有效前沿下半部分（有效前沿定義）

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

開始之前先推薦一個(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)，寫出的就越詳細(xì)，有微信小程序端、在線網(wǎng)頁版、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:

• 1、為什么資本市場(chǎng)線優(yōu)于馬科維茨有效邊界。

• 2、如何用matlab畫 有效前沿

• 3、求最近五年來國家公務(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！

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

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 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、求最近五年來國家公務(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，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。但是總體上來說，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、國家通過法定程序確定的稅種是：

A 正稅 B 附加稅 C 稅制 D

2、國家財(cái)政通過____什么來影響經(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

A 理事長 B 理事會(huì) C 會(huì)員大會(huì)

5、我國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，就覺得沒有優(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。

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)常常遇到問題。

倉位如何分配？

你以為基金經(jīng)理都是一拍腦袋就等分倉位了嗎？

或者玩點(diǎn)玄乎的斐波拉契數(shù)列？

OMG，誰說的黃金比例，讓我看到你的腦袋（不削才怪）??！

其實(shí)，這個(gè)問題，好多好多年前馬科維茨（Markowitz）我喜愛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。

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

最后，刻畫出可能的分布，兩種最優(yōu)以及組合的有效前沿。

注：

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

原文見【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）

通過對(duì)約束最優(yōu)問題的求解，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，我們通過方差最小來選出最優(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)問題的回答。希望能幫到你，如有更多相關(guān)問題，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)