Оптимизация инвестиционного портфеля
Количественный анализ и оптимизация инвестиционного портфеля
Введение
В данной работе выполнена реализация количественного анализа и оптимизации инвестиционного портфеля средствами библиотеки PortfolioOptimisers. В качестве объекта исследования рассматривается набор из десяти крупных публичных компаний, представляющих различные сектора экономики. В данной работе представлена последовательность действий, включающая получение исторических рыночных данных, их предварительную обработку, построение оптимальных портфелей при различных критериях, оценку эффективности вне выборки и содержательную визуализацию результатов. Представленная методология соответствует современной практике количественных исследований, где воспроизводимость и прозрачность вычислений рассматриваются как необходимые условия корректной интерпретации выводов.
Присоединим библиотеки, необходимые для извлечения исходных данных, их обработки, оптимизации и визуализации.
for lib in ["PortfolioOptimisers", "YFinance", "TimeSeries", "DataFrames", "Clarabel", "HiGHS", "JuMP", "StatsPlots", "PrettyTables"]
try
eval(Meta.parse("using $lib"))
catch ex
Pkg.add(lib)
eval(Meta.parse("using $lib"))
end
end
Загрузка исходных данных
Загрузим исторические котировки за период с 2022 по 2024 год с последующим объединением в единый объект TimeArray. Выбор указанных инструментов обусловлен их высокой ликвидностью, длительной историей торгов и репрезентативностью для анализа различных стратегий управления капиталом.
assets = ["AAPL", "MSFT", "NVDA", "GOOGL", "AMZN", "JPM", "JNJ", "KO", "XOM", "PG"]
tas = [sink_prices_to(TimeArray, get_prices(t; startdt="2022-01-01", enddt="2025-01-01"))
for t in assets]
prices = hcat(tas...)
Извлечение скорректированных цен
Выделим скорректированные цены закрытия, учитывающие дивиденды и дробление акций.
cidx = colnames(prices)[occursin.(r"adj", string.(colnames(prices)))]
prices = prices[cidx]
TimeSeries.rename!(prices, Symbol.(assets))
Расчёт доходностей и априорного распределения
Преобразуем цены в доходности и построим эмпирическое априорное распределение. Полученная структура LowOrderPrior содержит матрицу доходностей, вектор средних значений и ковариационную матрицу, которые будем использовать в дальнейших оптимизационных задачах.
rd = prices_to_returns(prices)
pr = prior(EmpiricalPrior(), rd)
Настройка решателя
Выполним настройку решателя Clarabel, применяемого для решения задач выпуклой оптимизации. Параметры допусков и проверки решения задаются явно, что соответствует требованиям воспроизводимости численных экспериментов.
slv = Solver(; name = :clarabel, solver = Clarabel.Optimizer,
settings = Dict("verbose" => false),
check_sol = (; allow_local = true, allow_almost = true))
Построение трех оптимальных портфелей
Установим ставку в размере процента годовых.
rf_daily = 0.042 / 252
Минимизируем дисперсию портфеля.
res_min = optimise(MeanRisk(; obj = MinimumRisk(), opt = JuMPOptimiser(; pe = pr, slv = slv)))
Коэффициент Шарпа это показатель, который позволяет оценить, насколько доходность инвестиции оправдывает принимаемый риск. Он показывает, сколько единиц доходности приходится на одну единицу риска. Максимизируем коэффициент Шарпа при заданной ставке.
res_sharpe = optimise(MeanRisk(; obj = MaximumRatio(; rf = rf_daily),
opt = JuMPOptimiser(; pe = pr, slv = slv)))
Минимизируем условную стоимость под риском на уровне значимости пять процентов.
res_cvar = optimise(MeanRisk(;
r = ConditionalValueatRisk(; alpha = 0.05),
obj = MinimumRisk(),
opt = JuMPOptimiser(; pe = pr, slv = slv)))
Оценка эффективности вне выборки
Выполним кросс-валидацию с тремя блоками для портфеля, минимизирующего условную стоимость под риском. Полученная оценка дисперсии вне выборки позволяет оценивать устойчивость выбранной стратегии и служит дополнением к внутривыборочным характеристикам.
cv_risk = expected_risk(LowOrderMoment(; alg = SecondMoment()), cross_val_predict(
MeanRisk(; r = ConditionalValueatRisk(), opt = JuMPOptimiser(; slv = Solver(; name = :highs, solver = HiGHS.Optimizer,
settings = Dict("output_flag" => false),
check_sol = (; allow_local = true, allow_almost = true)))), rd, KFold(; n = 3)))
println(cv_risk)
Визуализация состава портфелей
Построим столбчатую диаграмму с накоплением, отражающую распределение весов активов в каждом из трех портфелей. Данное представление позволяет наглядно сопоставить структуру портфелей и содержательно интерпретировать различия между критериями оптимизации.
prices_mat = values(prices)
rel_pr = prices_mat[:, 2:end] ./ prices_mat[:, 1:end-1]
w_min = res_min.w;
w_sharpe = res_sharpe.w;
w_cvar = res_cvar.w;
groupedbar(
hcat(w_min, w_sharpe, w_cvar),
bar_position = :stack,
labels = reshape(["Min Risk" "Max Sharpe" "Min CVaR"], 1, 3),
xticks = (1:length(assets), assets),
xrotation = 45,
title = "Состав портфелей",
ylabel = "Доля в портфеле",
legend = :outerright,
size = (900, 450))
Распределение дневных доходностей
Пострим гистограммы дневных доходностей портфелей. Сопоставление распределений позволяет оценить симметрию и различия в разбросе, что важно для понимания риск-профиля каждой стратегии.
prices_mat = hcat([values(prices[col]) for col in colnames(prices)]...)
rel_pr = prices_mat[2:end, :] ./ prices_mat[1:end-1, :]
ret_min = rel_pr * w_min
ret_sharpe = rel_pr * w_sharpe
ret_cvar = rel_pr * w_cvar
histogram(
[ret_min, ret_sharpe, ret_cvar],
bins = 40,
label = ["Min Risk" "Max Sharpe" "Min CVaR"],
xlabel = "Дневная доходность",
ylabel = "Частота",
title = "Распределение дневных доходностей портфелей",
alpha = 0.6,
legend = :topright,
size = (800, 450))
Диаграмма риск-доходность
Построим точечную диаграмму, на которой по оси абсцисс отложена годовая волатильность, а по оси ординат годовая доходность. Данное представление соответствует классической интерпретации соотношения риска и доходности и позволяет расположить рассматриваемые портфели в едином координатном пространстве.
returns_mat = rel_pr .- 1
annual_std(weights, ret_mat) = std(ret_mat * weights) * sqrt(252)
annual_return(weights, ret_mat) = exp(mean(log.(1 .+ ret_mat * weights)) * 252) - 1
risks = [annual_std(w_min, returns_mat), annual_std(w_sharpe, returns_mat), annual_std(w_cvar, returns_mat)]
returns = [annual_return(w_min, returns_mat), annual_return(w_sharpe, returns_mat), annual_return(w_cvar, returns_mat)]
println("Риски: ", round.(risks, digits=4))
println("Доходности: ", round.(returns, digits=4))
scatter(
[risks[1]], [returns[1]],
label = "Min Risk",
xlabel = "Годовая волатильность",
ylabel = "Годовая доходность",
title = "Риск-доходность портфелей",
markersize = 8,
legend = :bottomright,
size = (700, 450))
scatter!([risks[2]], [returns[2]], label = "Max Sharpe", markersize = 8)
scatter!([risks[3]], [returns[3]], label = "Min CVaR", markersize = 8)
Динамика накопленного капитала
Визуализируем траектории накопленного капитала для трёх стратегий. Данный график дополняет диаграмму риск-доходность, поскольку показывает не только итоговый результат, но и промежуточную динамику, включая периоды роста и просадок.
ret_mat = rel_pr .- 1
port_ret_min = ret_mat * w_min
port_ret_sharpe = ret_mat * w_sharpe
port_ret_cvar = ret_mat * w_cvar
wealth_min = cumprod(1 .+ port_ret_min)
wealth_sharpe = cumprod(1 .+ port_ret_sharpe)
wealth_cvar = cumprod(1 .+ port_ret_cvar)
plot(
[wealth_min, wealth_sharpe, wealth_cvar],
label = ["Min Risk" "Max Sharpe" "Min CVaR"],
xlabel = "Торговый день",
ylabel = "Накопленный капитал",
title = "Сравнение стратегий оптимизации",
legend = :topleft,
linewidth = 2,
size = (800, 450))
Заключение
В данной работе выполнен последовательный анализ инвестиционного портфеля: от получения данных и их предварительной обработки до построения оптимальных портфелей при трёх критериях, оценки эффективности вне выборки и визуализации. Портфель, максимизирующий коэффициент Шарпа, показал существенно более высокую годовую доходность при заметно более высокой волатильности, тогда как портфели, минимизирующие дисперсию и условную стоимость под риском, отличаются умеренной доходностью и низким риском. Разрыв в доходности объясняется концентрацией портфеля с максимальным коэффициентом Шарпа в наиболее доходном активе рассматриваемого периода, что подчёркивает чувствительность оптимизации к выбору исторического интервала и составу инструментов.
Данный пример демонстрирует ценность воспроизводимого вычислительного конвейера, в котором каждый этап, от загрузки данных до визуализации, представлен в явной и прозрачной форме. Кросс-валидация дополняет внутривыборочные характеристики и позволяет обоснованнее судить об устойчивости стратегий.