portfolioperformance

Performance de portefeuille

Outil pour tester les performances hors échantillon des modèles d'optimisation du portefeuille. Basé sur l'article: diversification optimale et naïve:

J'ai également développé un site Web de jeux pour ce package afin que vous puissiez facilement exécuter ces modèles sur vos propres données. Lien vers le site Web

Usage

Installation

pip install portfolioperformance

Modèles

 # 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" )

Exemple

 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

Classe d'applications

Paramètres

• path ( str ): chemin vers un fichier csv
• gammas ( list[int] ): liste des valeurs des gammas
• timeHorizon ( list[int] ): liste des horizons temporels
• models ( list[Model] ): liste des classes de modèles
• dateFormat ( str ): Pandas Date Heure Format, Default = "% Y-% M-% D"
• dateRange ( [str, str] ): Date de démarrage et de fin, par défaut = []
• delim ( str ): type de délimitation, "," ou " s +" (Whitespace), default = ","
• logScale ( bool ): si les données sont ou non dans l'échelle logarithmique, par défaut = false
• riskFactorPositions ( list ): Positions de colonnes d'actifs de facteur de risque (où la position 1 est la colonne de date), par défaut = []
• riskFreePosition ( int ): Position de colonne d'actifs sans risque, par défaut = 1

Méthodes

getSharpeRatios() -> dict[str, float]

Obtenez les ratios Sharpe

• Renvoie: - dict[str, float] : un dictionnaire avec nom de modèle et ratio Sharpe comme paire à valeur clé

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

Obtenez la signification statistique par rapport à un modèle de référence

• Paramètres:

  • benchmark ( Model ): modèle de référence

• Renvoie:
  • dict[str, float] : un dictionnaire avec nom de modèle et ratio Sharpe comme paire à valeur clé

Développement

Installation

1. Projet de clone: git clone https://github.com/sidnand/portfolioperformance
2. Installer les packages: pip install -r requirements.txt
3. Faire des modifications!

Structure de dossier

 .
| -- __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

Créer une request de traction

Veuillez créer une requête pull pour inclure vos modifications sur ce dépôt. Ces modifications seront reflétées sur le site Web de Playground lié ci-dessus.

1. Exécutez pip install -e . Pour installer le package localement.
2. Apporter des modifications.
3. Mettre à jour le numéro de version dans setup.py . Veuillez utiliser le système sémantique de version 2.0.0. Cliquez pour en savoir plus.
4. Exécutez python setup.py sdist bdist_wheel pour créer une roue python.
5. Créez une demande de traction!

Sortie de l'histoire

• 1.1.0

  • quadprog == 0.1.12 mise à jour
  • Mettre à jour le code pour la dernière version pandas

• 1.0.0

  • Version initiale du package
  • Python <= 3.9.9
  • quadprog <= 0.1.11