skfolio.optimization.最大多样化#

class skfolio.optimization.MaximumDiversification(prior_estimator=None, min_weights=0.0, max_weights=1.0, budget=1.0, min_budget=None, max_budget=None, max_short=None, max_long=None, transaction_costs=0.0, management_fees=0.0, previous_weights=None, groups=None, linear_constraints=None, left_inequality=None, right_inequality=None, l1_coef=0.0, l2_coef=0.0, risk_free_rate=0.0, min_return=None, max_tracking_error=None, max_turnover=None, solver='CLARABEL', solver_params=None, scale_objective=None, scale_constraints=None, save_problem=False, raise_on_failure=True, add_objective=None, add_constraints=None, portfolio_params=None)[来源]#

最大化分散化优化估计器。

最大化多样化比率，即加权波动率与总波动率的比率。

这是MeanRisk估计量的一个特例，其中目标函数的预期收益被加权波动性替代。

Parameters:
prior_estimatorBasePrior, optional

先验估计器. 先验估计器用于估计PriorModel 包含资产预期收益、协方差矩阵、收益和协方差的Cholesky分解的估计。 默认值(None)是使用EmpiricalPrior。

min_weightsfloat | dict[str, float] | array-like of shape (n_assets, ) | None, default=0.0

最小资产权重（权重下限）。 如果提供了浮动值，则应用于每个资产。 None 等价于 -np.Inf （没有下限）。 如果提供了字典，其（键/值）对必须是 （资产名称/资产最小权重），输入 X 的 fit 方法必须是一个包含资产名称的 DataFrame。 当使用字典时，未提供的资产值将被分配最小权重 0.0。 默认值是 0.0 （不允许做空）。

示例:

  • min_weights = 0 –> 仅限于多头投资组合（不进行卖空）。

  • min_weights = None –> 没有下界（与 -np.Inf 相同）。

  • min_weights = -2 –> 每个权重必须高于 -200%。

  • min_weights = {"SX5E": 0, "SPX": -2}

  • min_weights = [0, -2]

max_weightsfloat | dict[str, float] | array-like of shape (n_assets, ) | None, default=1.0

最大资产权重（权重上限）。
如果提供一个浮点数，它会应用于每个资产。None 相当于 +np.Inf（没有上限）。
如果提供一个字典，它的（键/值）对必须是（资产名称/资产最大权重），而输入 X 的 fit 方法必须是一个包含资产名称的列的 DataFrame。
当使用字典时，未提供的资产值被分配最小权重 1.0。
默认值是 1.0（每个资产低于 100%。）

示例:

  • max_weights = 0 –> 不持有多头头寸（仅空头投资组合）。

  • max_weights = None –> 没有上限。

  • max_weights = 2 –> 每个权重必须低于200%。

  • max_weights = {"SX5E": 1, "SPX": 2}

  • max_weights = [1, 2]

budgetfloat | None, default=1.0

投资预算。它是多头和空头头寸的总和（所有权重的总和）。 None 意味着没有预算限制。 默认值是 1.0 （完全投资的投资组合）。

示例：

  • budget = 1 –> 完全投资组合。

  • budget = 0 –> 市场中性投资组合。

  • budget = None –> 对权重之和没有限制。

min_budgetfloat, optional

最低预算。它是多头和空头头寸总和的下限 （所有权重的总和）。如果提供，您必须设置 budget=None。 默认值 (None) 意味着没有最低预算限制。

max_budgetfloat, optional

最大预算。它是多头和空头头寸之和的上限（所有权重之和）。如果提供，您必须设置 budget=None。默认值 (None) 意味着没有最大预算约束。

max_shortfloat, optional

最大空头头寸。空头头寸定义为负权重的总和（按绝对值计算）。 默认值（None）表示没有最大空头头寸。

max_longfloat, optional

最大多头头寸。多头头寸被定义为正权重的总和。 默认值（None）表示没有最大多头头寸。

transaction_costsfloat | dict[str, float] | array-like of shape (n_assets, ), default=0.0

资产的交易成本。它用于在优化问题中添加线性交易成本：

\[total\_cost = \sum_{i=1}^{N} c_{i} \times |w_{i} - w\_prev_{i}|\]

其中 \(c_{i}\) 是资产 i 的交易成本， \(w_{i}\) 是它的权重， \(w\_prev_{i}\) 是它的前一个权重（在 previous_weights 中定义）。浮动 \(total\_cost\) 影响着投资组合的期望回报率优化：

\[expected\_return = \mu^{T} \cdot w - total\_cost\]

其中 \(\mu\) 是资产预期收益的向量，而 \(w\) 是资产权重的向量。

如果提供了一个浮动值，它将应用于每个资产。 如果提供了一个字典，它的（键/值）对必须是 （资产名称/资产成本），输入 X 的 fit 方法必须是一个包含资产名称的DataFrame。 默认值为 0.0。

警告

根据上述公式，交易成本的周期性需要与\(\mu\)的周期性一致。例如，如果输入X由每日收益组成，则transaction_costs需要以每日成本表示。 （请参见交易成本）

management_feesfloat | dict[str, float] | array-like of shape (n_assets, ), default=0.0

资产的管理费用。它用于将线性管理费用添加到优化问题中：

\[total\_fee = \sum_{i=1}^{N} f_{i} \times w_{i}\]

其中 \(f_{i}\) 是资产 i 的管理费用，\(w_{i}\) 是其权重。浮动 \(total\_fee\) 在优化中影响投资组合的预期收益：

\[expected\_return = \mu^{T} \cdot w - total\_fee\]

其中 \(\mu\) 是资产预期收益的向量，\(w\) 是资产权重的向量。

如果提供了浮点数，它将应用于每个资产。 如果提供了字典，则其（键/值）对必须是 （资产名称/资产费用），并且输入 X 的 fit 方法必须是包含资产名称的列的 DataFrame。 默认值为 0.0。

警告

根据上述公式，管理费用的周期性需要与\(\mu\)的周期性一致。例如，如果输入的X由日常收益组成，则management_fees需要以日常费用的形式表示。

注意

另一种方法是直接对输入 X 影响管理费用，以表示扣除费用后的回报。然而，当使用例如收缩估计量来估计 \(\mu\) 参数时，这种方法会将一个确定值与一个不确定值混合，从而导致管理费用中的不必要偏差。

previous_weightsfloat | dict[str, float] | array-like of shape (n_assets, ), optional

资产的先前权重。先前权重用于计算投资组合成本和投资组合周转率。如果提供一个浮动值，它将应用于每个资产。如果提供一个字典，它的（键/值）对必须是（资产名称/资产先前权重），并且输入 X 的 fit 方法必须是一个包含资产名称的 DataFrame 列。默认值 (None) 意味着没有先前权重。

l1_coeffloat, default=0.0

L1 正则化系数。 它用于通过 L1 范数惩罚目标函数：

\[l1\_coef \times \Vert w \Vert_{1} = l1\_coef \times \sum_{i=1}^{N} |w_{i}|\]

增加这个系数将减少非零权重的数量（基数）。这倾向于增加鲁棒性（样本外稳定性），但会减少多样化。默认值是 0.0。

l2_coeffloat, default=0.0

L2正则化系数。 它用于通过L2范数对目标函数进行惩罚：

\[l2\_coef \times \Vert w \Vert_{2}^{2} = l2\_coef \times \sum_{i=1}^{N} w_{i}^2\]

它倾向于增加稳健性（样本外稳定性）。
默认值是 0.0。

linear_constraintsarray-like of shape (n_constraints,), optional

线性约束。 线性约束必须符合以下任意模式：

  • “2.5 * ref1 + 0.10 * ref2 + 0.0013 <= 2.5 * ref3”

  • “ref1 >= 2.9 * ref2”

  • “ref1 == ref2”

  • “ref1 >= ref1”

通过“ref1”、“ref2”……在参数 groups 中提供的资产名称或组名称。 如果输入 X 的 fit 方法是一个具有这些资产名称的列的 DataFrame，则可以不需要 groups 来引用资产名称。

示例：

  • “SPX >= 0.10” –> SPX 权重必须大于 10% (请注意，您也可以使用 min_weights)

  • “SX5E + TLT >= 0.2” –> SX5E和TLT权重的总和必须大于20%

  • “US == 0.7” –> 所有美国权重的总和必须等于70%

  • “股权 == 3 * 债券” –> 所有股权权重的总和必须等于所有债券权重的总和的3倍。

  • “2*SPX + 3*Europe <= Bond + 0.05” –> 混合资产和组约束

groupsdict[str, list[str]] or array-like of shape (n_groups, n_assets), optional

在linear_constraints中引用的资产组。如果提供了字典，则其（键/值）对必须是（资产名称/资产组），并且fit方法的输入X必须是一个数据框，其中列包含资产名称。

示例：

  • groups = {“SX5E”: [“股票”, “欧洲”], “SPX”: [“股票”, “美国”], “TLT”: [“债券”, “美国”]}

  • groups = [[“股权”, “股权”, “债券”], [“欧洲”, “美国”, “美国”]]

left_inequalityarray-like of shape (n_constraints, n_assets), optional

线性约束的左侧不等式矩阵 \(A\) \(A \cdot w \leq b\)。

right_inequalityarray-like of shape (n_constraints, ), optional

线性约束的右侧不等式向量 \(b\) \(A \cdot w \leq b\)。

risk_free_ratefloat, default=0.0

无风险利率。 默认值为 0.0。

max_tracking_errorfloat, optional

跟踪误差的上限约束。跟踪误差被定义为投资组合回报与目标回报的RMSE（均方根误差）。如果max_tracking_error 被提供，目标回报y 必须在fit方法中提供。

max_turnoverfloat, optional

周转率的上限约束。 周转率被定义为投资组合权重与 previous_weights 之间的绝对差。请注意，控制周转率的另一种方法是使用 transaction_costs 参数。

min_returnfloat | array-like of shape (n_optimization), optional

期望回报的下界约束。

min_returnfloat | array-like of shape (n_optimization), optional

期望回报的下界约束。

add_objectiveCallable[[cp.Variable], cp.Expression], optional

向现有目标表达式添加自定义目标。 它是一个必须以权重 w 作为参数并返回 CVXPY 表达式的函数。

add_constraintsCallable[[cp.Variable], cp.Expression|list[cp.Expression]], optional

向现有约束添加自定义约束或约束列表。 它是一个必须以权重 w 作为参数的函数，并返回一个 CVPXY 表达式或一个 CVPXY 表达式的列表。

solverstr, default=”CLARABEL”

要使用的求解器。默认是“CLARABEL”，它是用Rust编写的，具有比ECOS和SCS更好的数值稳定性和性能。Cvxpy将在未来版本中将其默认求解器“ECOS”替换为“CLARABEL”。有关可用求解器的更多详细信息，请查阅CVXPY文档：https://www.cvxpy.org/tutorial/advanced/index.html#choosing-a-solver

solver_paramsdict, optional

求解器参数。例如，solver_params=dict(verbose=True)。默认值(None) 是使用 {"tol_gap_abs": 1e-9, "tol_gap_rel": 1e-9} 作为求解器“CLARABEL”的参数，其他情况使用CVXPY的默认值。有关求解器参数的更多详细信息，请查看CVXPY文档：https://www.cvxpy.org/tutorial/advanced/index.html#setting-solver-options

scale_objectivefloat, optional

通过此值缩放每个目标元素。
它可以用于在特定情况下提高优化精度。
默认值（None）根据问题设置。

scale_constraintsfloat, optional

通过此值缩放每个约束元素。 它可以在特定情况下用于提高优化精度。 默认值（None）根据问题设置。

save_problembool, default=False

如果将此设置为 True，CVXPY 问题将保存在 problem_ 中。 默认值为 False。

raise_on_failurebool, default=True

如果将此设置为 True，当优化失败时会引发错误，否则会以警告形式通过。

portfolio_paramsdict, optional

传递给通过 predict 和 score 方法评估的投资组合的投资组合参数。如果未提供，name、transaction_costs、management_fees、previous_weights 和 risk_free_rate 将从优化模型中复制并传递给投资组合。

Attributes:
weights_ndarray of shape (n_assets,) or (n_optimizations, n_assets)

资产的权重。

problem_values_dict[str, float] | list[dict[str, float]] of size n_optimizations

从CVXPY问题中检索的表达式值。

prior_estimator_BasePrior

调整过的 prior_estimator.

problem_: cvxpy.Problem

用于优化的CVXPY问题。只有当 save_problem 被设置为 True 时。

n_features_in_int

在fit期间看到的资产数量。

feature_names_in_ndarray of shape (n_features_in_,)

在fit期间看到的资产名称。只有当X具有所有为字符串的资产名称时才定义。

方法

fit(X[, y])

拟合最大多样性优化估计器。

fit_predict(X)

对 X 执行 fit 操作，并返回基于拟合的 weights 的 Portfolio 或 Population 的预测结果。

get_metadata_routing()

获取此对象的元数据路由。

get_params([deep])

获取此估计器的参数。

predict(X)

根据拟合的权重预测Portfolio或Population在X上的Portfolio。

score(X[, y])

预测分数。

set_params(**params)

设置此估计器的参数。
fit(X, y=None, **fit_params)[来源]#

拟合最大分散优化估计器。

Parameters:
Xarray-like of shape (n_observations, n_assets)

资产的价格收益。

yarray-like of shape (n_observations, n_targets), optional

因子或目标基准的价格回报。 默认值是 None。

**fit_paramsdict

传递给基础估计器的参数。只有在 enable_metadata_routing=True 的情况下可用，您可以通过使用 sklearn.set_config(enable_metadata_routing=True) 来设置。详情请参见 元数据路由用户指南。

Returns:
selfMaximumDiversification

拟合的估计器。

fit_predict(X)#

对X执行fit并根据拟合的weights返回预测的Portfolio或Population的Portfolio在X上的值。对于因子模型，分别使用fit(X, y)然后predict(X)。

Parameters:
Xarray-like of shape (n_observations, n_assets)

资产的价格收益。

Returns:
predictionPortfolio | Population

基于拟合的 weights 估计的 Portfolio 或 Population 的 Portfolio 在 X 上。

get_metadata_routing()#

获取这个对象的元数据路由。

请查看 用户指南 了解路由机制是如何工作的。

Returns:
routingMetadataRequest

一个 MetadataRequest 封装路由信息。

get_params(deep=True)#

获取此估计器的参数。

Parameters:
deepbool, default=True

如果为真，将返回此估计器及其包含的子对象的参数，这些子对象也是估计器。

Returns:
paramsdict

参数名称映射到它们的值。

predict(X)#

根据拟合的权重预测Portfolio或Population在X上的Portfolio。

优化估计器可以返回一个一维或二维数组的 weights。对于一维数组，预测返回一个 Portfolio。对于二维数组，预测返回一个 Population 的 Portfolio。

如果 name 在投资组合参数中没有提供，我们将使用估计器名称的前 500 个字符。

Parameters:
Xarray-like of shape (n_observations, n_assets)

资产的价格收益。

Returns:
predictionPortfolio | Population

基于拟合的 weights 估计的 Portfolio 或 Population 的 Portfolio 在 X 上。

score(X, y=None)#

预测分数。 如果预测是单个 Portfolio，则分数是夏普比率。 如果预测是一组 Population 的 Portfolio，则分数是该组中所有投资组合夏普比率的平均值。

Parameters:
Xarray-like of shape (n_observations, n_assets)

资产的价格收益。

yIgnored

未使用，仅为了遵循API一致性而存在。

Returns:
scorefloat

如果预测是单个 Portfolio，则投资组合的夏普比率为；如果预测是 Portfolio 的 Population 的所有投资组合夏普比率的平均值。

set_params(**params)#

设置该估计器的参数。

该方法适用于简单估计器以及嵌套对象（如 Pipeline）。后者具有 <component>__<parameter> 形式的参数，因此可以更新嵌套对象的每个组件。

Parameters:
**paramsdict

估计器参数。

Returns:
selfestimator instance

估计器实例。