高效前沿不好看

Question

我正在尝试绘制一个有效的边界。下面是我用的。回报参数由投资组合的 9 列回报组成。我选择了 10,000 个投资组合，这就是我的有效边界的样子。这不是我们熟悉的通常的边界形状。有人可以向我解释这个问题。def monteCarlo_Simulation(returns):    #returns=returns.drop("Date")    returns=returns/100    stocks=list(returns)    stocks1=list(returns)    stocks1.insert(0,"ret")    stocks1.insert(1,"stdev")    stocks1.insert(2,"sharpe")    print (stocks)    #calculate mean daily return and covariance of daily returns    mean_daily_returns = returns.mean()    #print (mean_daily_returns)    cov_matrix = returns.cov()    #set number of runs of random portfolio weights    num_portfolios = 10000    #set up array to hold results    #We have increased the size of the array to hold the weight values for each stock    results = np.zeros((4+len(stocks)-1,num_portfolios))    for i in range(num_portfolios):        #select random weights for portfolio holdings        weights = np.array(np.random.random(len(stocks)))        #rebalance weights to sum to 1        weights /= np.sum(weights)        #calculate portfolio return and volatility        portfolio_return = np.sum(mean_daily_returns * weights) * 252        portfolio_std_dev = np.sqrt(np.dot(weights.T,np.dot(cov_matrix, weights))) * np.sqrt(252)        #store results in results array        results[0,i] = portfolio_return        results[1,i] = portfolio_std_dev        #store Sharpe Ratio (return / volatility) - risk free rate element excluded for simplicity        results[2,i] = results[0,i] / results[1,i]        #iterate through the weight vector and add data to results array        for j in range(len(weights)):            results[j+3,i] = weights[j]

Answer 1

很可能不是图形或代码搞砸了 - 而是您的输入。尝试使用资产。可能是您包含在优化算法中的资产高度正相关 - 导致多样化的影响可以忽略不计。反过来，这会影响您的有效边界的形状。

编辑：

如果这不是问题的根源。也许使用以下代码行重试该程序：

def monteCarlo_Simulation(returns):

    noa = len(tickers)

    random_returns = []

    random_volatility = []

    for i in range (10000):

        weights = np.random.random(noa)

        weights = weights / np.sum(weights)

        random_returns.append(np.sum(returns.mean()*weights)*252)

        random_volatility.append(np.sqrt(np.dot(weights.T, np.dot(returns.cov()*252, weights))))

    random_returns = np.array(random_returns)

    random_volatility = np.array(random_volatility)

    fig_random = plt.figure(figsize = [6,4])

    plt.scatter(random_volatility, random_returns,

                c= random_returns / random_volatility, marker = '.')

    plt.grid(True)

    plt.xlabel('Expected volatility')

    plt.ylabel('Expected return')

    plt.colorbar(label='Sharpe ratio')

    plt.title('Mean Variance Analysis Plot')

    plt.show()

Answer 2

我遇到了类似的问题，我通过查看 NaN 值解决了这个问题，有些公司的 IPO 很晚，有些是在同一年。因此，您需要收集与您的股票投资组合中最新 IPO 相同的数据。或者剔除在您检索数据之日之前未 IPO 的所有股票。