portfolioperformance

Производительность портфеля

Инструмент для проверки производительности вне выборки моделей оптимизации портфеля. На основе статьи: оптимальная и наивная диверсификация:

Я также разработал веб -сайт Playground для этого пакета, чтобы вы могли легко запустить эти модели на своих собственных данных. Ссылка на веб -сайт

Использование

Установка

pip install portfolioperformance

Модели

 # 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" )

Пример

 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

Класс приложений

Параметры

• path ( str ): путь к файлу csv
• gammas ( list[int] ): список значений гамм
• timeHorizon ( list[int] ): список временных горизонтов
• models ( list[Model] ): список классов моделей
• dateFormat ( str ): формат времени даты панды, default = "%y-%m-%d"
• dateRange ( [str, str] ): дата начала и окончания, default = []
• delim ( str ): тип делимитации, либо ",", или " s+" (witeSpace), default = ","
• logScale ( bool ): независимо от того, находятся ли данные в масштабе журнала, default = false
• riskFactorPositions ( list ): позиции столбца актива актива фактора риска (где позиция 1 - столбец даты), default = []
• riskFreePosition ( int ): позиция столбца без риска актива, дефолт = 1

Методы

getSharpeRatios() -> dict[str, float]

Получите соотношение Sharpe

• Возврат: - dict[str, float] : словарь с именем модели и соотношением Sharpe в качестве клавишной пары

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

Получите статистическую значимость в отношении эталонной модели

• Параметры:

  • benchmark ( Model ): эталонная модель

• Возвращает:
  • dict[str, float] : словарь с именем модели и соотношением Sharpe в качестве пары с клавишами

Разработка

Настраивать

1. Проект клона: git clone https://github.com/sidnand/portfolioperformance
2. Установка пакетов: pip install -r requirements.txt
3. Внесите изменения!

Структура папки

 .
| -- __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

Создать проводник

Пожалуйста, создайте проводник, чтобы включить ваши изменения в это репо. Эти изменения будут отражены на веб -сайте Playground, связанном выше.

1. Запустить pip install -e . Чтобы установить пакет локально.
2. Внести изменения.
3. Обновление номера версии в setup.py . Пожалуйста, используйте систему Semantic Versioning 2.0.0. Нажмите, чтобы узнать больше.
4. Запустите python setup.py sdist bdist_wheel , чтобы создать колесо Python.
5. Создайте запрос!

История выпуска

• 1.1.0

  • quadprog == 0.1.12 обновление
  • Обновить код для последней версии pandas

• 1.0.0

  • Первоначальный выпуск пакета
  • Python <= 3.9.9
  • quadprog <= 0.1.11