portfolioperformance

Desempenho do portfólio

Ferramenta para testar o desempenho fora da amostra dos modelos de otimização de portfólio. Com base no artigo: Diversificação ideal versus ingênua:

Também desenvolvi um site de playground para este pacote para que você possa executar facilmente esses modelos em seus próprios dados. Link para o site

Uso

Instalação

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" )

Exemplo

 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

App Class

Parâmetros

• path ( str ): caminho para um arquivo csv
• gammas ( list[int] ): lista de valores gammas
• timeHorizon ( list[int] ): Lista de horizontes de tempo
• models ( list[Model] ): Lista de classes de modelos
• dateFormat ( str ): PANDAS DATO HORA FORMAT, PADRÃO = "%y-%m-%d"
• dateRange ( [str, str] ): Data de início e término, padrão = []
• delim ( str ): Tipo de delimitação, ou "," ou " s+" (Whitespace), padrão = ","
• logScale ( bool ): se os dados estão ou não em escala de log, padrão = false
• riskFactorPositions ( list ): Posições de coluna de ativos do fator de risco (onde a posição 1 é a coluna Data), padrão = []
• riskFreePosition ( int ): posição da coluna de ativos livres de risco, padrão = 1

Métodos

getSharpeRatios() -> dict[str, float]

Obtenha as taxas de Sharpe

• Retornos: - dict[str, float] : um dicionário com nome do modelo e proporção de Sharpe como um par de valor -chave

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

Obtenha a significância estatística em relação a um modelo de referência

• Parâmetros:

  • benchmark ( Model ): modelo de referência

• Retornos:
  • dict[str, float] : Um dicionário com nome do modelo e proporção de Sharpe como um par de valor-chave

Desenvolvimento

Configurar

1. Projeto de clone: git clone https://github.com/sidnand/portfolioperformance
2. Instale pacotes: pip install -r requirements.txt
3. Faça alterações!

Estrutura de pastas

 .
| -- __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

Crie uma solicitação de tração

Crie uma solicitação de tração para incluir suas alterações neste repositório. Essas mudanças serão refletidas no site do playground vinculado acima.

1. Execute pip install -e . Para instalar o pacote localmente.
2. Fazer alterações.
3. Atualizar o número da versão em setup.py . Use o sistema semântico de versão 2.0.0. Clique para saber mais.
4. Execute python setup.py sdist bdist_wheel para criar uma roda de python.
5. Crie uma solicitação de tração!

História do lançamento

• 1.1.0

  • quadprog == 0.1.12 Atualização
  • Código de atualização para a versão mais recente pandas

• 1.0.0

  • Liberação inicial do pacote
  • Python <= 3.9.9
  • quadprog <= 0.1.11