当前位置：首页 > ops >正文

Python如何使用进行风险管理和投资组合优化

ops 2025/8/28 18:38:43

文章目录

前言
python3.13 环境配置
风险管理
投资组合优化

前言

在 Python 中，可以使用多个库来进行风险管理和投资组合优化，以下是一些常见的方法和库。

python3.13 环境配置

python3.13安装教程：https://blog.csdn.net/2501_91538706/article/details/147315428

风险管理

计算风险指标
使用numpy和pandas库：numpy是 Python 的一个重要的科学计算库，pandas则是用于数据处理和分析的库。可以用它们来计算一些基本的风险指标，如收益率的均值、标准差等。假设已有一个包含资产收益率的pandas的Series对象returns，计算均值和标准差的代码如下：

import numpy as np
import pandas as pdmean_return = returns.mean()
std_return = returns.std()

使用scipy库：scipy是用于科学计算的库，它提供了更多的统计函数。例如，可以使用scipy.stats中的skew和kurtosis函数来计算收益率的偏度和峰度，以进一步描述收益率的分布特征。

from scipy.stats import skew, kurtosisskewness = skew(returns)
kurtosis_value = kurtosis(returns)

风险价值（VaR）计算：VaR是衡量在一定置信水平下，某一金融资产或投资组合在未来特定时期内可能遭受的最大损失。可以使用pandas和numpy来计算历史模拟法的VaR。假设returns是资产的日收益率数据，计算 95% 置信水平下的VaR：

confidence_level = 0.95
var = np.percentile(returns, (1 - confidence_level) * 100)

也可以使用scikit-learn库中的QuantileRegressor进行分位数回归来估计VaR。

投资组合优化

均值 - 方差模型：现代投资组合理论中，均值 - 方差模型是最经典的模型之一。可以使用cvxpy库来解决这个优化问题。假设returns是一个包含多个资产收益率的DataFrame，cov_matrix是资产收益率的协方差矩阵，目标是在给定预期收益率target_return下，最小化投资组合的方差。

import cvxpy as cp
import numpy as np# 资产数量
n = len(returns.columns)
# 权重向量
w = cp.Variable(n)
# 预期收益率约束
expected_return = np.array(returns.mean())
constraints = [w.T @ expected_return == target_return, cp.sum(w) == 1, w >= 0]
# 目标函数：最小化方差
variance = w.T @ cov_matrix @ w
problem = cp.Problem(cp.Minimize(variance), constraints)
problem.solve()
optimal_weights = w.value

基于PyPortfolioOpt库的优化：PyPortfolioOpt是一个专门用于投资组合优化的库，它提供了更高级的功能和更简洁的接口。例如，使用最大夏普比率模型来优化投资组合：

from pypfopt import EfficientFrontier, risk_models, expected_returns
from pypfopt.discrete_allocation import DiscreteAllocation# 计算预期收益率和协方差矩阵
mu = expected_returns.mean_historical_return(returns)
S = risk_models.sample_cov(returns)# 构建有效前沿
ef = EfficientFrontier(mu, S)
# 最大化夏普比率
weights = ef.max_sharpe()
cleaned_weights = ef.clean_weights()
print(cleaned_weights)# 假设你有一定的资金用于投资
total_portfolio_value = 10000  # 总资金
# 进行离散分配（例如，购买整手股票）
da = DiscreteAllocation(cleaned_weights, returns.columns, total_portfolio_value)
allocation, leftover = da.lp_portfolio()
print("Allocation:", allocation)
print("Leftover:", leftover)