Forum >> Principianti >> E' un modello che girerebbe??????

Pagina: 1

ragazzi sono un laureando magistrale e come tesi dovrei implementare un modello di gestione di un portafoglio azionari con titioli da me scelti, mediante l'utilizzo di Python
nvidia

coca cola

tesla

eni

meta pltaform

brunello cucinelli




Ora essendo io completamente ebete ed inesperto, provado a smanettare con python ho tirato giù qualche stringa di codice (grazie anche ai vari video tutorial).


import yfinance as yf

import numpy as np

import pandas as pd

import matplotlib.pyplot as plt




# Lista di ticker azionari

tickers = ['AAPL', 'MSFT', 'GOOGL', 'AMZN', 'TSLA']




# Scarica i dati dei prezzi storici (5 anni di dati)

data = yf.download(tickers, start="2019-01-01", end="2024-01-01")['Adj Close']




# Calcolo dei rendimenti giornalieri

returns = data.pct_change().dropna()




# Numero di azioni nel portafoglio

num_assets = len(tickers)




# Numero di portafogli da simulare

num_portfolios = 10000




# Array per memorizzare risultati

results = np.zeros((3, num_portfolios))

weights_record = []




# Simulazione dei portafogli

for i in range(num_portfolios):

# Generazione di pesi casuali

weights = np.random.random(num_assets)

weights /= np.sum(weights) # Normalizzazione: la somma dei pesi è 1

weights_record.append(weights)



# Calcolo rendimento atteso e volatilità (std) del portafoglio

portfolio_return = np.sum(weights * returns.mean()) * 252 # Annualizzato

portfolio_volatility = np.sqrt(np.dot(weights.T, np.dot(returns.cov() * 252, weights))) # Annualizzato



# Sharpe Ratio (considerando un tasso privo di rischio pari a 0)

sharpe_ratio = portfolio_return / portfolio_volatility



# Memorizza rendimento, volatilità e Sharpe ratio

results[0,i] = portfolio_return

results[1,i] = portfolio_volatility

results[2,i] = sharpe_ratio




# Trovare il portafoglio con il più alto Sharpe Ratio

max_sharpe_idx = np.argmax(results2)

best_weights = weights_recordmax sharpe idx




# Trovare il portafoglio con la minore volatilità

min_volatility_idx = np.argmin(results1)




# Plotting dei risultati

plt.scatter(results[1,:], results[0,:], c=results[2,:], cmap='YlGnBu', marker='o')

plt.colorbar(label='Sharpe Ratio')

plt.scatter(results[1, max_sharpe_idx], results[0, max_sharpe_idx], marker='*', color='r', s=500, label='Miglior Sharpe Ratio')

plt.scatter(results[1, min_volatility_idx], results[0, min_volatility_idx], marker='*', color='g', s=500, label='Minima Volatilità')

plt.title('Simulazione di Portafogli')

plt.xlabel('Volatilità')

plt.ylabel('Rendimento Atteso')

plt.legend()

plt.show()




# Stampa dei risultati

print("Portafoglio con miglior Sharpe Ratio:")

print(f"Rendimento atteso: {results[0, max_sharpe_idx]:.2f}")

print(f"Volatilità: {results[1, max_sharpe_idx]:.2f}")

print(f"Pesi: {best_weights}")


questo è più o meno il risultato, qualche buon anima e innovatore del nostro mondo può aiutare un uomo in pena con qualche dritta e consiglio?
l' obiettivo oltre è valutare la performance in un arco temporale indicativo di 6 mesi da maggio ad oggi.


vi amooo



Ciao caro, dopo un'aggiustatina qua e la al codice e una razionalizzazione dei metodi (per mia comodità lo ammetto), si ottengono questi risultati:

Portafoglio con miglior Sharpe Ratio:
Rendimento atteso: 0.46
Volatilità: 0.17
Pesi:
NVDA: 0.49%
KO: 48.86%
TSLA: 10.83%
ENI.MI: 18.15%
META: 17.77%
BC.MI: 3.90%

Portafoglio con minima volatilità:
Rendimento atteso: 0.08
Volatilità: 0.12
Pesi:
NVDA: 9.41%
KO: 33.57%
TSLA: 52.92%
ENI.MI: 1.35%
META: 0.88%
BC.MI: 1.87%




Trovi qui il codice

Cya


Pagina: 1



Esegui il login per scrivere una risposta.