series < 0] downside_deviation = downside_returns.std() * np.sqrt(252) if len(downside_returns) > 0 else 0 sortino_ratio = (annualized_return - risk_free_rate) / downside_deviation if downside_deviation != 0 else np.nan metrics = { '累计收益率': total_return, '年化收益率': annualized_return, '年化波动率': annualized_vol, '夏普比率': sharpe_ratio, '索提诺比率': sortino_ratio, '最大回撤': max_drawdown } return pd.Series(metrics) # 应用计算函数 portfolio_metrics = calculate_portfolio_metrics(portfolio_returns) print("\n等权重投资组合绩效指标:") print(portfolio_metrics) ``` ### 4. 投资组合优化 现代投资组合理论（MPT）的核心是通过资产配置，在给定风险水平下最大化收益，或在给定收益目标下最小化风险[ref_2][ref_4]。优化通常涉及计算有效前沿。 #### 4.1 计算资产间的协方差矩阵 ```python # 计算收益率协方差矩阵（年化） cov_matrix = returns.cov() * 252 print("年化协方差矩阵:") print(cov_matrix) ``` #### 4.2 蒙特卡洛模拟生成随机投资组合 这是一种直观的方法，用于探索风险和收益的可能组合。 ```python def simulate_random_portfolios(num_portfolios, mean_returns, cov_matrix, risk_free_rate=0.02): """ 通过蒙特卡洛模拟生成随机权重的投资组合，计算其收益、风险和夏普比率。 """ results = np.zeros((num_portfolios, 4)) # 存储收益、风险、夏普、权重索引 weights_record = [] for i in range(num_portfolios): # 生成随机权重并归一化（权重之和为1） weights = np.random.random(len(mean_returns)) weights /= np.sum(weights) weights_record.append(weights) # 计算投资组合年化收益和风险 portfolio_return = np.dot(weights, mean_returns) portfolio_volatility = np.sqrt(np.dot(weights.T, np.dot(cov_matrix, weights))) # 计算夏普比率 sharpe = (portfolio_return - risk_free_rate) / portfolio_volatility if portfolio_volatility != 0 else 0 results[i, :] = [portfolio_return, portfolio_volatility, sharpe, i] columns = ['收益', '风险', '夏普比率', '权重索引'] results_df = pd.DataFrame(results, columns=columns) weights_df = pd.DataFrame(weights_record, columns=returns.columns) return results_df, weights_df # 执行模拟 mean_returns = returns.mean() * 252 num_simulations = 10000 sim_results, sim_weights = simulate_random_portfolios(num_simulations, mean_returns, cov_matrix) # 找到夏普比率最大和风险最小的组合 max_sharpe_idx = sim_results['夏普比率'].idxmax() min_vol_idx = sim_results['风险'].idxmin() max_sharpe_port = sim_results.loc[max_sharpe_idx] min_vol_port = sim_results.loc[min_vol_idx] print(f"\n最优组合（最大夏普比率）:") print(f" 预期年化收益: {max_sharpe_port['收益']:.4f}") print(f" 预期年化风险: {max_sharpe_port['风险']:.4f}") print(f" 夏普比率: {max_sharpe_port['夏普比率']:.4f}") print(f" 权重分配: \n{sim_weights.loc[int(max_sharpe_port['权重索引'])].to_dict()}") print(f"\n最优组合（最小风险）:") print(f" 预期年化收益: {min_vol_port['收益']:.4f}") print(f" 预期年化风险: {min_vol_port['风险']:.4f}") print(f" 夏普比率: {min_vol_port['夏普比率']:.4f}") print(f" 权重分配: \n{sim_weights.loc[int(min_vol_port['权重索引'])].to_dict()}") ``` #### 4.3 使用优化器求解有效前沿 对于更精确的求解，可以使用`SciPy`的优化器。这里我们求解给定目标收益率下的最小方差组合，从而描绘出有效前沿。 ```python from scipy.optimize import minimize def portfolio_volatility(weights, cov_matrix): """计算投资组合方差（风险）""" return np.sqrt(np.dot(weights.T, np.dot(cov_matrix, weights))) def optimize_portfolio(target_return, mean_returns, cov_matrix): """优化函数：在给定目标收益率下，最小化投资组合风险""" num_assets = len(mean_returns) args = (cov_matrix,) constraints = ( {'type': 'eq', 'fun': lambda x: np.sum(x) - 1}, # 权重和为1 {'type': 'eq', 'fun': lambda x: np.dot(x, mean_returns) - target_return}, # 达到目标收益 ) bounds = tuple((0, 1) for asset in range(num_assets)) # 允许做空可设为负值 initial_guess = num_assets * [1. / num_assets,] result = minimize(portfolio_volatility, initial_guess, args=args, method='SLSQP', bounds=bounds, constraints=constraints) return result # 定义一系列目标收益率，计算有效前沿上的最小风险点 target_returns = np.linspace(mean_returns.min(), mean_returns.max(), 50) efficient_frontier = [] for target in target_returns: res = optimize_portfolio(target, mean_returns, cov_matrix) if res.success: efficient_frontier.append([target, portfolio_volatility(res.x, cov_matrix), res.x]) else: efficient_frontier.append([target, np.nan, np.nan]) # 转换为DataFrame便于分析 frontier_df = pd.DataFrame(efficient_frontier, columns=['目标收益', '最小风险', '权重']) frontier_df.dropna(inplace=True) print("\n有效前沿部分点示例 (目标收益 vs 最小风险):") print(frontier_df[['目标收益', '最小风险']].head()) ``` ### 5. 可视化分析 将模拟结果和有效前沿可视化，可以直观理解风险与收益的权衡关系。 ```python # 绘制蒙特卡洛模拟散点图与有效前沿 plt.figure(figsize=(12, 8)) # 随机组合散点 plt.scatter(sim_results['风险'], sim_results['收益'], c=sim_results['夏普比率'], cmap='viridis', marker='o', s=10, alpha=0.5, label='随机组合') plt.colorbar(label='夏普比率') # 最大夏普组合 plt.scatter(max_sharpe_port['风险'], max_sharpe_port['收益'], marker='*', color='r', s=500, label=f'最大夏普组合 (夏普={max_sharpe_port["夏普比率"]:.2f})') # 最小风险组合 plt.scatter(min_vol_port['风险'], min_vol_port['收益'], marker='*', color='g', s=500, label=f'最小风险组合 (风险={min_vol_port["风险"]:.2f})') # 有效前沿线 plt.plot(frontier_df['最小风险'], frontier_df['目标收益'], 'b--', linewidth=2, label='有效前沿') plt.title('投资组合优化：风险-收益图与有效前沿') plt.xlabel('年化波动率 (风险)') plt.ylabel('年化收益率') plt.legend(loc='upper left') plt.grid(True) plt.show() ``` ### 6. 使用专业库进行深入分析 对于生产环境或更深入的分析，建议使用专门的库，它们封装了更复杂的指标和更美观的报告。 * **使用Pyfolio进行绩效归因分析**[ref_1][ref_5]：`Pyfolio`可以生成包含收益分析、回撤分析、风险指标、交易行为分析等在内的综合性Teardown报告。 ```python # 注意：Pyfolio可能与最新版本的pandas不兼容，建议在虚拟环境中使用 # import pyfolio as pf # pf.create_returns_tear_sheet(portfolio_returns, benchmark_rets=benchmark_returns) ``` * **使用QuantStats进行快速绩效概览**[ref_6]：`QuantStats`提供了简洁的API来生成绩效概览和图表。 ```python import quantstats as qs # 扩展pandas功能 qs.extend_pandas() # 生成投资组合绩效概览网页报告 # qs.reports.html(portfolio_returns, benchmark=benchmark_returns, output='portfolio_report.html') # 快速计算并打印夏普比率、最大回撤等 print(qs.stats.sharpe(portfolio_returns)) print(qs.stats.max_drawdown(portfolio_returns)) ``` ### 总结与核心步骤归纳 将上述流程归纳，Python实现投资组合分析与优化的核心步骤与工具选择如下表所示： | 步骤 | 核心目标 | 关键Python库/方法 | 输出结果示例 | | :--- | :--- | :--- | :--- | | **1. 数据获取** | 获取资产历史价格 | `yfinance`, `pandas-datareader` | 调整后收盘价时间序列 | | **2. 数据预处理** | 清洗、处理缺失值、计算收益率 | `pandas` (`.pct_change()`, `.dropna()`) | 资产收益率序列 | | **3. 基础分析** | 计算收益、波动率、协方差 | `numpy`, `pandas` (`.mean()`, `.std()`, `.cov()`) | 描述性统计表、协方差矩阵 | | **4. 绩效评估** | 计算夏普比率、最大回撤等 | 自定义函数 或 `Pyfolio`/`QuantStats` | 绩效指标字典或可视化报告 | | **5. 组合优化** | 寻找最优风险收益配置 | `scipy.optimize.minimize`, 蒙特卡洛模拟 | 有效前沿、最优权重向量 | | **6. 可视化** | 直观展示结果 | `matplotlib`, `seaborn` | 风险-收益散点图、有效前沿曲线 | 通过以上步骤和代码，你可以构建一个从数据到优化决策的完整投资组合分析流程。在实践中，还需考虑交易成本、约束条件（如不允许做空、权重上下限）、以及使用更复杂的风险模型（如下行风险、CVaR）来使优化更符合实际需求[ref_4]。