portfolioperformance

Rendimiento de cartera

Herramienta para probar el rendimiento fuera de la muestra de los modelos de optimización de cartera. Basado en el documento: diversificación óptima versus ingenua:

También he desarrollado un sitio web de juegos para este paquete para que pueda ejecutar fácilmente estos modelos en sus propios datos. Enlace al sitio web

Uso

Instalación

pip install portfolioperformance

Modelos

 # Each model takes a name parameter
ew = EqualWeight ( "Equal Weight" )
minVar = MinVar ( "Minimum Variance" )
JagannathanMa = JagannathanMa ( "Jagannathan Ma" )
minVarShortSellCon = MinVarShortSellCon ( "Minimum Variance with Short Sell Constrains" )
kanZhouEw = KanZhouEw ( "Kan Zhou EW" )

meanVar = MeanVar ( "Mean Variance (Markowitz)" )
meanVarShortSellCon = MeanVarShortSellCon ( "Mean Variance with Short Sell Constrains" )
kanZhou = KanZhou ( "Kan Zhou Three Fund" )
bayesStein = BayesStein ( "Bayes Stein" )
bayesSteinShortSellCon = BayesSteinShortSellCon ( "Bayes Stein with Short Sell Constrains" )
macKinlayPastor = MacKinlayPastor ( "MacKinlay and Pastor" )

Ejemplo

 import numpy as np
from portfolioperformance import *

# Risk aversion levels
GAMMAS = [ 1 , 2 , 3 , 4 , 5 , 10 ]

# Time horizons
TIME_HORIZON = [ 60 , 120 ]

benchmark = < benchmark model >

# List of models
models = [
    benchmark ,
    # <add other list of models>
]

app = App ( < data path > , GAMMAS , TIME_HORIZON , models , dateFormat = < pandas datetime format > ,
            dateRange = [ "01011990" , "01012010" ], delim = < "," or " \ s+" > ,
            riskFactorPositions = [ positions for risk factor column ],
            riskFreePosition = < risk free asset column > )

sr = app . getSharpeRatios ()
sig = app . getStatisticalSignificanceWRTBenchmark ( benchmark )

API

Clase de aplicaciones

Parámetros

• path ( str ): ruta a un archivo csv
• gammas ( list[int] ): lista de valores de gammas
• timeHorizon ( list[int] ): lista de horizontes de tiempo
• models ( list[Model] ): Lista de clases de modelos
• dateFormat ( str ): Formato de hora de fecha PANDAS, default = "%Y-%M-%D"
• dateRange ( [str, str] ): Fecha de inicio y finalización, default = []
• delim ( str ): tipo de delimitación, ya sea "o" s+"(whitespace), default =", ","
• logScale ( bool ): si los datos están o no en la escala de log, default = falso
• riskFactorPositions ( list ): posiciones de la columna de activo del factor de riesgo (donde la posición 1 es la columna de fecha), default = []
• riskFreePosition ( int ): posición de la columna de activo libre de riesgos, predeterminado = 1

Métodos

getSharpeRatios() -> dict[str, float]

Obtenga las proporciones de Sharpe

• Devuelve: - dict[str, float] : un diccionario con nombre del modelo y relación Sharpe como un par de valores clave

getStatisticalSignificanceWRTBenchmark(benchmark) -> dict[str, float]

Obtenga la significación estadística con respecto a un modelo de referencia

• Parámetros:

  • benchmark ( Model ): modelo de referencia

• Devoluciones:
  • dict[str, float] : un diccionario con nombre del modelo y relación Sharpe como un par de llaves con valores de llave

Desarrollo

Configuración

1. Proyecto Clone: git clone https://github.com/sidnand/portfolioperformance
2. Instalar paquetes: pip install -r requirements.txt
3. ¡Haga cambios!

Estructura de carpetas

 .
| -- __init__.py # import /src/app.py and all models
| -- /src
    | -- app.py # code for running all the optimiation models
    | -- model.py # parent class to all the models
    | -- modelNoGamma.py # class for models that don't take extra parameters
    | -- modelGamma.py # class for models that take an extra gamma parameter; gamma is a list of constants for the investors risk-aversion level
    | -- ./models # all the models
    | -- ./utils
        | -- filter.py # includes a function that is used to filter the parameters passed to a function
        | -- quadprog.py # quadratic programming
        | -- sharedOptions.py # models options that are in common with >2 models
        | -- statistics.py # statistics functions

Crea Pull-Request

Cree una solicitud de extracción para incluir sus cambios en este repositorio. Estos cambios se reflejarán en el sitio web de juegos vinculado anteriormente.

1. Ejecute pip install -e . para instalar el paquete localmente.
2. Hacer cambios.
3. Actualizar el número de versión en setup.py . Utilice el sistema Semantic Versioning 2.0.0. Haga clic para obtener más información.
4. Ejecute python setup.py sdist bdist_wheel para crear una rueda Python.
5. ¡Crea una solicitud de extracción!

Historia de lanzamiento

• 1.1.0

  • quadprog == 0.1.12 Actualización
  • Código de actualización para la última versión pandas

• 1.0.0

  • Lanzamiento inicial del paquete
  • Python <= 3.9.9
  • quadprog <= 0.1.11