Home - 新人資訊

應用-資產配置管理系統 part.13：再度重組優化，並整合最佳化演算法

改版緣由：

1. 加入「取樣天數」：原本所有績效指標均是從資料庫的起始日 2017 開始起算，導致新的收盤資料加入後，計算基礎變得不一致，越後面加入的資料影響力越小，指標永遠不動如山，有點不合理。雖然本系統的架構著重期間較長，但每月每季的變動還是需要辨識出來比較好，所以預計以「固定天數期間」例如 1000 天為計算基礎，滾動式取樣，這樣比較合理。
2. 降低「google sheet」的依賴：為了加入「取樣天數」這個動態參數，我原本所倚重的 google sheet 力有未殆，若硬去設定一個「超複雜公式」那將造成日後維護的負擔，不宜如此硬幹，且 google sheet 並不提供商用方案，也就是無法藉由付錢提升運算效能，這也困擾我已久。趁此機會來個系統大手術，把這個一大坨的重要運作核心切割置換，這真是挑戰性非常高的工作！為了系統穩定性的提升，我也樂於接受挑戰，鍛鍊我的技術力。
3. 加入 python 技術的出海口 flask：要將原本串連 google sheet 的一大堆公式抽出來計算，鐵定需要許多的矩陣運算，這讓我的 python 不能只是躲在後台背景運行，需要與前端的 web 連動，因此我要搞定 python 的 web 後台接口。經過評估我選擇了 flask，將它納入服役行列是很酷的事情，將徹底解放 python 豐富的生態系能力，透過 web 這價值出海口展現給使用者。上一篇所研究的 portfolio optimization 理論，已經有神人實作成 python package，當然要接進來使用。

經過春假期間的努力，已經完成改版，取樣天數預設 1000 天，就是大約取 4 年的交易資料，每納入新的一天就會同時捨棄最舊的一天。

此外順便加入一個餅圖，非常清晰的呈現眾多標的的組成比重。

接下來的改版重點就是最佳化作業，基本邏輯就是最大化 [報酬/風險]，這個基礎在 1952 年被提出後就沒什麼變過，僅在風險的評估法，和演算法上加入一些新技術。個人實測後主要的心得有兩點：

1. 傳統上用二次規劃最佳化 mean-variance 的算法有兩大缺點：許多標的權重歸零，且變動性較大。這不符合現實，變動性大也代表經常性 re-balance 增加交易成本，問題很大。所以我偏好較新的算法 HRP (Hierarchical Risk Parity，2016 發表)，其特色是先用相關性分群，並持續對子群再分群而成為一顆分群樹，再從分群樹的終端執行最佳化作業，逐層合併到整棵樹，如此所得結果穩定且不會一堆零，相當程度的改善了問題。
2. 必須重視風險過於報酬！傳統算法不管 sharpe or sortino 其分子都是期望報酬，而期望報酬僅僅只是取用歷史報酬為估計量，這就很有問題了，因為歷史績效不代表未來幾績效，這很容易理解。而波動性呢？波動性幾乎是會不斷重演的！從量化分析與經驗都可證明，波動大的股票就一直波動大，牛皮的股票就一直都很牛皮！所以與其最佳化 sharpe 還不如最小化風險，這樣單純且有意義的多了。我也考慮把 sortino 從系統裡移除，這我從前所重視的，以現在的認知倒是不再重要了。

所以以下畫面著重顯示左邊的風險矩陣，和右邊的建議權重。這樣系統裡的管理重點，除了本來的主觀的權重設定，和實際部位的持有比例，現在又加入了最佳化理論的建議值，越來越複雜了！天下沒有白吃的午餐，如果想無腦投資，憑什麼得到超額報酬？投資組合的配比，實行起來優雅簡單，但背後的理論基礎是很深厚的，也只有認知夠強，才可以讓部位安心的放大。HRP 在運算分群時，就是僅考慮相關性而沒有考慮報酬，層層往上合併時應該也是，我將會找時間進一步分解演算法細節。

在近況分析中也加入一個 pie chart，表達實際部位的組成。

此外許多變動在畫面上看不出來，後台卻已經歷一輪的天翻地覆！整個 google sheet 大部分都被我閹割掉了，從原本的 5 頁密密麻麻的公式，減到剩下一頁 price raw data。flask 的文件從頭 k 到尾已經大致掌握了，python 雖被詬病運算效率較差，但其矩陣運算的能力是令人激賞的，系統主頁中呈現 portfolio 全部的資訊，因為要傳入 sample days 參數，所有都要 real-time 運算，python 運行在最便宜的運端主機還能做到快速回應，比原本讀取 google sheet 還快，表現超越我的預期。

以上，系統已經非常接近可以向外推廣的階段了，有興趣的朋友歡迎來試用，試用期間隨時可能終止。認識璞玉的人能享有對大的利益，投資的奧義莫過於此，這是人生的大事，關係到青春歲月不可輕忽，比追求高薪還重要，共勉之。

Newman 2023/4/7