포트폴리오 최적화는 포트폴리오 내 자산을 특정 목표를 충족시키기 위해 할당하는 방법입니다. 예를 들어, 이는 리스크를 최소화하고 수익을 극대화하는 목표로 자산 포트폴리오를 구성하는 데 사용할 수 있습니다.
포트폴리오 최적화는 정기적으로 주식 포트폴리오를 리밸런싱하는 유용한 기술일 수 있습니다. 이 접근 방식을 통해 우리는 포트폴리오의 원하는 목표를 달성하기 위해 가장 최적의 방법으로 주식을 매수하고 매도할 수 있습니다.
이 글에서는 Python과 PyBroker를 사용하여 매월 초에 포트폴리오를 리밸런싱하는 거래 전략을 시뮬레이션하는 방법을 살펴볼 것입니다.
설정
거래 전략을 시뮬레이션하기 위해서는 Python에서 백테스팅 프레임워크를 사용할 수 있습니다. 우리는 트레이딩 전략을 개발하기 위한 오픈소스 Python 프레임워크인 PyBroker을 사용할 것입니다. PyBroker을 사용하기 위해 아래의 명령어를 터미널에 입력하여 라이브러리를 설치할 수 있습니다:
pip install -U lib-pybroker
그 다음으로, 우리가 PyBroker에서 구현할 전략을 위해 포트폴리오 최적화를 수행할 수 있는 Riskfolio-Lib을 설치해봅시다.
pip install -U riskfolio-lib
위의 패키지를 설치한 후, 필요한 라이브러리를 import하여 새 노트북을 만들어봅시다:
import pandas as pd
import pybroker as pyb
import riskfolio as rp
from datetime import datetime
from pybroker import ExecContext, Strategy, YFinance
또한 PyBroker에서 데이터 캐싱을 활성화할 수도 있습니다. 이렇게 하면 Yahoo Finance로부터 다운로드된 히스토리컬 데이터가 캐싱되어 전략을 테스트할 수 있습니다:
pyb.enable_data_source_cache("rebalancing");
Positions Rebalancing
우리는 PyBroker를 사용하여 매달 처음에 길이만 있는 포트폴리오를 동일한 포지션 사이징을 사용하여 리밸런싱(rebalancing)하는 간단한 전략을 작성해 보겠습니다. 말하자면, 매월 초에 우리 전략은 포트폴리오의 각 주식이 대략적으로 동일한 할당을 갖도록 충분한 주식을 매수하거나 매도할 것입니다.
먼저, 주식의 목표 할당에 도달하기 위해 주식의 충분한 주식을 매수하거나 매도할 수 있는 함수를 구현하는 것으로 시작합니다.
def set_target_shares(
ctxs: dict[str, ExecContext], # 종목 심볼 -> 실행 컨텍스트
targets: dict[str, float] # 종목 심볼 -> 목표 가중치
):
for symbol, target in targets.items():
ctx = ctxs[symbol]
# 목표 가중치를 사용하여 목표 주식수 계산
target_shares = ctx.calc_target_shares(target)
pos = ctx.long_pos()
# 현재 해당 종목의 매수 포지션이 없는 경우 매수
if pos is None:
ctx.buy_shares = target_shares
# 아니면, 목표치에 도달할 만큼 주식을 매수
elif pos.shares < target_shares:
ctx.buy_shares = target_shares - pos.shares
# 현재 할당이 목표 수준을 초과하는 경우, 충분한 주식 매도
elif pos.shares > target_shares:
ctx.sell_shares = pos.shares - target_shares
현재 할당이 목표 수준을 초과하면 해당 자산의 필요 주식을 판매하고, 현재 할당이 목표 수준 미만이면 해당 자산의 필요 주식을 구매하는 함수입니다.
다음으로 매월 초에 각 주식을 동일 비중으로 타겟팅하는 리밸런싱 함수를 작성합니다:
def rebalance(ctxs: dict[str, ExecContext]):
if start_of_month(ctxs):
target = 1 / len(ctxs) # 동일 가중치
set_target_shares(ctxs, {symbol: target for symbol in ctxs.keys()})
그럼 이제 새로운 달의 시작을 감지하는 도우미 함수를 구현해 봅시다:
def start_of_month(ctxs: dict[str, ExecContext]) -> bool:
dt = tuple(ctxs.values())[0].dt
if dt.month != pyb.param('current_month'):
pyb.param('current_month', dt.month)
return True
return False
이제 이러한 함수들을 사용하여 다섯 가지 주식 포트폴리오를 위한 리밸런싱 전략을 백테스트할 수 있습니다.
strategy = Strategy(YFinance(), (start_date = "1/1/2018"), (end_date = "1/1/2023"));
strategy.add_execution(None, ["TSLA", "NFLX", "AAPL", "NVDA", "AMZN"]);
strategy.set_after_exec(rebalance);
result = strategy.backtest();
백테스트를 실행한 후에는 주문 목록을 확인할 수 있습니다:
result.orders;
type symbol date shares limit_price fill_price fees
id
1 buy NFLX 2018-01-03 99 NaN 203.86 0.0
2 buy AAPL 2018-01-03 464 NaN 43.31 0.0
3 buy TSLA 2018-01-03 935 NaN 21.36 0.0
4 buy AMZN 2018-01-03 336 NaN 59.84 0.0
5 buy NVDA 2018-01-03 376 NaN 52.18 0.0
... ... ... ... ... ... ... ...
292 sell NFLX 2022-12-02 15 NaN 315.99 0.0
293 sell NVDA 2022-12-02 97 NaN 166.89 0.0
294 buy AAPL 2022-12-02 27 NaN 146.82 0.0
295 buy TSLA 2022-12-02 70 NaN 193.68 0.0
296 buy AMZN 2022-12-02 41 NaN 94.57 0.0
그리고 우리의 전략을 평가하기 위한 성능 지표를 확인할 수 있습니다:
result.metrics_df;
trade_count 207.000000
initial_market_value 100000.000000
end_market_value 320498.810000
total_pnl 305804.840000
total_return_pct 305.804840
max_drawdown -332039.770000
max_drawdown_pct -52.068777
포트폴리오 최적화 사용
포트폴리오에서 각 주식을 동일한 포지션 크기로 할당하는 대신, 포트폴리오 최적화를 사용하여 각 주식의 할당을 결정해 보겠습니다.
Riskfolio-Lib을 사용하여 포트폴리오에서 각 주식에 할당해야 하는 금액을 최소화하여 리스크를 계산할 수 있어요. 이것은 각 주식과 연관된 과거 리스크를 측정함으로써 할 수 있어요.
조건부 가치위험(CVaR)은 각 주식의 위험을 평가하는 한 가지 방법이에요. 특정 확률 수준 이상의 최악의 시나리오에서 예상 손실을 제공해요. 예를 들어, CVaR은 95% 신뢰 수준을 고려할 때 시나리오 중 최악의 5%에서의 평균 손실을 추정할 수 있어요.
아래에서는 작년의 수익률을 사용하여 CVaR을 최소화하고 포트폴리오에 할당하기 위해 RiskFolio-Lib을 사용했어요.
pyb.param('lookback', 252) # 작년의 수익률 사용 -> 252 바.
def calculate_returns(ctxs: dict[str, ExecContext], lookback: int):
prices = {}
for ctx in ctxs.values():
prices[ctx.symbol] = ctx.adj_close[-lookback:]
df = pd.DataFrame(prices)
return df.pct_change().dropna()
def optimization(ctxs: dict[str, ExecContext]):
if start_of_month(ctxs):
Y = calculate_returns(ctxs, lookback)
port = rp.Portfolio(returns=Y)
port.assets_stats(method_mu='hist', method_cov='hist', d=0.94)
# CVaR을 최소화한 후 목표 가중치 얻기.
w = port.optimization(
model='Classic',
rm='CVaR',
obj='MinRisk',
rf=0, # 무위험 이자율.
l=0, # 리스크 회피 계수.
hist=True # 과거 시나리오 사용.
)
targets = {
symbol: w.T[symbol].values[0]
for symbol in ctxs.keys()
}
set_target_shares(ctxs, targets)
Riskfolio-Lib의 공식 문서에서 더 많은 정보와 예제를 찾을 수 있어요. 이제 전략의 백테스팅으로 넘어가 볼까요?
strategy.set_after_exec(optimization);
result = strategy.backtest((warmup = pyb.param("lookback")));
여기서는 새 전략의 성과 지표를 확인해 봅시다:
trade_count 100.000000
initial_market_value 100000.000000
end_market_value 201318.070000
total_pnl 139465.420000
total_return_pct 139.465420
max_drawdown -106042.150000
max_drawdown_pct -35.190829
흥미로운 내용이에요! 이 전략을 사용한 수익률이 평균 포지션 사이즈와 비교했을 때 적은 것을 볼 수 있어요 (139% vs 305%), 그런데 최대 손실액은 낮았다는 것도 알 수 있어요 (35% vs 52%). CVaR을 최소화하는 것이 포트폴리오의 전체 수익률을 크게 줄였다는 점을 고려해봤을 때, 이에 따라 포트폴리오의 하락폭도 크게 감소했어요!
그리고 이 글로 마무리 지을게요! 이제 여러분도 포트폴리오 최적화를 자신만의 거래 전략에 사용하는데 충분히 장비가 되었을 거에요. 또한 https://www.pybroker.com에서 PyBroker 사용에 대한 더 많은 튜토리얼을 찾아볼 수 있어요. 모든 코드는 Github 저장소에서 확인할 수 있어요.
읽어 주셔서 감사합니다!