skfolio.optimization.风险预算#

class skfolio.optimization.RiskBudgeting(risk_measure=Variance, risk_budget=None, prior_estimator=None, min_weights=0.0, max_weights=1.0, transaction_costs=0.0, management_fees=0.0, previous_weights=None, groups=None, linear_constraints=None, left_inequality=None, right_inequality=None, risk_free_rate=0.0, min_return=None, min_acceptable_return=None, cvar_beta=0.95, evar_beta=0.95, cdar_beta=0.95, edar_beta=0.95, solver='CLARABEL', solver_params=None, scale_objective=None, scale_constraints=None, save_problem=False, raise_on_failure=True, add_objective=None, add_constraints=None, overwrite_expected_return=None, portfolio_params=None)[来源]#

风险预算优化估计器。

风险预算估计器解决了以下凸问题：

\[\begin{split}\begin{cases} \begin{aligned} &\min_{w} & & risk_{i}(w) \\ &\text{s.t.} & & b^T \cdot log(w) \ge c \\ & & & w^T \cdot \mu \ge min\_return \\ & & & A \cdot w \ge b \\ & & & w \ge 0 \end{aligned} \end{cases}\end{split}\]

其中 \(b\) 是风险预算向量，\(c\) 是对数障碍的辅助变量。

并且 \(risk_{i}\) 是以下的风险度量：

  • 平均绝对偏差

  • 首个下部分矩

  • 方差

  • 半方差

  • 条件价值风险 (Conditional Value at Risk)

  • EVaR （熵值风险）

  • 最糟糕的实现（最糟糕的回报）

  • 条件风险下的减值 (CDaR)

  • 最大回撤

  • 平均回撤

  • EDaR (风险下跌的熵)

  • 溃疡指数

  • 基尼均值差异

成本和其他约束也可以添加到优化问题中（见参数描述）。

对某些约束施加了限制，包括仅对权重施加长限制，以确保凸性。

预期的资产收益、协方差矩阵和收益是通过 先验估计器估计得出的。

Parameters:
risk_measureRiskMeasure, default=RiskMeasure.VARIANCE

RiskMeasure 的优化。 可以是以下任意内容：

  • 方差

  • 半方差

  • 标准差

  • 半偏差

  • 平均绝对偏差

  • 第一低阶部分矩

  • CVAR

  • EVAR

  • 最差实现

  • CDAR

  • 最大回撤

  • 平均回撤

  • EDAR

  • 溃疡指数

  • GINI_MEAN_DIFFERENCE_RATIO

默认值是 RiskMeasure.VARIANCE。

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

分配给每个资产的风险预算。 如果提供一个字典，则其（键/值）对必须是（资产名称/资产风险预算），并且 X 的输入来自 fit 方法必须是一个包含资产名称的 DataFrame。 默认值（None）是使用单位向量，将风险预算降低到风险平价（每个资产对总风险的贡献相等）。

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]

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。

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。

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

期望回报的下界约束。

min_acceptable_returnfloat, optional

用于区分“下行”和“上行”收益以计算下部偏差矩的最低可接受回报：

  • 首个下部分矩

  • 半方差

  • 半偏差

默认值 (None) 是使用平均值。

cvar_betafloat, default=0.95

CVaR（条件风险价值）置信水平。

evar_betafloat, default=0

EVaR (熵值风险) 置信水平。

cvar_betafloat, default=0.95

CVaR（条件风险价值）置信水平。
默认值为 0.95。

evar_betafloat, default=0

EVaR（熵值风险）置信水平。
默认值为 0.95。

cdar_betafloat, default=0.95

CDaR（条件下跌风险）置信水平。
默认值为 0.95。

edar_betafloat, default=0.95

EDaR（风险下跌的熵）置信水平。 默认值是 0.95。

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。

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

用自定义表达式覆盖预期的回报 \(\mu \cdot w\)。 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。

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

传递给由 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])

拟合风险预算优化估计器。

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]#

拟合风险预算优化估计器。

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

资产的价格收益。

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

因子的价格回报。 默认值是 None。

Returns:
selfRiskBudgeting

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。