Draft Portfolio Optimize Basic

draft_portfolio_optimizer.py

import yfinance as yf
import pandas as pd
import numpy as np
from pypfopt import EfficientFrontier
from pypfopt import risk_models
from pypfopt import expected_returns
from datetime import datetime, timedelta

# Định nghĩa danh sách cổ phiếu
tickers = ['AAPL', 'GOOGL', 'MSFT', 'AMZN', 'META', 'TSLA', 'NVDA', 'JPM']

# Lấy dữ liệu giá từ Yahoo Finance
end_date = datetime.now()
start_date = end_date - timedelta(days=365)
df = pd.DataFrame()

for ticker in tickers:
    data = yf.download(ticker, start=start_date, end=end_date)['Adj Close']
    df[ticker] = data

# Tính toán returns
# returns = df.pct_change()

# 1. Portfolio với phân bổ đều
equal_weights = np.array([1/len(tickers)] * len(tickers))

# Tính các metrics cho portfolio phân bổ đều trước khi optimize
mu = expected_returns.mean_historical_return(df)
S = risk_models.sample_cov(df)

equal_ret = mu.dot(equal_weights)
equal_std = np.sqrt(equal_weights.T.dot(S).dot(equal_weights))
equal_sharpe = equal_ret / equal_std

print("\nPortfolio phân bổ đều trước khi optimize:")
print(f"Expected Return: {equal_ret:.4f}")
print(f"Standard Deviation: {equal_std:.4f}")
print(f"Sharpe Ratio: {equal_sharpe:.4f}")

# Optimize portfolio phân bổ đều
ef_equal = EfficientFrontier(mu, S)
ef_equal.add_constraint(lambda x: x >= 0.1)  # Mỗi cổ phiếu ít nhất 10%
ef_equal.add_constraint(lambda x: x <= 0.2)  # Mỗi cổ phiếu không quá 20%
equal_weights_opt = ef_equal.max_sharpe()

equal_ret_opt = mu.dot(pd.Series(equal_weights_opt))
equal_std_opt = np.sqrt(pd.Series(equal_weights_opt).T.dot(S).dot(pd.Series(equal_weights_opt)))
equal_sharpe_opt = equal_ret_opt / equal_std_opt

print("\nPortfolio phân bổ đều sau khi optimize:")
print(f"Expected Return: {equal_ret_opt:.4f}")
print(f"Standard Deviation: {equal_std_opt:.4f}")
print(f"Sharpe Ratio: {equal_sharpe_opt:.4f}")

# 2. Portfolio với phân bổ không đều
unequal_weights = np.array([0.25, 0.15, 0.15, 0.1, 0.1, 0.1, 0.1, 0.05])

# Tính các metrics cho portfolio phân bổ không đều trước khi optimize
unequal_ret = mu.dot(unequal_weights)
unequal_std = np.sqrt(unequal_weights.T.dot(S).dot(unequal_weights))
unequal_sharpe = unequal_ret / unequal_std

print("\nPortfolio phân bổ không đều trước khi optimize:")
print(f"Expected Return: {unequal_ret:.4f}")
print(f"Standard Deviation: {unequal_std:.4f}")
print(f"Sharpe Ratio: {unequal_sharpe:.4f}")

# Optimize portfolio phân bổ không đều
ef_unequal = EfficientFrontier(mu, S)
ef_unequal.add_constraint(lambda x: x >= 0.05)  # Mỗi cổ phiếu ít nhất 5%
ef_unequal.add_constraint(lambda x: x <= 0.3)   # Mỗi cổ phiếu không quá 30%
unequal_weights_opt = ef_unequal.max_sharpe()

unequal_ret_opt = mu.dot(pd.Series(unequal_weights_opt))
unequal_std_opt = np.sqrt(pd.Series(unequal_weights_opt).T.dot(S).dot(pd.Series(unequal_weights_opt)))
unequal_sharpe_opt = unequal_ret_opt / unequal_std_opt

print("\nPortfolio phân bổ không đều sau khi optimize:")
print(f"Expected Return: {unequal_ret_opt:.4f}")
print(f"Standard Deviation: {unequal_std_opt:.4f}")
print(f"Sharpe Ratio: {unequal_sharpe_opt:.4f}")

# In ra phân bổ tối ưu cho cả hai portfolio
print("\nPhân bổ tối ưu cho portfolio đều:")
for ticker, weight in zip(tickers, equal_weights_opt.values()):
    print(f"{ticker}: {weight:.4f}")

print("\nPhân bổ tối ưu cho portfolio không đều:")
for ticker, weight in zip(tickers, unequal_weights_opt.values()):
    print(f"{ticker}: {weight:.4f}")