Метод оптимизации инвестиционного пакета на основе портфельной теории Марковица

Цель. Целью исследования является реализация и оценка метода оптимизации на основе портфельной теории Марковица. Метод. Модель построена средствами языка программирования Python и необходимыми библиотеками. Также для решения поставленной задачи использовались принципы финансовой теории – расчет риска покупаемого актива, диверсификация портфеля и принцип оптимальности. Эти принципы составляют основу финансовой теории и помогают принимать обоснованные решения, связанные с инвестициями, финансированием и управлением рисками. Результат. Составлена модель программы, которая на вход принимает исторические данные по изменению стоимости акций разных компаний. После этого происходит расчет оптимального портфеля и выводится в терминал пользователя-инвестора. Портфельная теория Марковица помогает определить оптимальный портфель, который обеспечивает максимальную доходность при заданном уровне риска или минимальный риск при заданной доходности. Оптимальный портфель находится на касательной к кривой безрисковых активов и является наилучшим выбором для инвестора с учетом его предпочтений. Вывод. Разработанная Гарри Марковицем методика формирования инвестиционного портфеля, направленная на оптимальный выбор активов, исходит из требуемого соотношения доходность/риск. Сформулированные им идеи составляют основу современной портфельной теории. Портфельная теория Марковица определяет эффективное множество, которое представляет собой все возможные портфели с различными сочетаниями активов, обеспечивающими одинаковый уровень риска. Инвесторы могут выбирать портфели из этого множества в зависимости от своих личных целей и ограничений. Разнообразие активов в портфеле помогает снизить общий уровень риска и улучшить соотношение доходности и риска.

1. Гитман Л. Дж., Джонк М. Д. Основы инвестирования. Пер. с англ. — М.: Дело, 1997. — 1008 с.

2. Красс М.С., Чупрынов Б.П. Математика для экономистов. - СПб., Питер, 2009. - с. 251.

3. Ю. Ф. Касимов. Основы теории оптимального портфеля ценных бумаг — М: Информационно-издательский дом «Филинъ», 1998. — 144 с.

4. Волкова, П.А. Статистическая обработка данных в учебно-исследовательских работах / П.А. Волкова, А.Б. Шипунов. - М.: Форум, 2012. - 96 c.

5. Большаков А. Методы обработки многомерных данных и временных рядов.- М.: ГЛТ, 2007. - 522 c.

6. Веников В.А., Веников Г.В. Теория подобия и моделирования. – М.: Высшая школа. – 1984. – 439 с.

7. Jansen S. Hands-On Machine Learning for Algorithmic Trading - Бирмингем: Packt Publishing, 2019. – 686 с.

8. Hilpisch Y. Python for Finance: Analyze Big Financial Data – Себастопол: O’Reilly Media, 2015. – 606 с.

9. Булавин Л.А. Компьютерное моделирование физических систем: учебное пособие / Л.А. Булавин, Н.В. Выгорницкий, Н. И. Лебовка – Долгопрудный: Интеллект, 2011. – 349 с.

10. Морозов В.К. Моделирование информационных и динамических систем: учебное пособие для вузов / В.К. Морозов, Г.Н. Рогачов – М.: Академия, 2011. – 377 с.

11. Емельянов В. В., Курейчик В. В., Курейчик В. М. Теория и практика эволюционного моделирования. – М.: Физматлит, 2003. – С. 432.

12. Маккинни У. Python и анализ данных - Москва: ДМК Пресс, 2015. – 482 с.

13. Григорьев, А.А. Методы и алгоритмы обработки данных: Учебное пособие / А.А. Григорьев. - М.: Инфра-М, 2018. - 384 c.

14. Ma Weiming J. Mastering Python for Finance - Бирмингем: Packt Publishing, 2019. – 428 с.

15. Остроух А.В. Ввод и обработка цифровой информации. Учебник - М.: Academia, 2017. - 384 c.

16. Peter Bruce Practical Statistics for Data Scientists: 50+ Essential Concepts Using R and Python - O’Reilly Media, 2017. – 320 с.

17. Seiersen R. The Metrics Manifesto: Confronting Security with Data – Wiley, 2022. – 320 с.

18. Peter C. Bruce Data Mining for Business Analytics: Concepts, Techniques, and Applications – Wiley, 2016. – 560 с.