apis/examples_python/markowitz_8py_source.html

가져오기os

가져오기sys

from수학가져오기팹

가져오기matplotlib.pyplotasplt

from게임가져오기GamsModifier, GamsWorkspace

frompathlib가져오기경로

가져오기셔틸


GAMS_MODEL ="""

설정

s '선택된 주식'

upper(s,s) '코바르 행렬의 일부'

lower(s,s) '코바르 행렬의 일부';


별칭(s,t);


매개변수

'일일 수익률 평균'을 의미합니다.

covar(s,s) '수익률의 공분산 행렬(상위)';


$데이터가 설정되지 않은 경우 $abort '제공된 데이터 파일에 대한 포함 파일 이름이 없습니다'

$gdxIn %data%

$load s covar 상하 평균

$gdxIn


변수

z '객관 변수'

ret '반환'

var '분산'

x(s) '투자';


양수 변수 x;


수식

obj '목적'

예산

varcon '변동 제약조건'

retcon '반환 제약';


스칼라 람다 / 0 /;


obj.. z =e= 람다*ret - (1-람다)*var;


예산.. 합계(s, x(s)) =e= 1.0;


varcon.. var =e= sum(upper(s,t), x(s)*covar(s,t)*x(t)) +

sum(lower(s,t), x(s)*covar(t,s)*x(t));


retcon..ret =e= 합계(들, 평균(들)*x(들));


모델 마코비츠 / 모두 /;

"""


if__name__ =="__main__":

sys_dir = sys.argv[1]iflen(sys.argv) > 1그밖에 없음

work_dir = sys.argv[2]iflen(sys.argv) > 2그밖에 "."

ws = GamsWorkspace(system_directory=sys_dir,working_directory=work_dir)


작업 = ws.add_job_from_string(GAMS_MODEL)

opt = ws.add_options()

opt.all_model_types ="conopt"


shutil.copy(

경로(ws.system_directory,"api파일", "데이터", "markowitz.gdx"),

경로(ws.working_directory,"markowitz.gdx"),

    )


markowitz_path = 경로(ws.working_directory,"markowitz.gdx").resolve()

opt.defines["데이터"] = f'"markowitz_path"'


cp = ws.add_checkpoint()

job.run(opt, cp)

mi = cp.add_modelinstance()

l = mi.sync_db.add_parameter("람다", 0,"")

mi.instantiate("markowitz는 nlp max z를 사용합니다", GamsModifier(l))


    # 데이터 포인트 수집을 위한 목록

data_points = []


    # 최소 및 최대 수익 얻기 (lambda=0/1)

l.add_record().value = 0

mi.solve()

min_ret = mi.sync_db["ret"].first_record().level

data_points.append((min_ret, mi.sync_db["var"].first_record().level))

l.first_record().value = 1

mi.solve()

max_ret = mi.sync_db["ret"].first_record().level

data_points.append((max_ret, mi.sync_db["var"].first_record().level))


    # 두 데이터 포인트 사이의 최대 거리(반환)를 지정하는 간격

간격 = 0.02


    # 간격 목록(스택), 여기서 간격은 두 개의 데이터 포인트를 포함하는 2-튜플로 표시됩니다.

    # 각각은 2-튜플로 표현됨(람다, 리턴)

간격 = [((0.0, min_ret), (1.0, max_ret))]


    # 여러 람다 값에 대한 모델 인스턴스를 해결하는 알고리즘

    # 부드러운 그래프를 얻기 위해 두 데이터 포인트 사이의 최대 간격을 사용

    # 람다는 데이터 포인트의 균일한 분포를 위해 동적으로 계산됩니다.

    그동안간격:

        # 첫 번째 간격을 선택하고 람다의 새 값을 계산합니다.

i = 간격.팝()

min_l, min_ret = i[0][0], i[0][1]

max_l, max_ret = i[1][0], i[1][1]


l_val = (min_l + max_l) / 2

l.first_record().value = l_val


        # 새로운 람다 값으로 모델 인스턴스를 해결

mi.solve()


        # 반환 및 차이 결과 검색

cur_ret = mi.sync_db["ret"].first_record().level

data_points.append((cur_ret, mi.sync_db["var"].first_record().level))


        # 간격이 여전히 큰 경우 새 간격을 추가

        iffabs(cur_ret - min_ret) > 간격:

intervals.append(((min_l, min_ret), (l_val, cur_ret)))

        iffabs(cur_ret - max_ret) > 간격:

intervals.append(((l_val, cur_ret), (max_l, max_ret)))


    # 데이터 포인트를 정렬하고 플롯 기능을 위한 두 개의 목록을 만듭니다

data_points.sort(키=람다tup: tup[0])

ret = [x[0]forxin데이터_포인트]

var = [x[1]용x에데이터_포인트]

plt.plot(ret, var, marker=".", 마커 크기=10)

plt.xlabel("반환")

plt.ylabel("변수")

plt.savefig(경로(ws.working_directory,"그림"))