Phân tích danh mục đầu tư với Python – Dữ liệu, hiệu suất, phân bổ

# Phân tích danh mục đầu tư với Python – Dữ liệu, hiệu suất, phân bổ Phân tích danh mục đầu tư là một phần quan trọng trong quản lý tài chính. Với Python, chúng ta có thể thực hiện các phân tích phức tạp một cách hiệu quả. Bài viết này sẽ hướng dẫn bạn cách sử dụng Python để phân tích danh mục đầu tư từ việc thu thập dữ liệu đến đánh giá hiệu suất và tối ưu hóa phân bổ. ## 1. Thu thập dữ liệu ### Cài đặt thư viện cần thiết ```bash pip install yfinance pandas numpy matplotlib seaborn scipy ``` ### Sử dụng yfinance để lấy dữ liệu chứng khoán ```python import yfinance as yf import pandas as pd import numpy as np import matplotlib.pyplot as plt import seaborn as sns from scipy.optimize import minimize # Định nghĩa danh mục đầu tư portfolio = { 'AAPL': 0.3, # Apple 'MSFT': 0.3, # Microsoft 'GOOGL': 0.2, # Google 'AMZN': 0.2 # Amazon } # Lấy dữ liệu lịch sử data = pd.DataFrame() for ticker in portfolio.keys(): stock = yf.Ticker(ticker) hist = stock.history(period='1y') data[ticker] = hist['Close'] # Tính toán lợi nhuận hàng ngày returns = data.pct_change() # Hiển thị dữ liệu print("Dữ liệu giá đóng cửa:") print(data.head()) print("\nLợi nhuận hàng ngày:") print(returns.head()) ```  ## 2. Phân tích hiệu suất ### Tính toán các chỉ số quan trọng ```python # Lợi nhuận trung bình hàng năm annual_returns = returns.mean() * 252 # Độ lệch chuẩn (rủi ro) volatility = returns.std() * np.sqrt(252) # Tỷ lệ Sharpe (giả sử lãi suất phi rủi ro là 0.02) risk_free_rate = 0.02 sharpe_ratio = (annual_returns - risk_free_rate) / volatility # Tạo bảng tổng hợp performance = pd.DataFrame({ 'Lợi nhuận hàng năm': annual_returns, 'Độ biến động': volatility, 'Tỷ lệ Sharpe': sharpe_ratio }) # Hiển thị kết quả print("\nPhân tích hiệu suất:") print(performance) # Vẽ biểu đồ so sánh plt.figure(figsize=(12, 6)) performance['Lợi nhuận hàng năm'].plot(kind='bar') plt.title('Lợi nhuận hàng năm của các tài sản') plt.xticks(rotation=45) plt.tight_layout() plt.show() ```  ## 3. Phân tích tương quan ### Xem xét mối quan hệ giữa các tài sản ```python # Ma trận tương quan correlation_matrix = returns.corr() # Vẽ biểu đồ nhiệt plt.figure(figsize=(10, 8)) sns.heatmap(correlation_matrix, annot=True, cmap='coolwarm', center=0) plt.title('Ma trận tương quan giữa các tài sản') plt.tight_layout() plt.show() # Vẽ biểu đồ phân tán sns.pairplot(returns) plt.suptitle('Phân tích phân tán giữa các tài sản', y=1.02) plt.show() ```  ## 4. Tối ưu hóa danh mục đầu tư ### Sử dụng Modern Portfolio Theory (MPT) ```python def portfolio_volatility(weights, returns): return np.sqrt(np.dot(weights.T, np.dot(returns.cov() * 252, weights))) def negative_sharpe(weights, returns, risk_free_rate): returns_array = returns.mean() * 252 volatility = portfolio_volatility(weights, returns) return -(returns_array.dot(weights) - risk_free_rate) / volatility # Tối ưu hóa danh mục n_assets = len(portfolio) constraints = ({'type': 'eq', 'fun': lambda x: np.sum(x) - 1}) bounds = tuple((0, 1) for _ in range(n_assets)) initial_weights = np.array([1/n_assets] * n_assets) optimal_weights = minimize( negative_sharpe, initial_weights, args=(returns, risk_free_rate), method='SLSQP', bounds=bounds, constraints=constraints ) # Hiển thị kết quả tối ưu print("\nPhân bổ tài sản tối ưu:") for ticker, weight in zip(portfolio.keys(), optimal_weights.x): print(f"{ticker}: {weight:.2%}") # Vẽ biểu đồ phân bổ plt.figure(figsize=(10, 6)) plt.pie(optimal_weights.x, labels=portfolio.keys(), autopct='%1.1f%%') plt.title('Phân bổ tài sản tối ưu') plt.show() ```  ## 5. Phân tích rủi ro ### Đánh giá rủi ro danh mục ```python # Value at Risk (VaR) def calculate_var(returns, weights, confidence_level=0.95): portfolio_returns = returns.dot(weights) return np.percentile(portfolio_returns, (1 - confidence_level) * 100) # Expected Shortfall (ES) def calculate_es(returns, weights, confidence_level=0.95): portfolio_returns = returns.dot(weights) var = calculate_var(returns, weights, confidence_level) return portfolio_returns[portfolio_returns <= var].mean() # Tính toán các chỉ số rủi ro var_95 = calculate_var(returns, optimal_weights.x) es_95 = calculate_es(returns, optimal_weights.x) print(f"\nValue at Risk (95%): {var_95:.2%}") print(f"Expected Shortfall (95%): {es_95:.2%}") # Vẽ biểu đồ phân phối lợi nhuận portfolio_returns = returns.dot(optimal_weights.x) plt.figure(figsize=(10, 6)) sns.histplot(portfolio_returns, kde=True) plt.axvline(var_95, color='r', linestyle='--', label=f'VaR (95%): {var_95:.2%}') plt.axvline(es_95, color='g', linestyle='--', label=f'ES (95%): {es_95:.2%}') plt.title('Phân phối lợi nhuận danh mục') plt.xlabel('Lợi nhuận') plt.ylabel('Tần suất') plt.legend() plt.show() ```  ## 6. Trực quan hóa kết quả ### Tạo biểu đồ hiệu suất và phân bổ ```python # Biểu đồ hiệu suất tích lũy cumulative_returns = (1 + returns).cumprod() plt.figure(figsize=(12, 6)) for column in cumulative_returns.columns: plt.plot(cumulative_returns.index, cumulative_returns[column], label=column) plt.title('Hiệu suất tích lũy của danh mục') plt.xlabel('Ngày') plt.ylabel('Hiệu suất tích lũy') plt.legend() plt.grid(True) plt.show() # Biểu đồ phân bổ tài sản plt.figure(figsize=(10, 6)) plt.pie(optimal_weights.x, labels=portfolio.keys(), autopct='%1.1f%%') plt.title('Phân bổ tài sản tối ưu') plt.show() # Biểu đồ so sánh hiệu suất plt.figure(figsize=(12, 6)) performance['Lợi nhuận hàng năm'].plot(kind='bar') plt.title('So sánh lợi nhuận hàng năm') plt.xlabel('Tài sản') plt.ylabel('Lợi nhuận hàng năm') plt.xticks(rotation=45) plt.grid(True) plt.show() ```  ## Kết luận Phân tích danh mục đầu tư với Python cung cấp cho chúng ta các công cụ mạnh mẽ để: - Thu thập và xử lý dữ liệu thị trường - Đánh giá hiệu suất và rủi ro - Tối ưu hóa phân bổ tài sản - Trực quan hóa kết quả Việc kết hợp các thư viện như pandas, numpy, yfinance và matplotlib cho phép chúng ta thực hiện các phân tích phức tạp một cách hiệu quả và dễ hiểu. ## Tài liệu tham khảo - [Pandas Documentation](https://pandas.pydata.org/) - [Yfinance Documentation](https://pypi.org/project/yfinance/) - [Modern Portfolio Theory](https://en.wikipedia.org/wiki/Modern_portfolio_theory) - [Value at Risk](https://en.wikipedia.org/wiki/Value_at_risk)