「python量化金融」Riskfolio-Lib组合优化库

大家好，欢迎来到IT知识分享网。

“Quantitative Strategic Asset Allocation, Easy for Everyone.”这是组合优化工具库的口号。今天介绍下这个库，有点类似matlab的投资组合工具箱，我们具体看看这个东西能实现什么功能。

1 简介

根据官网介绍Riskfolo-Lib是用于在Python环境下进行投资组合优化和量化资产配置的库。它的目标是帮助学生、学者和投资者建立基于复杂数学模型的投资组合。它构建在CVXPY之上，并与pandas数据结构紧密集成。看完简介着实吓一跳，功能是真丰富。

该库提供的一些关键功能:
（1）均值风险和对数均值风险(Kelly准则)4个目标函数的投资组合优化:
—最低的风险
—最大的回报
—最大的效用函数
—最大风险调整回报率

（2）采用13个凸风险度量的平均风险和对数平均风险(Kelly准则)组合优化:

—标准差。
—半标准差。
—平均绝对偏差(MAD)。
—第一低偏矩(欧米加比)。
—第二低偏矩(Sortino Ratio)。
—风险条件值。
—风险熵值(EVaR)。
—最坏情况实现(极小极大模型)
—无复合累积回报的最大提成(Calmar Ratio)。
—无复利累积回报的平均递减。
—无复利累积回报之有条件风险提款(CDaR)。
—Entropic Drawdown at Risk (EDaR)为无复利累积回报。
—非复合











Ulcer指数

（3）基于10个凸风险度量的风险平价投资组合优化:

—标准差
—半标准差
—平均绝对偏差(MAD)
—第一低偏矩(比)
—第二下偏矩(Sortino比)
—风险条件值
—风险熵值(EVaR)
—无复利累积回报之有条件风险提款(CDaR)
—Entropic Drawdown at Risk (EDaR)为无复利累积回报
—非复合累积回报








Ulcer指数

（4）层次聚类投资组合优化:层次风险平价(HRP)和层次平均风险贡献(HERC)，使用朴素风险平价的22个风险度量:

—标准差
—方差
—半标准差
—平均绝对偏差(MAD)
—第一低偏矩(欧米加比)
—第二低偏矩(Sortino Ratio)。
—风险价值
—风险条件值
—风险熵值(EVaR)
—最坏情况实现(极大极小模型)

—复合和非复合累积回报的最大递减(Calmar Ratio)
—复合和非复合累积回报的平均递减
—以风险递减法(DaR)计算复利和非复利累积回报
—有条件风险提款(CDaR)，适用于复合及非复合累积回报
—Entropic Drawdown at Risk (EDaR)为复利和非复利累积回报
—代表复合和非复合累积收益的




Ulcer指数

（5）嵌套式聚类优化(NCO)，具有四个目标函数和每个目标的可用风险措施:

—最低的风险
—最大的回报
—最大的效用函数
—同等风险的贡献

（6）最坏情况均值方差组合优化
（7）放宽风险平价投资组合优化
（8）基于Black Litterman模型的投资组合优化
（9）基于风险因素模型的投资组合优化
（10）基于Black Litterman Bayesian模型的投资组合优化
（11）基于增强Black Litterman模型的投资组合优化
（12）基于跟踪误差和周转约束的投资组合优化
（13）基于空头和杠杆投资组合的投资组合优化
（14）基于资产数量约束和有效资产数量约束的投资组合优化

2 安装

该库安装很简单，支持OS X、Windows和Linux上的Python 3.7+。使用pip进行安装时前，需要安装cvxpy 库，该库是专门用来求解最优化问题的工具库。首先在anaconda prompt中安装该库。

pip install cvxpyra

然后安装Riskfolio-Lib

pip install riskfolio-lib

由于库中例子数据来自雅虎，还需安装yfinance

pip install yfinance

Riskfolio-Lib有以下依赖：

numpy > = 1.17.0
scipy > = 1.1.0
pandas> = 1.0.0
matplotlib > = 3.3.0
cvxpy > = 1.0.25
scikit-learn > = 0.22.0
statsmodels > = 0.10.1
arch> = 4.15
xlsxwriter > = 1.3.7
networkx > = 2.5.1
Astropy >=4.3.1

3 代码案例

import numpy as np import pandas as pd import yfinance as yf import riskfolio as rp # Date range start = '2016-01-01' end = '2019-12-30' # Tickers of assets tickers = ['JCI', 'TGT', 'CMCSA', 'CPB', 'MO', 'APA', 'MMC', 'JPM', 'ZION', 'PSA', 'BAX', 'BMY', 'LUV', 'PCAR', 'TXT', 'TMO', 'DE', 'MSFT', 'HPQ', 'SEE', 'VZ', 'CNP', 'NI', 'T', 'BA'] tickers.sort() # Downloading the data data = yf.download(tickers, start = start, end = end) data = data.loc[:,('Adj Close', slice(None))] data.columns = tickers assets = data.pct_change().dropna() Y = assets # Creating the Portfolio Object port = rp.Portfolio(returns=Y) # To display dataframes values in percentage format pd.options.display.float_format = '{:.4%}'.format # Choose the risk measure rm = 'MSV' # Semi Standard Deviation # Estimate inputs of the model (historical estimates) method_mu='hist' # Method to estimate expected returns based on historical data. method_cov='hist' # Method to estimate covariance matrix based on historical data. port.assets_stats(method_mu=method_mu, method_cov=method_cov, d=0.94) # Estimate the portfolio that maximizes the risk adjusted return ratio w1 = port.optimization(model='Classic', rm=rm, obj='Sharpe', rf=0.0, l=0, hist=True) # Estimate points in the efficient frontier mean - semi standard deviation ws = port.efficient_frontier(model='Classic', rm=rm, points=20, rf=0, hist=True) # Estimate the risk parity portfolio for semi standard deviation w2 = port.rp_optimization(model='Classic', rm=rm, rf=0, b=None, hist=True)