pythonで効率的フロンティアを計算する

pip install PyPortfolioOpt

import pandas_datareader as pdr
import pandas as pd

# リスト: ライトアップ、エフオン、アルファポリス、タケエイ、ENEOS、金、プラチナ、銀
symbols = ['6580.jp','9514.jp','9467.jp','2151.jp','5020.jp','1540.jp','1542.jp','1541.jp']
company_list = ['ライトアップ','エフオン','アルファポリス','タケエイ','ENEOS','金','プラチナ','銀']

# 価格データの取得と整形（終値だけ使用）
pdr =pdr.stooq.StooqDailyReader(symbols=symbols, start='2/11/20', end='1/8/21').read().sort_values(by='Date',ascending=True)
all_df = pdr['Close']
all_df.columns = company_list

all_df.head()

import seaborn as sns
import matplotlib.pyplot as plt
sns.set(font='Yu Gothic')

# 可視化用コード
# 価格推移
plot_df = all_df/all_df.loc['2020-11-02',:]
fig = plt.figure()
ax = fig.add_subplot(1, 1, 1)
ax.set_ylabel('相対株価')
plot_df.plot(figsize=(10,10),ax=ax)

# 相関係数
sns.heatmap(all_df.corr(),annot=True, fmt="1.1f")

from pypfopt.efficient_frontier import EfficientFrontier, objective_functions
from pypfopt import risk_models
from pypfopt import expected_returns
from pypfopt import CLA, plotting

days=5 #リターン、リスクの計算期間
mu = expected_returns.mean_historical_return(all_df,frequency=days) # リターンの計算
S = risk_models.sample_cov(all_df,frequency=days) # リスク：標本共分散の計算
cla = CLA(mu, S)
cla.max_sharpe()
cla.portfolio_performance(verbose=True)
ax = plotting.plot_efficient_frontier(cla, showfig=False)

from pypfopt.efficient_frontier import EfficientFrontier, objective_functions
from pypfopt import risk_models
from pypfopt import expected_returns
import math
import numpy as np

# 諸パラメータの計算
days=5 #リターン、リスクの計算期間
mu = expected_returns.mean_historical_return(all_df,frequency=days) # リターンの計算
S = risk_models.sample_cov(all_df,frequency=days) # リスク：標本共分散の計算
risks = (all_df.pct_change().dropna(how='all')).std() # 各株ごとの平均リスク（標準偏差）の計算
risks = ((risks*risks)*days).apply(math.sqrt) # 指定期間での各株ごとのリスク（標準偏差）の計算

# 銘柄ごとのリスクリターンDFを作成
plot_df = pd.DataFrame()

plot_df['銘柄名'] = mu.index
plot_df['リスク'] = risks.values
plot_df['リターン'] = mu.values

# 効率的フロンティアの計算
ef = EfficientFrontier(mu,S)

trets = np.arange(round(np.amin(mu),3), round(np.amax(mu),3),0.001)
tvols = []
res_ret = []
res_risk = []
weight_df = pd.DataFrame(columns=company_list,index=trets)

for tr in trets:
    try:
        w = ef.efficient_return(target_return=tr)
        w = ef.clean_weights()
        pref = ef.portfolio_performance()
        res_ret += [pref[0]]
        res_risk += [pref[1]]
        weight_df.loc[tr,:] = list(w.values())
        
    except:
        print(tr,'エラー')

flont_line = pd.DataFrame({'リスク':res_risk,'リターン':res_ret,})

# 可視化        
flont_line = pd.DataFrame({'リスク':res_risk,'リターン':res_ret,})
layout = go.Layout(
    xaxis = {'title': 'リスク [%]'},
    yaxis = {'title': 'リターン [%]',},
    )

fig = go.Figure(layout =layout)

fig.add_trace(go.Scatter(x = plot_df['リスク']*100, y = plot_df['リターン']*100,mode='markers+text', text =plot_df['銘柄名'],textposition='top center'))
fig.add_trace(go.Scatter(x = flont_line['リスク']*100, y = flont_line['リターン']*100,mode='lines'))

fig.show()

layout = go.Layout(
    xaxis = {'title': 'リターン[%]'},
    yaxis = {'title': '比率[%]',},
    )
fig = go.Figure(layout = layout)

for col in weight_df:
    fig.add_trace(go.Scatter(
        x=weight_df.index*100, y=weight_df[col]*100,
        hoverinfo='x+y',
        mode='lines',
        line=dict(width=0.5,),
        name=col,
        stackgroup='one' # define stack group
    ))

fig.show()

# デフォルト
ef = EfficientFrontier(mu,S)

# 上下限比率の設定 
ef = EfficientFrontier(mu,S,weight_bounds=(0.1,0.5))

# コスト関数の追加
ef = EfficientFrontier(mu, S)
ef.add_objective(objective_functions.L2_reg, gamma=0.1)