skfolio:基于scikit-learn构建的投资组合优化工具

1. 可用的投资组合优化模型包括朴素方法（等权重分配、逆波动率分配、随机分配）、凸优化方法（均值-风险优化、风险分配、最大多样化、分布鲁棒CVaR）、聚类方法（层次风险平价、层次等风险贡献、嵌套聚类优化）和集成方法（堆叠优化）。
2. 提供多种预期收益估计方法，如经验估计、指数加权估计、均衡估计和收缩估计。
3. 协方差估计方法包括经验估计、格伯估计、去噪估计、去调估计、指数加权估计、Ledoit-Wolf估计、近似收缩估计、缩减协方差估计和图拉索协方差估计。
4. 支持多种距离估计方法，如皮尔逊距离、肯德尔距离、斯皮尔曼距离、协方差距离、距离相关性和信息变异度。
5. 提供多种先验估计方法，如经验估计、Black & Litterman估计和因子模型估计。
6. 支持不确定性集估计方法，包括对预期收益的经验估计和循环自助法，以及对协方差的经验估计和循环自助法。
7. 提供预选转换功能，如非支配选择、选择K个极端值和剔除高度相关资产。
8. 支持交叉验证和模型选择，包括KFold和滚动向前验证等方法。
9. 提供超参数调整功能，如GridSearchCV和RandomizedSearchCV。
10. 支持多种风险度量方法，如方差、半方差、平均绝对偏差、CVaR、EVaR、最大回撤、平均回撤、溃疡指数、基尼平均差异、风险价值等。
11. 提供优化功能，包括最小化风险、最大化收益、最大化效用、最大化比率、交易成本、管理费用、L1和L2正则化、权重约束、组约束、预算约束、跟踪误差约束以及周转率约束等。

安装skfolio

pip install -U skfolio

使用skfolio

# 导入
from sklearn import set_config
from sklearn.model_selection import (
    GridSearchCV,
    KFold,
    RandomizedSearchCV,
    train_test_split,
)
from sklearn.pipeline import Pipeline
from scipy.stats import loguniform

from skfolio import RatioMeasure, RiskMeasure
from skfolio.datasets import load_factors_dataset, load_sp500_dataset
from skfolio.model_selection import (
    CombinatorialPurgedCV,
    WalkForward,
    cross_val_predict,
)
from skfolio.moments import (
    DenoiseCovariance,
    DetoneCovariance,
    EWMu,
    GerberCovariance,
    ShrunkMu,
)
from skfolio.optimization import (
    MeanRisk,
    NestedClustersOptimization,
    ObjectiveFunction,
    RiskBudgeting,
)
from skfolio.pre_selection import SelectKExtremes
from skfolio.preprocessing import prices_to_returns
from skfolio.prior import BlackLitterman, EmpiricalPrior, FactorModel
from skfolio.uncertainty_set import BootstrapMuUncertaintySet


# 加载数据集
prices = load_sp500_dataset()


# 训练/测试数据划分
X = prices_to_returns(prices)
X_train, X_test = train_test_split(X, test_size=0.33, shuffle=False)


# 训练最小风险模型
model = MeanRisk()
model.fit(X_train)
print(model.weights_)


# 对测试集进行预测
portfolio = model.predict(X_test)
print(portfolio.annualized_sharpe_ratio)
print(portfolio.summary())


# 最大索提诺比率
model = MeanRisk(
    objective_function=ObjectiveFunction.MAXIMIZE_RATIO,
    risk_measure=RiskMeasure.SEMI_VARIANCE,
)

# 去噪协方差和缩小的预期回报
model = MeanRisk(
    objective_function=ObjectiveFunction.MAXIMIZE_RATIO,
    prior_estimator=EmpiricalPrior(
        mu_estimator=ShrunkMu(), covariance_estimator=DenoiseCovariance()
    ),
)

# 预期回报的不确定性
model = MeanRisk(
    objective_function=ObjectiveFunction.MAXIMIZE_RATIO,
    mu_uncertainty_set_estimator=BootstrapMuUncertaintySet(),
)

# 权重限制和交易成本
model = MeanRisk(
    min_weights={"AAPL": 0.10, "JPM": 0.05},
    max_weights=0.8,
    transaction_costs={"AAPL": 0.0001, "RRC": 0.0002},
    groups=[
        ["Equity"] * 3 + ["Fund"] * 5 + ["Bond"] * 12,
        ["US"] * 2 + ["Europe"] * 8 + ["Japan"] * 10,
    ],
    linear_constraints=[
        "Equity <= 0.5 * Bond",
        "US >= 0.1",
        "Europe >= 0.5 * Fund",
        "Japan <= 1",
    ],
)
model.fit(X_train)


# 参数网格搜索
model = MeanRisk(
    objective_function=ObjectiveFunction.MAXIMIZE_RATIO,
    risk_measure=RiskMeasure.VARIANCE,
    prior_estimator=EmpiricalPrior(mu_estimator=EWMu(alpha=0.2)),
)

print(model.get_params(deep=True))

gs = GridSearchCV(
    estimator=model,
    cv=KFold(n_splits=5, shuffle=False),
    n_jobs=-1,
    param_grid={
        "risk_measure": [
            RiskMeasure.VARIANCE,
            RiskMeasure.CVAR,
            RiskMeasure.VARIANCE.CDAR,
        ],
        "prior_estimator__mu_estimator__alpha": [0.05, 0.1, 0.2, 0.5],
    },
)
gs.fit(X)

best_model = gs.best_estimator_

print(best_model.weights_)


# K 折交叉验证
model = MeanRisk()
mmp = cross_val_predict(model, X_test, cv=KFold(n_splits=5))
# mmp is the predicted MultiPeriodPortfolio object composed of 5 Portfolios (1 per testing fold)

mmp.plot_cumulative_returns()
print(mmp.summary()
组合清除交叉验证