def test_ledoit_wolf_cor_forecast_days():
sigma, average_cor, shrink = ledoit_wolf.ledoit_wolf_cor(
("MSRS", "MTSS", "PLZL"),
pd.Timestamp("2021-09-30"),
30,
)
sigma2, average_cor2, shrink2 = ledoit_wolf.ledoit_wolf_cor(
("MSRS", "MTSS", "PLZL"),
pd.Timestamp("2021-10-01"),
30,
1,
)
assert np.allclose(sigma, sigma2)
assert average_cor == average_cor2
assert shrink == shrink2
def _opt_weight(
mean: np.array,
variance: np.array,
tickers: tuple[str],
end: pd.Timestamp,
phenotype: PhenotypeData,
) -> tuple[np.array, np.array]:
"""Веса портфеля с максимальными темпами роста и использовавшаяся ковариационная матрица.
Задача максимизации темпов роста портфеля сводится к максимизации математического ожидания
логарифма доходности. Дополнительно накладывается ограничение на полною отсутствие кэша и
неотрицательные веса отдельных активов.
"""
history_days = phenotype["data"]["history_days"]
mean = mean.reshape(-1, 1)
sigma = ledoit_wolf.ledoit_wolf_cor(tickers, end, history_days,
config.FORECAST_DAYS)[0]
std = variance**0.5
sigma = std.reshape(1, -1) * sigma * std.reshape(-1, 1)
w = np.ones_like(mean).flatten()
rez = optimize.minimize(
_make_utility_func(phenotype, mean, sigma),
w,
bounds=[(0, None) for _ in w],
)
return rez.x / rez.x.sum(), sigma
def test_ledoit_wolf_cor():
cor, average_cor, shrink = ledoit_wolf.ledoit_wolf_cor(
("GAZP", "MTSS", "PLZL"),
pd.Timestamp("2020-05-19"),
31,
)
assert cor.shape == (3, 3)
assert np.allclose(cor, cor.transpose())
assert np.allclose(np.diag(cor), 1)
assert np.allclose(average_cor, 0.3451296876579886)
assert np.allclose(average_cor, (cor.sum() - 3) / 6)
assert np.allclose(shrink, 0.5643370267153482)
def test_ledoit_wolf_cor():
cor, average_cor, shrink = ledoit_wolf.ledoit_wolf_cor(
("CHEP", "MTSS", "PLZL"),
pd.Timestamp("2020-05-19"),
31,
)
assert cor.shape == (3, 3)
assert np.allclose(cor, cor.transpose())
assert np.allclose(np.diag(cor), 1)
assert np.allclose(average_cor, 0.3009843442553877)
assert np.allclose(average_cor, (cor.sum() - 3) / 6)
assert np.allclose(shrink, 0.8625220790109036)
def _opt_weight(
mean: np.array,
variance: np.array,
tickers: tuple[str],
end: pd.Timestamp,
phenotype: PhenotypeData,
) -> tuple[np.array, np.array]:
"""Веса портфеля с максимальными темпами роста и использовавшаяся ковариационная матрица.
Задача максимизации темпов роста портфеля сводится к максимизации математического ожидания
логарифма доходности. Дополнительно накладывается ограничение на полною отсутствие кэша и
неотрицательные веса отдельных активов.
"""
history_days = phenotype["data"]["history_days"]
mean = mean.reshape(-1, 1)
sigma = ledoit_wolf.ledoit_wolf_cor(tickers, end, history_days, config.FORECAST_DAYS)[0]
std = variance**0.5
sigma = std.reshape(1, -1) * sigma * std.reshape(-1, 1)
w = np.ones_like(mean).flatten()
rez = optimize.minimize(
lambda x: -(x.reshape(1, -1) @ mean).item(),
w,
jac=lambda x: -mean.flatten(),
method="SLSQP",
bounds=[(0, None) for _ in w],
constraints=[
{
"type": "eq",
"fun": lambda x: x.sum() - 1,
"jac": lambda x: np.ones_like(x),
},
{
"type": "ineq",
"fun": lambda x: phenotype["utility"]["max_std"] ** 2
- (x.reshape(1, -1) @ sigma @ x.reshape(-1, 1)).item(),
"jac": lambda x: (-2 * sigma @ x.reshape(-1, 1)).flatten(),
},
],
)
return rez.x / rez.x.sum(), sigma
def test_forecast():
data = forecast.Forecast(
tickers=TICKERS,
date=DATE,
history_days=30,
mean=MEAN,
std=STD,
max_std=1.1,
)
assert data.cov.shape == (3, 3)
assert np.allclose(np.diag(data.cov), STD.values**2)
assert np.allclose(data.cov, data.cov.transpose())
cor, *_ = ledoit_wolf.ledoit_wolf_cor(TICKERS, DATE, HISTORY_DAYS)
assert np.allclose(
cor, data.cov / STD.values.reshape(1, -1) / STD.values.reshape(-1, 1))
assert np.allclose(data.cor, 0.1605639317251608)
assert np.allclose(data.shrinkage, 1)
def test_forecast():
data = forecast.Forecast(
tickers=TICKERS,
date=DATE,
history_days=30,
mean=MEAN,
std=STD,
risk_aversion=1.1,
error_tolerance=0.2,
)
assert data.cov.shape == (3, 3)
assert np.allclose(np.diag(data.cov), STD.values**2)
assert np.allclose(data.cov, data.cov.transpose())
cor, *_ = ledoit_wolf.ledoit_wolf_cor(TICKERS, DATE, HISTORY_DAYS)
assert np.allclose(
cor, data.cov / STD.values.reshape(1, -1) / STD.values.reshape(-1, 1))
assert np.allclose(data.cor, 0.1579351254545552)
assert np.allclose(data.shrinkage, 0.7074063618114778)
def __post_init__(self):
sigma, self.cor, self.shrinkage = ledoit_wolf_cor(
self.tickers, self.date, self.history_days)
std = self.std.values
self.cov = std.reshape(1, -1) * sigma * std.reshape(-1, 1)