Quản lý danh mục đầu tư

import pandas as pd
from vnstock_quant import portfolio as pm

# 1. Tính TWR: Cần giá trị danh mục NGAY TRƯỚC mỗi lần nạp rút và dòng tiền phát sinh
# Ví dụ: Ban đầu có 100 triệu, ngày 03/06 nạp thêm 30 triệu (lúc đó tài khoản trị giá 112 triệu), cuối năm đạt 150 triệu
values = pd.Series([100e6, 112e6, 150e6], index=pd.to_datetime(["2024-01-02", "2024-06-03", "2025-01-02"]))
flows = pd.Series([30e6], index=[pd.Timestamp("2024-06-03")])

twr_result = pm.twr(values, flows)
print(f"Lợi suất TWR: {twr_result['twr']:.4f} (Quy đổi theo năm: {twr_result['annualized']:.4f})")

# 2. Tính MWR (IRR): Dòng tiền đứng ở góc nhìn nhà đầu tư (nạp tiền là âm, rút ra/giá trị cuối kỳ là dương)
cash_flows = pd.Series([-100e6, -30e6, 150e6], index=values.index)
mwr_return = pm.mwr(cash_flows)
print(f"Lợi suất MWR (IRR): {mwr_return:.4f}/năm")

import numpy as np
import pandas as pd
from vnstock_quant import portfolio as pm

# Giả lập chuỗi lợi suất ngày của 5 cổ phiếu
names = ["FPT", "VCB", "HPG", "MWG", "SSI"]
returns_df = ...  # DataFrame cột là tên cổ phiếu, hàng là chỉ mục ngày
target_weights = pd.Series([0.30, 0.25, 0.20, 0.15, 0.10], index=names)

# Chiến lược 1: Mua và nắm giữ (Buy & Hold - không tái cân bằng, tỷ trọng tự trôi)
held = pm.portfolio_returns(returns_df, target_weights)

# Chiến lược 2: Tái cân bằng hàng quý kèm chi phí thực tế Việt Nam
quarterly = pm.portfolio_returns(
    returns_df,
    target_weights,
    rebalance="Q",
    **pm.VN_COSTS  # Phí giao dịch 0.15% mỗi chiều + Thuế bán 0.1%
)

# Chiến lược 3: Tái cân bằng theo dải hành lang (Corridor) khi tỷ trọng lệch quá 5%
corridor = pm.portfolio_returns(
    returns_df,
    target_weights,
    rebalance="corridor",
    band=0.05,
    **pm.VN_COSTS
)

# Phân rã đóng góp lợi suất luỹ kế
contrib = pm.contribution(held.attrs["weights_bop"], returns_df)
print(contrib.attrs["linked"])  # Tổng các giá trị đóng góp bằng đúng 100% lợi suất danh mục

# Giá thị trường hiện tại của các mã
current_prices = pd.Series([98500, 61200, 26350, 45600, 33100], index=names)
total_capital = 200_000_000  # Vốn phân bổ 200 triệu đồng

# Tính toán số lượng cổ phiếu thực tế chẵn lô 100
lots = pm.lot_round(target_weights, current_prices, capital=total_capital)
print(lots[["shares", "value", "actual_weight"]])

# 1. Ước lượng ma trận hiệp phương sai quy đổi theo năm (hỗ trợ 'sample', 'ledoit_wolf', 'ewma')
cov_matrix = pm.covariance(returns_df, periods=252, method="ledoit_wolf")

# 2. Phân rã tỷ lệ đóng góp rủi ro của từng mã
rc = pm.risk_contribution(target_weights, cov_matrix)
print(rc[["weight", "marginal", "component", "percent"]])
print(f"Độ biến động toàn danh mục: {rc.attrs['volatility']:.4f}")

# 3. Đánh giá mức độ tập trung danh mục
conc = pm.concentration(target_weights)
print(f"Hệ số HHI: {conc['hhi']:.4f}, Số cổ phiếu hiệu dụng: {conc['effective_n']:.2f}")

# 4. Tính toán VaR tham số của danh mục với giá trị 1 tỷ đồng
daily_cov = pm.covariance(returns_df)
port_var = pm.parametric_var(target_weights, daily_cov, level=0.99, value=1e9)
print(f"Mức lỗ tiềm tàng 99% trong 1 ngày: {port_var.attrs['amount']:,.0f} VNĐ")

# 1. Danh mục phương sai tối thiểu (Minimum Variance Portfolio)
w_min_var = pm.min_variance(cov_matrix)

# 2. Danh mục tối đa hoá tỷ số Sharpe (Tangency Portfolio)
w_max_sharpe = pm.max_sharpe(returns_df.mean() * 252, cov_matrix, rf=0.03)

# 3. Dựng đường biên hiệu quả Markowitz (Efficient Frontier)
frontier = pm.frontier(returns_df.mean() * 252, cov_matrix, points=20)

# 4. Danh mục đóng góp rủi ro đồng đều (Risk Parity Portfolio)
w_risk_parity = pm.risk_parity(cov_matrix)

# 5. Tối ưu hoá Black-Litterman kết hợp quan điểm nhà đầu tư
w_bl = pm.black_litterman(market_caps, cov_matrix, views=..., confidences=...)