股票组合投资的风险平价策略

导入每只股票的净值数据：

import pandas as pd
import numpy as np
from scipy.optimize import minimize
StockPrices = pd.DataFrame()
StockPrices = pd.read_excel('zuhe.xlsx',index_col=[0])
StockPrices.index.name = '日期'
StockPrices.head()

提取每只股票的名称：

codes=StockPrices.columns.tolist()
codes

计算股票的每日收益率：

StockReturns = StockPrices.pct_change().dropna()
StockReturns

计算他们的协方差：

R_cov = StockReturns.cov()
cov= np.array(R_cov)

构建风险平价组合：

def risk_budget_objective(weights,cov):
    weights = np.array(weights) 
    sigma = np.sqrt(np.dot(weights, np.dot(cov, weights))) 
    MRC = np.dot(cov,weights)/sigma  
    TRC = weights * MRC
    delta_TRC = [sum((i - TRC)**2) for i in TRC]
    return sum(delta_TRC)

def total_weight_constraint(x):
    return np.sum(x)-1.0
     
x0 = np.ones(cov.shape[0]) / cov.shape[0]
bnds = tuple((0,None) for x in x0)
cons = ({'type': 'eq', 'fun': total_weight_constraint})
options={'disp':False, 'maxiter':1000, 'ftol':1e-20} 

solution = minimize(risk_budget_objective, x0,args=(cov), bounds=bnds, constraints=cons, method='SLSQP', options=options)
final_weights = solution.x 
for i in range(len(final_weights)):
    print(f'{final_weights[i]:.1%}投资于{R_cov.columns[i]}')

 代码注释：

1. weights = np.array(weights): 将传入的weights参数转换为NumPy数组，以便后续计算。
2. sigma = np.sqrt(np.dot(weights, np.dot(cov, weights))): 计算投资组合的标准差（风险），使用了传入的协方差矩阵cov和权重数组weights。首先通过np.dot(cov, weights)计算协方差矩阵与权重的乘积，然后再与权重的乘积再次进行点乘，最后使用np.sqrt计算标准差。
3. MRC = np.dot(cov,weights)/sigma: 计算风险贡献（Marginal Risk Contribution，MRC）的数组。通过将协方差矩阵与权重的乘积除以标准差，得到每个资产的风险贡献。
4. TRC = weights * MRC: 计算总风险贡献（Total Risk Contribution，TRC）的数组。将权重数组与风险贡献数组相乘，得到每个资产对总体风险的贡献。
5. delta_TRC = [sum((i - TRC)**2) for i in TRC]: 计算风险贡献差异的数组。对于每个资产的风险贡献，计算其与总体风险贡献之间的差异，并将差异的平方求和。
6. return sum(delta_TRC): 返回风险贡献差异的总和作为目标函数值。

        

1. risk_budget_objective(weights, cov): 这是之前提到的风险预算优化的目标函数，用于衡量投资组合的风险分配是否符合预期的风险预算。
2. total_weight_constraint(x): 这个函数用于设置投资组合权重的约束条件，要求所有权重之和等于1。
3. x0 = np.ones(cov.shape[0]) / cov.shape[0]: 初始化投资组合的权重，将其设置为均匀分配。
4. bnds = tuple((0, None) for x in x0): 设置权重的边界条件，限制权重的取值范围为非负数。
5. cons = {'type': 'eq', 'fun': total_weight_constraint}: 定义了约束条件字典，表示约束条件是总权重之和等于1。
6. options = {'disp': False, 'maxiter': 1000, 'ftol': 1e-20}: 设置了优化算法的参数，如显示优化过程、最大迭代次数和收敛容差等。
7. solution = minimize(risk_budget_objective, x0, args=(cov), bounds=bnds, constraints=cons, method='SLSQP', options=options): 使用minimize函数进行优化，传入目标函数、初始权重、约束条件、边界条件、优化方法和参数等。
8. final_weights = solution.x: 从优化结果中获取最优的资产权重。
9. for i in range(len(final_weights)):: 遍历最优权重列表。
10. print(f'{final_weights[i]:.1%}投资于{R_cov.columns[i]}'): 输出每个资产的最终权重，以百分比形式显示，并显示对应的资产名称。