مدیریت نمونه کارها ¶

همانطور که در بالا ذکر شد ، FinQuant برنامه ای برای مدیریت نمونه کارها مالی است ، از جمله دیگران. ماژول finquant. portfolio دقیقاً همین کار را می کند.

به خواننده بی تاب که به سادگی می خواهد از آن پرش کند و شروع به استفاده از FinQuant کند ، به Build_portfolio پرش می کند و با نمونه ها به آن نگاه می کند و بازی می کند.

این ماژول هسته اصلی FinQuant است. آن را فراهم می کند

• یک سهام کلاس عمومی که مقادیر یک سهام واحد را نگه می دارد و محاسبه می کند ،
• یک سبد کلاس عمومی که مقادیر یک سبد مالی را در خود جای داده و محاسبه می کند ، که مجموعه ای از نمونه های سهام است.
• یک عملکرد عمومی build_portfolio () که به طور خودکار نمونه ای از نمونه کارها و نمونه های سهام را می سازد و برمی گرداند. داده های سهام مربوطه یا از طریق quandl / yfinance بازیابی می شود یا توسط کاربر به عنوان pandas. dataframe (پس از بارگیری دستی آن از دیسک / خواندن از پرونده) تهیه می شود. برای مثال در مورد نحوه استفاده از آن ، لطفاً Docstring مربوطه را بخوانید ، یا به نمونه های موجود در مثال زیر مستقیم نگاهی بیندازید.

سهام و نمونه کارها کلاس ها به گونه ای طراحی شده اند که به راحتی نمونه کارها مالی شما را مدیریت کرده و رایج ترین محاسبات کمی را انجام دهند ، مانند:

• بازده تجمعی سهام نمونه کارها
• بازده روزانه سهام نمونه کارها (تغییر درصد روزانه) ،
• بازده روزانه سهام نمونه کارها ،
• بازگشت انتظار می رود (سالانه) ،
• نوسان،
• نسبت شارپ ،
• سهام سهام نمونه کارها ،
• کورتوز سهام نمونه کارها ،
• ماتریس کواریانس نمونه کارها.

علاوه بر این ، نمونه کارها ساخته شده را می توان بهینه کرد

• حداقل نوسانات ،
• حداکثر نسبت شارپ
• حداقل نوسانات برای بازده مورد انتظار داده شده
• حداکثر نسبت شارپ برای یک نوسانات هدف معین

با انجام یک محاسبات عددی برای حل یک مشکل به حداقل رساندن یا انجام یک شبیه سازی مونت کارلو از آزمایشات N. اولی باید به دلایل تلاش محاسباتی و صحت روش ارجح باشد. مورد دوم فقط به خاطر کامل بودن درج شده است.

سرانجام ، توابع برای تولید توطئه های زیر اجرا می شوند:

• Monte Carlo Run برای یافتن نمونه کارها بهینه (ها)
• مرزی کارآمد
• نمونه کارها با حداقل نوسانات مبتنی بر بهینه سازی عددی
• نمونه کارها با حداکثر نسبت شارپ بر اساس بهینه سازی عددی
• نمونه کارها با حداقل نوسانات برای بازده مورد انتظار بر اساس بهینه سازی عددی
• نمونه کارها با حداکثر نسبت شارپ برای یک نوسانات هدف معین بر اساس بهینه سازی عددی
• سهام انفرادی نمونه کارها (بازده مورد انتظار از نوسانات) r

موجودی¶

کلاس finquant. portfolio. سهام (InvestmentInfo ، داده ها)

شیء که حاوی اطلاعاتی در مورد سهام/صندوق است. برای شروع شی ، به یک نام ، اطلاعات مربوط به سهام/صندوق به عنوان یکی از ساختارهای داده زیر نیاز دارد:

• pandas. Series
• pandas. dataframe

اطلاعات سرمایه گذاری می تواند به اندازه نام آن اطلاعات کمی داشته باشد ، و مبلغ سرمایه گذاری شده در آن ، برچسب های ستون به ترتیب باید نام و تخصیص داشته باشند ، اما همچنین می تواند حاوی اطلاعات بیشتری باشد ، مانند

همچنین به هر دو داده نیاز دارد ، به عنوان مثالقیمت های بسته شدن روزانه به عنوان pandas. dataframe یا pandas. series. داده ها باید به عنوان یک pandas. dataframe داده شوند ، و حداقل یک ستون داده برای حاوی قیمت بسته شدن لازم است ، از این رو لازم است که یک برچسب ستون داشته باشد - adj. نزدیک که برای محاسبه بازده سرمایه گذاری استفاده می شود. با این حال ، داده ها می توانند حاوی داده های بیشتری در ستون های اضافی باشند.

comp_daily_retus ()

بازده روزانه (تغییر درصد) را محاسبه می کند. به finquant. retus. daily_retus مراجعه کنید.

بازده مورد انتظار سهام را محاسبه می کند.

نوسانات سهام را محاسبه می کند.

به خوبی خواص سهام را چاپ می کند: بازده مورد انتظار ، نوسانات ، پوستی ، کورتوز و همچنین تخصیص (و سایر اطلاعات ارائه شده در سرمایه گذاری).

نمونه کارها¶

کلاس finquant. portfolio. نمونه کارها ¶

شیء که حاوی اطلاعاتی در مورد یک نمونه کارها سرمایه گذاری است. برای شروع شیء ، نیازی به ورودی ندارد. برای پر کردن نمونه کارها با اطلاعات سرمایه گذاری ، از عملکرد Add_stock (سهام) استفاده می شود که در آن سهام یک هدف سهام است.

__init__ ()

شروع نمونه کارها.

add_stock (سهام)

سهام سهام نوع را به نمونه کارها اضافه می کند. هر بار که ADD_STOCK خوانده می شود ، متغیرهای نمونه زیر به روز می شوند:

• نمونه کارها: pandas. dataframe ، ستونی با اطلاعات موجود از سهام اضافه می کند
• سهام: فرهنگ لغت ، ورودی را برای سهام اضافه می کند
• داده ها: pandas. dataframe ، ستونی از قیمت سهام را از سهام اضافه می کند

همچنین ، متغیرهای نمونه زیر (دوباره) محاسبه می شوند:

• مورد انتظار_ retu: بازگشت انتظار می رود نمونه کارها
• نوسانات: نوسانات نمونه کارها
• شارپ: نسبت شارپ از نمونه کارها
• SKEW: Skewness از سهام نمونه کارها
• Kurtosis: Kurtosis از سهام نمونه کارها

محاسبه و بازگرداندن یک pandas. dataframe از ماتریس کواریانس نمونه کارها.

بازده تجمعی همه سهام موجود در نمونه کارها را محاسبه می کند. به finquant. retus. cumulative_retus مراجعه کنید.

بازده ورود روزانه کلیه سهام موجود در نمونه کارها را محاسبه می کند. به finquant. retus. daily_log_retus مراجعه کنید.

بازده روزانه (تغییر درصد) کلیه سهام موجود در نمونه کارها را محاسبه می کند. به finquant. retus. daily_retus مراجعه کنید.

بازده مورد انتظار نمونه کارها را محاسبه می کند.

میانگین بازده را بر اساس داده های قیمت سهام تاریخی محاسبه می کند. به finquant. retus. historical_mean_retu مراجعه کنید.

محاسبه و بازگشت نسبت شارپ نمونه کارها.

نوسانات همه سهام را به صورت جداگانه محاسبه می کند

نوسانات نمونه کارها را محاسبه می کند.

یک پاندا را محاسبه و باز می گرداند.

رابط به finquant. effific_frontier. effiffrontier. effific_frontier.

اوراق بهادار برای طیف وسیعی از بازده هدف داده شده می شود. در صورت ارائه هیچ هدفی ، الگوریتم حداقل و حداکثر بازده سهام فردی نمونه کارها را پیدا می کند و محدوده هدف را مطابق با آن مقادیر تنظیم می کند. منجر به مرز کارآمد می شود.

رابط به finquant. effific_frontier. effiffrontier. effific_retu.

نمونه کارها را با حداقل نوسانات برای بازده هدف معین پیدا می کند.

رابط به finquant. effific_frontier. effiftfrontier. effific_volatility.

نمونه کارها را با حداکثر نسبت شارپ برای یک نوسانات هدف معین پیدا می کند.

رابط به finquant. effific_frontier. effiftfrontier. maximum_sharpe_ratio.

نمونه کارها را با حداکثر نسبت شارپ ، که به آن سبد مماس نیز گفته می شود ، می یابد.

رابط به finquant. effific_frontier. effiftfrontier. minimum_volatility.

نمونه کارها را با حداقل نوسانات پیدا می کند.

رابط به finquant. effific_frontier. effiftfrontier. plot_efrontier.

مرز کارآمد را ترسیم می کند.

رابط به finquant. effific_frontier. effiftfrontier. plot_optimal_portfolios.

نشانگرهای پرتفوی بهینه شده برای

• حداقل نوسانات ، و
• حداکثر نسبت شارپ.

نمونه سهام را با نام نام برمی گرداند.

رابط به finquant. monte_carlo. montecarloopt. optimisation.

بهینه سازی نمونه کارها با انجام یک شبیه سازی مونت کارلو.

نتایج حاصل از اجرای مونت کارلو را با تمام وزن/اوراق بهادار به طور تصادفی تولید شده و همچنین نشانگرهای پرتفوی با

• حداقل نوسانات ، و
• حداکثر نسبت شارپ.

محاسبه و چاپ بازده سالانه مورد انتظار ، نوسانات و نسبت شارپ از نمونه کارها بهینه شده.

بازده مورد انتظار سالانه را از نوسانات سالانه سهام نمونه کارها محاصره می کند.

به خوبی خواص نمونه کارها را چاپ می کند:

• بازگشت مورد انتظار ،
• نوسان،
• نسبت شارپ ،
• چولگی،
• ورم

و همچنین تخصیص سهام در سراسر نمونه کارها.

build_portfolio¶

نمونه کارها. build_portfolio ()

با توجه به مجموعه ای از آرگومان های ورودی ، این عملکرد نمونه ای از نمونه کارها را ایجاد و باز می گرداند.

(اختیاری) pandas. dataframe با نام برچسب داده های مورد نیاز نام و تخصیص سهام. در صورت عدم ارائه ، به طور خودکار با وزن مساوی برای همه سهام در سبد حاصل تولید می شود.

(اختیاری) رشته یا لیستی از رشته ها ، حاوی نام سهام ، به عنوان مثال"گوگ" برای گوگل.

(اختیاری) String / DateTime تاریخ شروع داده های سهام از طریق quandl / yfinance (پیش فرض: هیچ) درخواست می شود.

(اختیاری) تاریخ پایان کار / DateTime تاریخ داده های سهام از طریق quandl / yfinance (پیش فرض: هیچ) درخواست می شود.

(اختیاری) یک pandas. dataframe که حاوی مقادیر سهام ذکر شده در PF_ALLOCATION است.

(اختیاری) یک رشته (پیش فرض: quandl) که در صورت عدم ارائه داده ها توسط کاربر ، نحوه به دست آوردن قیمت سهام را تعیین می کند. مقادیر معتبر:

فقط ترکیبات زیر از ورودی ها مجاز است:

• نام ها ، PF_ALLOCATION (اختیاری) ، start_date (اختیاری) ، end_date (اختیاری) ، data_api (اختیاری)
• داده ها ، PF_ALLOCATION (اختیاری)

دو روش مختلف که این عملکرد می تواند استفاده شود برای:

1. ساختن یک نمونه کارها با کشیدن داده ها از quandl / yfinance ،
2. ساختن یک نمونه کارها با ارائه داده های سهام که در غیر این صورت به دست آمده است ، به عنوان مثالاز پرونده های داده

اگر به روش پشتیبانی نشده استفاده شود ، عملکرد (یا متعاقباً عملکرد نامیده می شود) استثنائات مناسبی را با اطلاعات مفید آنچه اشتباه پیش آمد ، ایجاد می کند.

© Copyright 2019 ، Frank Milthaler Revision D825A711.

ساخته شده با ابوالهول با استفاده از موضوعی که توسط Docs Read ارائه شده است. Docs V را بخوانید: آخرین

نسخه های آخرین بارگیری های پایدار PDF HTML در خواندن Docs Project Home Home ایجاد میزبان اسناد رایگان ارائه شده توسط Read The Docs.