HOME 首頁(yè)
SERVICE 服務(wù)產(chǎn)品
XINMEITI 新媒體代運(yùn)營(yíng)
CASE 服務(wù)案例
NEWS 熱點(diǎn)資訊
ABOUT 關(guān)于我們
CONTACT 聯(lián)系我們
創(chuàng)意嶺
讓品牌有溫度、有情感
專注品牌策劃15年

    有效前沿下半部分(有效前沿定義)

    發(fā)布時(shí)間:2023-04-08 08:18:12     稿源: 創(chuàng)意嶺    閱讀: 137        

    大家好!今天讓創(chuàng)意嶺的小編來(lái)大家介紹下關(guān)于有效前沿下半部分的問(wèn)題,以下是小編對(duì)此問(wèn)題的歸納整理,讓我們一起來(lái)看看吧。

    開(kāi)始之前先推薦一個(gè)非常厲害的Ai人工智能工具,一鍵生成原創(chuàng)文章、方案、文案、工作計(jì)劃、工作報(bào)告、論文、代碼、作文、做題和對(duì)話答疑等等

    只需要輸入關(guān)鍵詞,就能返回你想要的內(nèi)容,越精準(zhǔn),寫(xiě)出的就越詳細(xì),有微信小程序端、在線網(wǎng)頁(yè)版、PC客戶端

    官網(wǎng):https://ai.de1919.com。

    創(chuàng)意嶺作為行業(yè)內(nèi)優(yōu)秀的企業(yè),服務(wù)客戶遍布全球各地,如需了解SEO相關(guān)業(yè)務(wù)請(qǐng)撥打電話175-8598-2043,或添加微信:1454722008

    本文目錄:

    有效前沿下半部分(有效前沿定義)

    一、為什么資本市場(chǎng)線優(yōu)于馬科維茨有效邊界。

    因?yàn)橘Y本市場(chǎng)線是由無(wú)風(fēng)險(xiǎn)收益為RF的證券和市場(chǎng)證券組合M構(gòu)成的。市場(chǎng)證券組合M是由均衡狀態(tài)的風(fēng)險(xiǎn)證券構(gòu)成的有效的證券組合。同時(shí)投資者可以收益率RF任意地借款或貸款。而馬科維茨有效前沿可行集的左上部分,及最小方差前沿的上半部分。所以資本市場(chǎng)線優(yōu)于馬科維茨有效邊界。

    二、如何用matlab畫(huà) 有效前沿

    根據(jù)你的描述:

    可以用frontcon(),也可以甩portopt(),兩者有相同點(diǎn)也有不同點(diǎn),函數(shù)具體用法可以查看幫助文檔 。

    三、求最近五年來(lái)國(guó)家公務(wù)員考試證監(jiān)會(huì)專業(yè)科目(財(cái)經(jīng)類)考試真題!wy860607@126.com.加分!

    官方不公布真題,所以找不到,我這里有07年回憶的部分題目,僅供參考

    07年證監(jiān)會(huì)專業(yè)題

    第三部分

    五、論述題目結(jié)合我國(guó)證券市場(chǎng)的情況,談?wù)勅绾慰刂谱C券投資風(fēng)險(xiǎn)?

    四、問(wèn)題

    1、什么是有效前沿?

    2、通貨緊縮的標(biāo)志是什么?

    3、計(jì)算除權(quán)(息)價(jià)公式?(我的回憶與真題有點(diǎn)出入,大意如此)

    三、簡(jiǎn)答題

    1、直接融資和間接融資的特點(diǎn)?

    2、(非常抱歉,這題現(xiàn)在回憶不起來(lái),希望戰(zhàn)友們補(bǔ)充)

    3、證券發(fā)行信息披露制度的意義是什么?

    4、我國(guó)證券法律立法的原則是什么?

    到目前為止,還算考了一些與經(jīng)濟(jì)學(xué)金融學(xué)占邊的東西。但是總體上來(lái)說(shuō),作為一份從應(yīng)屆生中、尤其是應(yīng)屆碩士生和博士生中選拔證券監(jiān)管人才的試卷,似乎關(guān)于金融資產(chǎn)定價(jià),金融風(fēng)險(xiǎn)組合,風(fēng)險(xiǎn)控制,投資者行為,行為金融,金融計(jì)量,公司金融,公司治理,IPO,金融中介理論等方面與證券行業(yè)密切相關(guān)的問(wèn)題比較少。

    第二部分:多選題(20題)

    1、證券技術(shù)分析有 A:K線圖 B: C: D:2、引入外資方式 A:中外合資企業(yè) B: C: D:3、哪些類型的稅種應(yīng)該給中央政府 A:稅額大 B:有利于穩(wěn)定經(jīng)濟(jì) C: D:(希望戰(zhàn)友們接著補(bǔ)充)

    第一部分:?jiǎn)芜x題(40題)

    1、國(guó)家通過(guò)法定程序確定的稅種是:

    A 正稅 B 附加稅 C 稅制 D

    2、國(guó)家財(cái)政通過(guò)____什么來(lái)影響經(jīng)濟(jì)

    A 總量 B 供給 C 需求 D

    3、證券市場(chǎng)上有三級(jí)清算市場(chǎng),證券公司與投資者間的清算屬于哪級(jí)清算?

    A 一級(jí) B 二級(jí) C 三級(jí) D 四級(jí)

    4、某個(gè)證券公司要成為交易所的會(huì)員,必須經(jīng)______核準(zhǔn)審核通過(guò)

    A 理事長(zhǎng) B 理事會(huì) C 會(huì)員大會(huì)

    5、我國(guó)貨幣政策的中介目標(biāo)

    A 利率 B 基礎(chǔ)貨幣 C 貨幣供應(yīng)量 D通貨膨脹(希望戰(zhàn)友們接著補(bǔ)充)

    看完選擇題,就覺(jué)得沒(méi)有優(yōu)勢(shì),學(xué)的西方規(guī)范的經(jīng)濟(jì)學(xué)和金融學(xué)都用不上:(基本上考的是證監(jiān)會(huì)的法規(guī),一些所謂的常識(shí),絕大部分是記憶的東西,不需要思考。要考好就必須平時(shí)查看證監(jiān)會(huì)相關(guān)的法律法規(guī),公告,通知等等,及其一些實(shí)務(wù)性非常強(qiáng)的金融方面的書(shū)。

    四、如何用python實(shí)現(xiàn)Markowitz投資組合優(yōu)化

    多股票策略回測(cè)時(shí)常常遇到問(wèn)題。

    倉(cāng)位如何分配?

    你以為基金經(jīng)理都是一拍腦袋就等分倉(cāng)位了嗎?

    或者玩點(diǎn)玄乎的斐波拉契數(shù)列?

    OMG,誰(shuí)說(shuō)的黃金比例,讓我看到你的腦袋(不削才怪)?。?/p>

    其實(shí),這個(gè)問(wèn)題,好多好多年前馬科維茨(Markowitz)我喜愛(ài)的小馬哥就給出答案——投資組合理論。

    根據(jù)這個(gè)理論,我們可以對(duì)多資產(chǎn)的組合配置進(jìn)行三方面的優(yōu)化。

    1.找到有效前沿。在既定的收益率下使組合的方差最小。

    2.找到sharpe最優(yōu)的組合(收益-風(fēng)險(xiǎn)均衡點(diǎn))

    3.找到風(fēng)險(xiǎn)最小的組合

    跟著我,一步兩步,輕松實(shí)現(xiàn)。

    該理論基于用均值和方差來(lái)表述組合的優(yōu)劣的前提。將選取幾只股票,用蒙特卡洛模擬初步探究組合的有效前沿。

    通過(guò)最大Sharpe和最小方差兩種優(yōu)化來(lái)找到最優(yōu)的資產(chǎn)組合配置權(quán)重參數(shù)。

    最后,刻畫(huà)出可能的分布,兩種最優(yōu)以及組合的有效前沿。

    注:

    文中的數(shù)據(jù)API來(lái)自量化平臺(tái)聚寬,在此表示感謝。

    原文見(jiàn)【組合管理】——投資組合理論(有效前沿)(包含正態(tài)檢驗(yàn)部分)

    0.導(dǎo)入需要的包

    import pandas as pd

    import numpy as np

    import statsmodels.api as sm #統(tǒng)計(jì)運(yùn)算

    import scipy.stats as scs #科學(xué)計(jì)算

    import matplotlib.pyplot as plt #繪圖

    1.選取幾只感興趣的股票

    000413 東旭光電,000063 中興通訊,002007 華蘭生物,000001 平安銀行,000002 萬(wàn)科A

    并比較一下數(shù)據(jù)(2015-01-01至2015-12-31)

    In[1]:

    stock_set = ['000413.XSHE','000063.XSHE','002007.XSHE','000001.XSHE','000002.XSHE']

    noa = len(stock_set)

    df = get_price(stock_set, start_date = '2015-01-01', end_date ='2015-12-31', 'daily', ['close'])

    data = df['close']

    #規(guī)范化后時(shí)序數(shù)據(jù)

    (data/data.ix[0]*100).plot(figsize = (8,5))

    Out[1]:

    2.計(jì)算不同證券的均值、協(xié)方差

    每年252個(gè)交易日,用每日收益得到年化收益。計(jì)算投資資產(chǎn)的協(xié)方差是構(gòu)建資產(chǎn)組合過(guò)程的核心部分。運(yùn)用pandas內(nèi)置方法生產(chǎn)協(xié)方差矩陣。

    In [2]:

    returns = np.log(data / data.shift(1))

    returns.mean()*252

    Out[2]:

    000413.XSHE 0.184516

    000063.XSHE 0.176790

    002007.XSHE 0.309077

    000001.XSHE -0.102059

    000002.XSHE 0.547441

    In [3]:

    returns.cov()*252

    Out[3]:

    3.給不同資產(chǎn)隨機(jī)分配初始權(quán)重

    由于A股不允許建立空頭頭寸,所有的權(quán)重系數(shù)均在0-1之間

    In [4]:

    weights = np.random.random(noa)

    weights /= np.sum(weights)

    weights

    Out[4]:

    array([ 0.37505798, 0.21652754, 0.31590981, 0.06087709, 0.03162758])

    4.計(jì)算預(yù)期組合年化收益、組合方差和組合標(biāo)準(zhǔn)差

    In [5]:

    np.sum(returns.mean()*weights)*252

    Out[5]:

    0.21622558669017816

    In [6]:

    np.dot(weights.T, np.dot(returns.cov()*252,weights))

    Out[6]:

    0.23595133640121463

    In [7]:

    np.sqrt(np.dot(weights.T, np.dot(returns.cov()* 252,weights)))

    Out[7]:

    0.4857482232609962

    5.用蒙特卡洛模擬產(chǎn)生大量隨機(jī)組合

    進(jìn)行到此,我們最想知道的是給定的一個(gè)股票池(證券組合)如何找到風(fēng)險(xiǎn)和收益平衡的位置。

    下面通過(guò)一次蒙特卡洛模擬,產(chǎn)生大量隨機(jī)的權(quán)重向量,并記錄隨機(jī)組合的預(yù)期收益和方差。

    In [8]:

    port_returns = []

    port_variance = []

    for p in range(4000):

    weights = np.random.random(noa)

    weights /=np.sum(weights)

    port_returns.append(np.sum(returns.mean()*252*weights))

    port_variance.append(np.sqrt(np.dot(weights.T, np.dot(returns.cov()*252, weights))))

    port_returns = np.array(port_returns)

    port_variance = np.array(port_variance)

    #無(wú)風(fēng)險(xiǎn)利率設(shè)定為4%

    risk_free = 0.04

    plt.figure(figsize = (8,4))

    plt.scatter(port_variance, port_returns, c=(port_returns-risk_free)/port_variance, marker = 'o')

    plt.grid(True)

    plt.xlabel('excepted volatility')

    plt.ylabel('expected return')

    plt.colorbar(label = 'Sharpe ratio')

    Out[8]:

    6.投資組合優(yōu)化1——sharpe最大

    建立statistics函數(shù)來(lái)記錄重要的投資組合統(tǒng)計(jì)數(shù)據(jù)(收益,方差和夏普比)

    通過(guò)對(duì)約束最優(yōu)問(wèn)題的求解,得到最優(yōu)解。其中約束是權(quán)重總和為1。

    In [9]:

    def statistics(weights):

    weights = np.array(weights)

    port_returns = np.sum(returns.mean()*weights)*252

    port_variance = np.sqrt(np.dot(weights.T, np.dot(returns.cov()*252,weights)))

    return np.array([port_returns, port_variance, port_returns/port_variance])

    #最優(yōu)化投資組合的推導(dǎo)是一個(gè)約束最優(yōu)化問(wèn)題

    import scipy.optimize as sco

    #最小化夏普指數(shù)的負(fù)值

    def min_sharpe(weights):

    return -statistics(weights)[2]

    #約束是所有參數(shù)(權(quán)重)的總和為1。這可以用minimize函數(shù)的約定表達(dá)如下

    cons = ({'type':'eq', 'fun':lambda x: np.sum(x)-1})

    #我們還將參數(shù)值(權(quán)重)限制在0和1之間。這些值以多個(gè)元組組成的一個(gè)元組形式提供給最小化函數(shù)

    bnds = tuple((0,1) for x in range(noa))

    #優(yōu)化函數(shù)調(diào)用中忽略的唯一輸入是起始參數(shù)列表(對(duì)權(quán)重的初始猜測(cè))。我們簡(jiǎn)單的使用平均分布。

    opts = sco.minimize(min_sharpe, noa*[1./noa,], method = 'SLSQP', bounds = bnds, constraints = cons)

    opts

    Out[9]:

    status: 0

    success: True

    njev: 4

    nfev: 28

    fun: -1.1623048291871221

    x: array([ -3.60840218e-16, 2.24626781e-16, 1.63619563e-01, -2.27085639e-16, 8.36380437e-01])

    message: 'Optimization terminated successfully.'

    jac: array([ 1.81575805e-01, 5.40387481e-01, 8.18073750e-05, 1.03137662e+00, -1.60038471e-05, 0.00000000e+00])

    nit: 4

    得到的最優(yōu)組合權(quán)重向量為:

    In [10]:

    opts['x'].round(3)

    Out[10]:

    array([-0. , 0. , 0.164, -0. , 0.836])

    sharpe最大的組合3個(gè)統(tǒng)計(jì)數(shù)據(jù)分別為:

    In [11]:

    #預(yù)期收益率、預(yù)期波動(dòng)率、最優(yōu)夏普指數(shù)

    statistics(opts['x']).round(3)

    Out[11]:

    array([ 0.508, 0.437, 1.162])

    7.投資組合優(yōu)化2——方差最小

    接下來(lái),我們通過(guò)方差最小來(lái)選出最優(yōu)投資組合。

    In [12]:

    #但是我們定義一個(gè)函數(shù)對(duì) 方差進(jìn)行最小化

    def min_variance(weights):

    return statistics(weights)[1]

    optv = sco.minimize(min_variance, noa*[1./noa,],method = 'SLSQP', bounds = bnds, constraints = cons)

    optv

    Out[12]:

    status: 0

    success: True

    njev: 7

    nfev: 50

    fun: 0.38542969450547221

    x: array([ 1.14787640e-01, 3.28089742e-17, 2.09584008e-01, 3.53487044e-01, 3.22141307e-01])

    message: 'Optimization terminated successfully.'

    jac: array([ 0.3851725 , 0.43591119, 0.3861807 , 0.3849672 , 0.38553924, 0. ])

    nit: 7

    方差最小的最優(yōu)組合權(quán)重向量及組合的統(tǒng)計(jì)數(shù)據(jù)分別為:

    In [13]:

    optv['x'].round(3)

    Out[13]:

    array([ 0.115, 0. , 0.21 , 0.353, 0.322])

    In [14]:

    #得到的預(yù)期收益率、波動(dòng)率和夏普指數(shù)

    statistics(optv['x']).round(3)

    Out[14]:

    array([ 0.226, 0.385, 0.587])

    8.組合的有效前沿

    有效前沿有既定的目標(biāo)收益率下方差最小的投資組合構(gòu)成。

    在最優(yōu)化時(shí)采用兩個(gè)約束,1.給定目標(biāo)收益率,2.投資組合權(quán)重和為1。

    In [15]:

    def min_variance(weights):

    return statistics(weights)[1]

    #在不同目標(biāo)收益率水平(target_returns)循環(huán)時(shí),最小化的一個(gè)約束條件會(huì)變化。

    target_returns = np.linspace(0.0,0.5,50)

    target_variance = []

    for tar in target_returns:

    cons = ({'type':'eq','fun':lambda x:statistics(x)[0]-tar},{'type':'eq','fun':lambda x:np.sum(x)-1})

    res = sco.minimize(min_variance, noa*[1./noa,],method = 'SLSQP', bounds = bnds, constraints = cons)

    target_variance.append(res['fun'])

    target_variance = np.array(target_variance)

    下面是最優(yōu)化結(jié)果的展示。

    叉號(hào):構(gòu)成的曲線是有效前沿(目標(biāo)收益率下最優(yōu)的投資組合)

    紅星:sharpe最大的投資組合

    黃星:方差最小的投資組合

    In [16]:

    plt.figure(figsize = (8,4))

    #圓圈:蒙特卡洛隨機(jī)產(chǎn)生的組合分布

    plt.scatter(port_variance, port_returns, c = port_returns/port_variance,marker = 'o')

    #叉號(hào):有效前沿

    plt.scatter(target_variance,target_returns, c = target_returns/target_variance, marker = 'x')

    #紅星:標(biāo)記最高sharpe組合

    plt.plot(statistics(opts['x'])[1], statistics(opts['x'])[0], 'r*', markersize = 15.0)

    #黃星:標(biāo)記最小方差組合

    plt.plot(statistics(optv['x'])[1], statistics(optv['x'])[0], 'y*', markersize = 15.0)

    plt.grid(True)

    plt.xlabel('expected volatility')

    plt.ylabel('expected return')

    plt.colorbar(label = 'Sharpe ratio')

    Out[16]:

    以上就是關(guān)于有效前沿下半部分相關(guān)問(wèn)題的回答。希望能幫到你,如有更多相關(guān)問(wèn)題,您也可以聯(lián)系我們的客服進(jìn)行咨詢,客服也會(huì)為您講解更多精彩的知識(shí)和內(nèi)容。


    推薦閱讀:

    巨量千川投放下單怎么出價(jià)(巨量千川投放多長(zhǎng)時(shí)間有效果)

    百度信息流有效果嗎(百度信息流是啥)

    b2b免費(fèi)發(fā)布平臺(tái)(b2b免費(fèi)發(fā)布平臺(tái)長(zhǎng)期做有效果)

    一鍵去除廣告app(一鍵去除廣告)

    譚鑫培公園景觀設(shè)計(jì)