portfolio

投资组合——投资组合定量优化

此技能基于课程资料（notebook Clase_08_teoria_2025_portafolio.ipynb 和 PDF Portafolios 2025 Ucema.pdf），实现了 3 种投资组合优化方法：

1. Markowitz / 均值-方差 — 通过 scipy.optimize 进行凸优化
   • 蒙特卡洛模拟 + 有效前沿 + CML。
2. Black-Litterman — 将市场均衡收益（反向 CAPM）与投资者观点进行贝叶斯组合，其中包括不确定性矩阵 Ω（Idzorek 方法）。
3. HRP / HERC / NCO — 通过聚类（single/complete/average/ward）、风险平价和带约束的 NCO 构建层次化投资组合。

所有脚本仅使用 numpy、pandas 和 scipy。无需繁重依赖。 此技能独立运行：无需 skills/backtesting。

如需了解优化后的绩效比率（Sharpe、Sortino、VaR、回撤等），请参阅姊妹技能： skills/backtesting。

属于 Gauss314 Skills Repository 的一部分。

---

文件概览

skills/portfolio/
├── SKILL.md                           ← Este archivo
├── references/
│   ├── PORTFOLIO_THEORY.md            ← MPT, Markowitz, frontera eficiente (ES)
│   ├── BLACK_LITTERMAN.md             ← BL: prior, views, posterior, omega (ES)
│   ├── HIERARCHICAL.md                ← HRP, HERC, NCO, clustering (ES)
│   └── RISK_MEASURES.md               ← VaR, CVaR, MAD, MSV, DR, MDD (ES)
├── assets/
│   ├── sample_prices.csv              ← Precios multi-activo para ejemplos
│   ├── sample_returns.csv             ← Retornos multi-activo
│   ├── sample_mcaps.json              ← Market caps para Black-Litterman
│   └── defaults.json                  ← Parámetros default
├── scripts/
│   ├── __init__.py
│   ├── portfolio.py                   ← Core: Markowitz, Sharpe, Monte Carlo, frontera
│   ├── black_litterman.py             ← BL: prior, posterior, omega, views
│   ├── hierarchical.py                ← HRP/HERC/NCO: clustering, risk parity, constraints
│   ├── risk_measures.py               ← VaR, CVaR, MAD, MSV, MDD, DR
│   ├── covariance.py                  ← Covarianza: hist, ledoit-wolf, oas, ewma
│   └── cli.py                         ← CLI unificada (12 modos)
└── tests/
    ├── __init__.py
    └── test_portfolio.py              ← Tests + validación contra notebook

各脚本的功能

脚本	作用	主要函数
portfolio.py	Markowitz 优化核心	max_sharpe_optim、min_variance_optim、random_portfolios、efficient_frontier、cml_portfolio、asset_stats
black_litterman.py	完整的 Black-Litterman 实现	market_implied_risk_aversion、market_implied_prior_returns、bl_posterior_returns、omega_idzorek
hierarchical.py	HRP / HERC / NCO	hrp_portfolio、herc_portfolio、nco_portfolio、nco_with_constraints、hrp_constraints
risk_measures.py	风险度量	var_historic、cvar、max_drawdown、cdar、diversification_ratio、risk_contribution
covariance.py	协方差估计	cov_hist、cov_ledoit_wolf、cov_oas、cov_ewma

---

快速开始

Markowitz（scipy.optimize）

# Max Sharpe con 3 activos
py scripts/cli.py markowitz --assets assets/sample_returns.csv

# Con tasa libre de riesgo personalizada
py scripts/cli.py markowitz --assets assets/sample_returns.csv --rf 0.05

# Estadísticas individuales
py scripts/cli.py stats --assets assets/sample_returns.csv

蒙特卡洛

# Simular 10.000 carteras aleatorias
py scripts/cli.py montecarlo --assets assets/sample_returns.csv

# Guardar frontera a CSV
py scripts/cli.py montecarlo --assets assets/sample_returns.csv --save frontier.csv

有效前沿

py scripts/cli.py frontier --assets assets/sample_returns.csv --n 50

CML——杠杆与去杠杆

将切点投资组合（最大 Sharpe）与无风险资产组合，即可在保持相同 Sharpe 比率的前提下，得到资本市场线（CML）上的任意点。

# Portafolio tangente puro (w=1)
py scripts/cli.py cml --assets assets/sample_returns.csv --weight 1.0

# Deleverage: 60% en tangencia, 40% en Rf (menos riesgo, mismo Sharpe)
py scripts/cli.py cml --assets assets/sample_returns.csv --weight 0.6

# Leverage: pide prestado 50% a Rf, invierte 150% en tangencia (más riesgo, mismo Sharpe)
py scripts/cli.py cml --assets assets/sample_returns.csv --weight 1.5

Black-Litterman

# Prior: retornos implícitos de mercado (CAPM inverso)
py scripts/cli.py bl-prior --assets assets/sample_returns.csv --market-prices assets/sample_prices.csv --mcaps assets/sample_mcaps.json

# BL completo con views + optimización
py scripts/cli.py bl --assets assets/sample_returns.csv --market-prices assets/sample_prices.csv --mcaps assets/sample_mcaps.json --views '{"BMA": 0.25, "LOMA": 0.4, "MELI": -0.1}' --confidences "0.3,0.5,0.8" --optimize

HRP / HERC / NCO

# Hierarchical Risk Parity
py scripts/cli.py hrp --assets assets/sample_returns.csv

# Nested Clustered Optimization
py scripts/cli.py nco --assets assets/sample_returns.csv --clusters 3

# NCO con restricciones
py scripts/cli.py nco-con --assets assets/sample_returns.csv --constraints assets/sample_constraints.csv --classes assets/sample_classes.csv

风险

# Todas las medidas de riesgo
py scripts/cli.py risk --prices assets/sample_prices.csv

# Medida específica
py scripts/cli.py risk --prices assets/sample_prices.csv --measure var

---

作为库使用

from scripts.portfolio import *
from scripts.black_litterman import *
from scripts.hierarchical import *

import numpy as np

# --- Markowitz ---
rets = pd.read_csv('assets/sample_returns.csv', index_col=0)
result = max_sharpe_optim(rets, rf=0.045)
print(result['weights'], result['sharpe'])  # pesos óptimos, Sharpe

# --- CML: leverage/deleverage ---
# 60% en tangencia, 40% en Rf (deleverage)
cml = cml_portfolio(rets, rf=0.045, weight_tangency=0.6)
print(cml['ret'], cml['vol'], cml['sharpe'])  # mismo Sharpe que el tangente

# Leverage: 150% en tangencia (pide prestado 50% a Rf)
cml2 = cml_portfolio(rets, rf=0.045, weight_tangency=1.5)
print(cml2['ret'], cml2['vol'], cml2['sharpe'])  # mismo Sharpe

# --- Monte Carlo ---
port_df = random_portfolios(rets, n_portfolios=10000, rf=0.045)
best = port_df.loc[port_df['sharpe'].idxmax()]
print(best['weights'])  # mejor combinación Monte Carlo

# --- Black-Litterman ---
import json
with open('assets/sample_mcaps.json') as f:
    mcaps = json.load(f)
spy = pd.read_csv('assets/sample_prices.csv')['SPY'].pct_change().dropna()
bl_result = bl_pipeline(rets, spy.values, mcaps,
                        view_dict={'BMA': 0.25, 'LOMA': 0.4},
                        view_confidences=[0.3, 0.5], rf=0.045)
print(bl_result['posterior'])  # retornos a posteriori

# --- HRP ---
hrp_result = hrp_portfolio(rets, linkage_method='ward')
print(hrp_result['weights'])  # pesos HRP

---

依赖项

库	必需	用途
numpy	✅	向量化计算、线性代数
pandas	✅	CSV I/O、DataFrame
scipy	✅	optimize（Markowitz）、cluster.hierarchy（HRP/NCO）、stats

无需 Riskfolio-Lib、PyPortfolioOpt、sklearn、cvxpy 或 arch。

可选地使用 matplotlib 进行可视化（树状图、有效前沿）。绘图示例见参考 notebook。

---

理论参考

• Markowitz（1952）："Portfolio Selection"，Journal of Finance。
• Black & Litterman（1992）："Global Portfolio Optimization"，Financial Analysts Journal。
• Idzorek（2005）："A Step-by-Step Guide to the Black-Litterman Model"。
• Lopez de Prado（2016）："Building Diversified Portfolios that Outperform Out of Sample"（HRP）。
• De Prado（2019）："Nested Clustered Optimization"，SSRN 3469961。
• Pfitzinger & Katzke（2019）："NCO with Constraints"，SSRN 4409173。
• Meucci（2006）："Beyond Black-Litterman: Views on Non-Normal Markets"，SSRN 1213325。
• Avramov（2004）："Bayesian Variable Selection in Portfolio Analysis"，SSRN 3326617。

如需深入了解绩效比率（30 多项指标：Sharpe、Sortino、 VaR、cVaR、Kelly、Rachev、Profit Factor 等）和策略的回测： skills/backtesting。

---

参考 Notebook

此技能的理论内容和数值示例基于：

• temp/Clase_08_teoria_2025_portafolio.ipynb — Markowitz、Monte Carlo、NCO（Riskfolio-Lib）、Black-Litterman（PyPortfolioOpt）的 Python 实现。
• temp/Portafolios 2025 Ucema.pdf — 理论框架：MPT、CAPM、Fama-French、聚类、NCO、Black-Litterman。

/scripts/ 中的 flat numpy 实现复现了这些 Notebook 的结果，且无需依赖上述库。