组合优化神器：Riskfolio-Lib（附代码）

pip install riskfolio-lib

conda install -c mosek mosek

import riskfolio as rp
# 如果是传统模型
port = rp.Portfolio()
# 如果是层次化聚类模型
hcport = rp.HCPortfolio()

# 如果是Mean Risk Portfolio Optimization，使用optimization方法
port.optimization()
# 如果是Risk Parity，使用rp_optimization方法
port.rp_optimization

import numpy as np
import pandas as pd
import yfinance as yf
# 起止时间
start = '2016-01-01'
end = '2019-12-30'
# 股票代码
assets = ['JCI', 'TGT', 'CMCSA', 'CPB', 'MO', 'APA', 'MMC', 'JPM',
          'ZION', 'PSA', 'BAX', 'BMY', 'LUV', 'PCAR', 'TXT', 'TMO',
          'DE', 'MSFT', 'HPQ', 'SEE', 'VZ', 'CNP', 'NI', 'T', 'BA']
assets.sort()
# 下载数据
data = yf.download(assets, start = start, end = end)
data = data.loc[:,('Adj Close', slice(None))]
data.columns = assets

# 计算收益率
Y = data[assets].pct_change().dropna()

import riskfolio as rp

# 实例化一个投资组合，输入为收益率数据Y
port = rp.Portfolio(returns=Y)

# 组合优化参数配置
model='Classic' # 可以为Classic (historical), BL (Black Litterman)、FM (Factor Model)或BLFM
rm = 'MV' # 风险度量指标，MV表示方差，本工具包共支持13种风险度量指标
obj = 'Sharpe' # 目标函数, 可选有MinRisk, MaxRet, Utility或Sharpe
hist = True # 是否基于历史数据计算风险收益
rf = 0 # 无风险利率
l = 0 # 风险厌恶系数, 只有当目标函数为'Utility'时有用

# 计算期望收益及方差，当模型model选择Classic时，需使用assets_stats计算组合的期望收益及方差
method_mu='hist' # 还支持其他方法，详见文档
method_cov='hist' # 还支持其他方法，详见文档
port.assets_stats(method_mu=method_mu, method_cov=method_cov)

# 传入参数，求解
w = port.optimization(model=model, rm=rm, obj=obj, rf=rf, l=l, hist=hist)

import numpy as np
import pandas as pd
import yfinance as yf
import warnings
warnings.filterwarnings("ignore")
pd.options.display.float_format = '{:.4%}'.format
# 起止时间
start = '2016-01-01'
end = '2019-12-30'
# 股票代码
assets = ['JCI', 'TGT', 'CMCSA', 'CPB', 'MO', 'APA', 'MMC', 'JPM',
          'ZION', 'PSA', 'BAX', 'BMY', 'LUV', 'PCAR', 'TXT', 'TMO',
          'DE', 'MSFT', 'HPQ', 'SEE', 'VZ', 'CNP', 'NI', 'T', 'BA']
assets.sort()
# 因子ETF代码，主：这是美国市场的因子ETF基金，作者使用基金的收益作为因子收益
factors = ['MTUM', 'QUAL', 'VLUE', 'SIZE', 'USMV']
factors.sort()
tickers = assets + factors
tickers.sort()
# 下载数据
data = yf.download(tickers, start = start, end = end)
data = data.loc[:,('Adj Close', slice(None))]
data.columns = tickers
X = data[factors].pct_change().dropna()
Y = data[assets].pct_change().dropna()

step = 'Forward' 
loadings = rp.loadings_matrix(X=X, Y=Y, stepwise=step)

constraints = {'Disabled': [False, False, False, False, False],
               'Factor': ['MTUM', 'QUAL', 'SIZE', 'USMV', 'VLUE'],
               'Sign': ['<=', '<=', '<=', '>=', '<='],
               'Value': [-0.3, 0.8, 0.4, 0.8 , 0.9],
               'Relative Factor': ['', 'USMV', '', '', '']}
               
C, D = rp.factors_constraints(constraints, loadings)
port.ainequality = C
port.binequality = D
w = port.optimization(model=model, rm=rm, obj=obj, rf=rf, l=l, hist=hist)