Vincent
2022-02-08 11:50老師，問兩個(gè)有效前沿的問題。第一個(gè)sco代碼基礎(chǔ)課程里沒講，具體哪個(gè)課件有？代碼里面標(biāo)紅的部分麻煩再講下：def定義函數(shù)的時(shí)候weights這個(gè)參數(shù)我并沒有輸入實(shí)際的數(shù)字，這個(gè)對(duì)應(yīng)的是lambda的x嗎？bounds里面的for語句的x指代的是啥，我理解為隨機(jī)設(shè)定的，和后面的x沒關(guān)系吧。還有cons限制條件這塊再講下，type指代的是啥？第二個(gè)圖里面紅色標(biāo)紅出麻煩再解釋下，尤其是c（顏色）部分等于sharperatio，這部分的課程基礎(chǔ)課也沒有，哪里有講？
所屬：AQF > AQF 視頻位置 相關(guān)試題
來源： 視頻位置 相關(guān)試題
1個(gè)回答
高志萍助教
2022-02-08 15:45
該回答已被題主采納
同學(xué)你好，
關(guān)于scipy
scipy這個(gè)庫，不是考試的核心內(nèi)容，所以課程里沒像numpy和pandas這樣介紹（python被稱為膠水語言，有很多庫可用，所以我們也無法把每個(gè)庫做纖細(xì)的說明），相關(guān)的內(nèi)容，可以查看網(wǎng)站：BUNOOB.COM (https://www.runoob.com/scipy/scipy-module.html, 在SciPy模塊列表里找到optimize API, 點(diǎn)擊后跳轉(zhuǎn)到SciPy的官方說明，網(wǎng)址是：https://docs.scipy.org/doc/scipy-1.8.0/html-scipyorg/reference/optimize.html#module-scipy.optimize)
scipy在視屏python數(shù)理統(tǒng)計(jì)中關(guān)于大數(shù)定律和中心極限定理的地方是介紹過scipy.stats的。
scipy.optimize簡單的說，就是在給出限定條件下，計(jì)算出最大值和最小值
關(guān)于def定義的weights
這個(gè)和bounds里的x無關(guān)，這里的weights是4個(gè)股票的權(quán)重（權(quán)重和為1）的參數(shù)，基于輸入的weights計(jì)算出年標(biāo)準(zhǔn)差和年收益
bounds是設(shè)定范圍，邊界，這里的意思，是限制4個(gè)股票，每個(gè)股票的范圍，
bounds=tuple((0，1)for x in range(number_of_asset), 是元祖解析，作用是生成4個(gè)范圍，因?yàn)楣善钡臋?quán)重雖然可以做空，也就是可以出現(xiàn)負(fù)數(shù)，但是不可能無限的作用，如果不加限制，如果就有可能一個(gè)股票的權(quán)重是-100，做空100倍。（0，1）表示的是每個(gè)股票比例的范圍在0到100%之間。
這里不用x，用i 也是一樣的。和列表解析的思路是一樣的
關(guān)于result里SLSQP：
這個(gè)是sco.optimalize.minimize這個(gè)函數(shù)的需要的參數(shù)，意思是計(jì)算最小值使用的方法是什么，在scipy可以看到有很多的方法
這個(gè)方法是序列最小二乘規(guī)劃算法，簡單的理解是給定目標(biāo)計(jì)算出需要最低比例，因?yàn)橐粋€(gè)投資組合，完全不同的權(quán)重有可能組合出相同的收益率，所以需要使用這個(gè)方法，計(jì)算出一個(gè)收益率下的最小的個(gè)股持有情況。
-
追答
關(guān)于cons，這個(gè)就是sco.minimize里的限制，
這里一共是兩個(gè)限制，在sco.minimize下限制是定義為帶鍵的字典，字典的鍵就是type，
type：pe 是表示限制的類型為等于0
fun是可調(diào)用對(duì)象，待優(yōu)化的函數(shù)?？梢岳斫鉃槭褂媚涿瘮?shù)lambda 計(jì)算出calculate_portfolio_return(x)-target_return的數(shù)字
加上type：pe， 表示等于0才是符合限制的
也就是第一個(gè)限制是，計(jì)算出來的calculate_portfolio_return(x)是要等于target_return的
那第二個(gè)限制，就是所有x之和（x是權(quán)重）減去1要等于0
這里不用x也無所謂的（匿名函數(shù)，通常的用法都是x，用a和b也是可以的）
和bounds的x沒有關(guān)系
bounds里的x是隨機(jī)的，和后面的x沒有關(guān)系 -
追答
同學(xué)你好，
請(qǐng)?jiān)儋N一下第二張圖，這里只看到一張圖
colorbar是色條，就是圖片右側(cè)的那一條，顏色從淺的到深，數(shù)字越大
colorbar這個(gè)也是matplotlib下的一個(gè)函數(shù)，課程里是沒有詳細(xì)介紹的，這種函數(shù)，也需要同學(xué)在網(wǎng)上找相關(guān)的資料學(xué)習(xí)的。（編程沒辦法的，很多時(shí)候只能網(wǎng)上查方法，查用法的）
這個(gè)colorbar的標(biāo)簽（也就是名字）是sharpe ratio
sharpe ratio=（組合的收益-無風(fēng)險(xiǎn)利率）?組合的標(biāo)準(zhǔn)差
也就是plt.scatter里面的c=（portfolio_returns-risk_free）/portfolio_std
這里的c就是color，也就是每一個(gè)return和std計(jì)算出來的sharpe ratio都有一個(gè)顏色表示
plt.scatter里的marker='o',表示這些對(duì)應(yīng)坐標(biāo)用”點(diǎn)“的方式繪制出來,如果market='v'的話，圖片就是圓點(diǎn)，而是倒三角了
camp=plt.get_cmap('Blues')
camp表示的是一種配色方法
plt.get_cmap('Blue') 表示的就是用藍(lán)色調(diào)制的配色方案
簡單的說，點(diǎn)的構(gòu)成是return和std，然后根據(jù)sharpe ratio的數(shù)字匹配顏色，顏色使用方案就是以藍(lán)色的變化的配色 -
追問
老師，這里函數(shù)里面的weights還是之前 np.random.random(number_of_asset) 歸一化的值嗎，只跑了一次？ 后面還有個(gè)跑了4000次的？到底是哪一個(gè)。
-
追答
同學(xué)你好，
都不是，
函數(shù)里的weights和之前的weights沒有關(guān)系,(可以把函數(shù)前的weighs前的，都改為weights_0, 再從新運(yùn)營一次，結(jié)果是不影響的）
定義的函數(shù)的weights，是后面的輸入
calculate_target_return(weights), 是在調(diào)用sco的時(shí)候，寫限制里的第一個(gè)限制。比如初始的4個(gè)0.25就是weights，然后sco是最優(yōu)化，所以會(huì)把不同的比例輸入calculate_target_return(weights)，計(jì)算出portfolio_returns
calculate_target_std(weights), 是直接在sco里調(diào)用的
和前面的weight是沒有關(guān)系的，都是后面通過sco這個(gè)函數(shù)生成的比重 -
追問
也就是說沒有[0.25,0.25,0.25,0.25]這一初始條件的話，weight就不知道是由四個(gè)股票的權(quán)重組成的，對(duì)嗎？還有關(guān)于result里SLSQP：這個(gè)方法是序列最小二乘規(guī)劃算法，簡單的理解是給定目標(biāo)計(jì)算出需要最低比例，因?yàn)橐粋€(gè)投資組合，完全不同的權(quán)重有可能組合出相同的收益率，所以需要使用這個(gè)方法，計(jì)算出一個(gè)收益率下的最小的個(gè)股持有情況。（這里應(yīng)該是講固定收益率下對(duì)應(yīng)的最小波動(dòng)時(shí)的個(gè)股持有情況吧？）
-
追答
同學(xué)你好，
關(guān)于4個(gè)0.25：
是的
4個(gè)0.25，是sco的一個(gè)必要參數(shù)，這個(gè)參數(shù)要符合使用函數(shù)的要求，在這里就是要符合（calculate_target_std(weights)）這個(gè)函數(shù)的要求，
calculate_target_std(weights)，這個(gè)函數(shù)里用到 log_returns，這個(gè)變量，之前已經(jīng)賦值好了，是個(gè)4例的表，所以一定要4個(gè)權(quán)重，也就是一個(gè)weigths里要包含4個(gè)權(quán)重?cái)?shù)據(jù)。
關(guān)于SLSQP：
是的，可以這樣理解
0
0
0
0
