Optimización de cartera

1# Instalar la librería PyPortfolioOpt
2!pip install PyPortfolioOpt
3
4# Importar librerías necesarias
5import pypfopt as ppo
6import yfinance as yf
7import pandas as pd
8import numpy as np
9import matplotlib.pyplot as plt
10
11# Importar módulos específicos de PyPortfolioOpt
12from pypfopt import EfficientFrontier
13from pypfopt import risk_models
14from pypfopt import expected_returns
15from pypfopt import objective_functions  # Para la regularización L2
16from pypfopt import plotting
17from pypfopt import HRPOpt

1# Definir los símbolos de las acciones a analizar
2simbolos = ["AAPL", "MSFT", "TSLA", "META", "NVDA"]
3
4# Descargar los datos históricos desde Yahoo Finance
5df = yf.download(simbolos, start='2021-01-01', end='2023-12-31', rounding=True)
6
7# Extraer los precios ajustados
8precios = df['Adj Close']
9
10# Calcular los rendimientos diarios
11rendimientos = precios.pct_change()[1:]
12
13# Calcular los rendimientos esperados (promedio diario)
14rendEsp = rendimientos.mean()
15
16# Mostrar los rendimientos esperados
17print(rendEsp)
18
19# Confirmar el tipo de objeto
20type(rendEsp)  # <class 'pandas.core.series.Series'>

1# Rendimientos esperados diarios simples calculados directamente a partir de los precios ajustados
2# Ticker
3# AAPL    0.000705
4# META    0.000816
5# MSFT    0.000916
6# NVDA    0.002320
7# TSLA    0.000715

1# Calcular los rendimientos esperados anuales utilizando PyPortfolioOpt
2rendEsp1 = expected_returns.mean_historical_return(
3    precios,
4    returns_data=False,
5    compounding=True,
6    frequency=252,
7    log_returns=False
8)
9
10# Mostrar los rendimientos anuales calculados
11print(rendEsp1)
12
13# Graficar los rendimientos esperados como barra horizontal
14rendEsp1.plot(kind="barh")

1# Rendimientos esperados anuales usando retorno histórico medio
2# Ticker 
3# AAPL    0.149113 
4# META    0.096424 
5# MSFT    0.211736 
6# NVDA    0.562126 
7# TSLA    0.007140

1# Calcular el rendimiento histórico medio ponderado exponencialmente
2rendEsp2 = expected_returns.ema_historical_return(
3    precios,
4    returns_data=False,
5    compounding=True,
6    span=500,
7    frequency=252,
8    log_returns=False
9)
10
11# Mostrar los rendimientos calculados
12rendEsp2

1# Rendimientos esperados anuales usando retorno ponderado exponencialmente (EMA)
2# Ticker 
3# AAPL    0.227246 
4# META    0.647593 
5# MSFT    0.341232 
6# NVDA    1.058095 
7# TSLA    0.263132

1# Calcular el rendimiento esperado usando el modelo CAPM
2rendEsp3 = expected_returns.capm_return(
3    precios,
4    market_prices=None,
5    returns_data=False,
6    risk_free_rate=0.02,
7    compounding=True,
8    frequency=252,
9    log_returns=False
10)
11
12# Mostrar los rendimientos calculados
13rendEsp3
14
15# Graficar los rendimientos esperados
16rendEsp3.plot(kind='barh')

1# Calcular matriz de covarianza tradicional
2matrizCov = rendimientos.cov()
3print(matrizCov)
4
5# Calcular matriz de covarianza con PyPortfolioOpt
6matrizCov1 = risk_models.sample_cov(precios)
7print(matrizCov1)
8
9# Graficar matriz de covarianza como matriz de correlación
10plotting.plot_covariance(matrizCov1, plot_correlation=True, show_tickers=True)

1# Calcular la matriz de covarianza usando el método de Ledoit-Wolf
2matrizCov2 = risk_models.CovarianceShrinkage(precios).ledoit_wolf()
3print(matrizCov2)