---

前言

在 Python 中，可以使用多個庫來進行風險管理和投資組合優化，以下是一些常見的方法和庫。

---

python3.13 環境配置

python3.13安裝教程：https://blog.csdn.net/2501_91538706/article/details/147315428

風險管理

• 計算風險指標
  使用numpy和pandas庫：numpy是 Python 的一個重要的科學計算庫，pandas則是用于數據處理和分析的庫。可以用它們來計算一些基本的風險指標，如收益率的均值、標準差等。假設已有一個包含資產收益率的pandas的Series對象returns，計算均值和標準差的代碼如下：

import numpy as np
import pandas as pdmean_return = returns.mean()
std_return = returns.std()

• 使用scipy庫：scipy是用于科學計算的庫，它提供了更多的統計函數。例如，可以使用scipy.stats中的skew和kurtosis函數來計算收益率的偏度和峰度，以進一步描述收益率的分布特征。

from scipy.stats import skew, kurtosisskewness = skew(returns)
kurtosis_value = kurtosis(returns)

• 風險價值（VaR）計算：VaR是衡量在一定置信水平下，某一金融資產或投資組合在未來特定時期內可能遭受的最大損失。可以使用pandas和numpy來計算歷史模擬法的VaR。假設returns是資產的日收益率數據，計算 95% 置信水平下的VaR：

confidence_level = 0.95
var = np.percentile(returns, (1 - confidence_level) * 100)

也可以使用scikit-learn庫中的QuantileRegressor進行分位數回歸來估計VaR。

投資組合優化

• 均值 - 方差模型：現代投資組合理論中，均值 - 方差模型是最經典的模型之一。可以使用cvxpy庫來解決這個優化問題。假設returns是一個包含多個資產收益率的DataFrame，cov_matrix是資產收益率的協方差矩陣，目標是在給定預期收益率target_return下，最小化投資組合的方差。

import cvxpy as cp
import numpy as np# 資產數量
n = len(returns.columns)
# 權重向量
w = cp.Variable(n)
# 預期收益率約束
expected_return = np.array(returns.mean())
constraints = [w.T @ expected_return == target_return, cp.sum(w) == 1, w >= 0]
# 目標函數：最小化方差
variance = w.T @ cov_matrix @ w
problem = cp.Problem(cp.Minimize(variance), constraints)
problem.solve()
optimal_weights = w.value

• 基于PyPortfolioOpt庫的優化：PyPortfolioOpt是一個專門用于投資組合優化的庫，它提供了更高級的功能和更簡潔的接口。例如，使用最大夏普比率模型來優化投資組合：

from pypfopt import EfficientFrontier, risk_models, expected_returns
from pypfopt.discrete_allocation import DiscreteAllocation# 計算預期收益率和協方差矩陣
mu = expected_returns.mean_historical_return(returns)
S = risk_models.sample_cov(returns)# 構建有效前沿
ef = EfficientFrontier(mu, S)
# 最大化夏普比率
weights = ef.max_sharpe()
cleaned_weights = ef.clean_weights()
print(cleaned_weights)# 假設你有一定的資金用于投資
total_portfolio_value = 10000  # 總資金
# 進行離散分配（例如，購買整手股票）
da = DiscreteAllocation(cleaned_weights, returns.columns, total_portfolio_value)
allocation, leftover = da.lp_portfolio()
print("Allocation:", allocation)
print("Leftover:", leftover)

上述代碼只是簡單的示例，實際應用中，你需要根據具體的數據和需求進行調整和擴展。同時，風險管理和投資組合優化是復雜的領域，需要對金融理論和數學知識有深入的理解。