Ce este skfolio și de ce este relevant?
skfolio este o bibliotecă open-source specializată în optimizarea portofoliilor financiare. Ea oferă o gamă largă de modele, de la cele clasice (mean-variance, Black-Litterman) până la abordări moderne bazate pe machine learning (clustering, rețele neuronale). Principalul avantaj al skfolio este integrarea perfectă cu ecosistemul Python (pandas, numpy, scikit-learn) și capacitatea de a efectua backtesting riguros, optimizare hiperparametrică și comparații statistice între strategii.
Structura unei implementări tipice
O implementare completă cu skfolio parcurge mai multe etape:
1. Pregătirea datelor
Primul pas este obținerea datelor istorice de prețuri pentru activele din universul de investiții. De obicei, se folosesc date zilnice de închidere ajustate. skfolio acceptă direct DataFrame-uri pandas cu prețuri sau randamente.
```python
import yfinance as yf
import pandas as pd
# Descărcăm date pentru câteva acțiuni
tickers = ['AAPL', 'MSFT', 'GOOGL', 'AMZN', 'TSLA']
data = yf.download(tickers, start='2020-01-01', end='2024-01-01')['Adj Close']
returns = data.pct_change().dropna()
```
2. Definirea strategiilor
skfolio permite definirea mai multor strategii de optimizare. De exemplu:
Fiecare strategie este un obiect estimator care poate fi antrenat pe date.
```python
from skfolio import Portfolio
from skfolio.optimization import MeanVariance, EqualWeighted, RiskParity
# Strategii
mv = MeanVariance()
ew = EqualWeighted()
rp = RiskParity()
```
3. Testarea și backtesting-ul
Pentru a evalua performanța, skfolio oferă un sistem de backtesting care simulează rebalansarea periodică a portofoliului. Se pot defini ferestre de antrenare (training) și perioade de testare (testing).
```python
from skfolio.model_selection import WalkForward
# Walk-forward cross-validation
wf = WalkForward(n_splits=5, test_size=252) # 252 zile = 1 an
# Antrenăm și testăm fiecare strategie
results = {}
for name, model in [('MinVar', mv), ('Equal', ew), ('RiskPar', rp)]:
portfolio = Portfolio(model, rebalance_freq='quarterly')
portfolio.fit(returns, cv=wf)
results[name] = portfolio
```
4. Ajustarea hiperparametrilor (Tuning)
O caracteristică puternică a skfolio este integrarea cu scikit-learn pentru optimizarea hiperparametrilor. De exemplu, putem căuta cea mai bună fereastră de antrenare sau cel mai bun prag de penalizare pentru modelele regularizate.
```python
from sklearn.model_selection import GridSearchCV
param_grid = {
'window_size': [60, 120, 252],
'risk_model__alpha': [0.01, 0.05, 0.1]
}
gs = GridSearchCV(MeanVariance(), param_grid, cv=3)
gs.fit(returns)
print(gs.best_params_)
```
5. Compararea strategiilor
După backtesting, putem compara performanța folosind metrici standard: randament anualizat, volatilitate, Sharpe ratio, drawdown maxim, etc. skfolio oferă funcții de raportare și vizualizare.
```python
from skfolio.metrics import sharpe_ratio, max_drawdown
for name, pf in results.items():
print(f"{name}: Sharpe={sharpe_ratio(pf.returns_):.2f}, MaxDD={max_drawdown(pf.returns_):.2%}")
```
Studiu de caz: Comparație între strategii pe piața americană
Am realizat un experiment pe datele a 10 acțiuni din S&P 500 (AAPL, MSFT, GOOGL, AMZN, TSLA, JPM, JNJ, PG, XOM, WMT) între 2018 și 2024. Am testat patru strategii:
1. Echiponderat – reper simplu
2. Varianță minimă – minimizează riscul
3. Raport Sharpe maxim – maximizează randamentul ajustat la risc
4. Risk Parity – alocă riscul egal între active
Rezultatele au arătat că:
De ce este important?
Optimizarea portofoliului nu mai este un lux rezervat marilor fonduri de investiții. Cu biblioteci open-source precum skfolio, orice investitor sau analist poate construi, testa și compara strategii sofisticate în câteva linii de cod. Această abordare aduce transparență, reproductibilitate și rigoare științifică în gestionarea portofoliilor. În plus, capacitatea de a ajusta hiperparametrii și de a face backtesting walk-forward reduce riscul de overfitting și oferă o estimare mai realistă a performanței viitoare. Pe o piață din ce în ce mai complexă, instrumentele moderne de optimizare devin esențiale pentru oricine dorește să își gestioneze eficient investițiile.
Concluzie
skfolio reprezintă un pas înainte semnificativ în democratizarea optimizării portofoliilor. Prin combinarea metodelor clasice cu machine learning și printr-o interfață prietenoasă, ea permite atât începătorilor cât și profesioniștilor să exploreze strategii avansate. Implementarea descrisă mai sus este doar un punct de plecare; posibilitățile sunt nelimitate: de la includerea de constrângeri personalizate până la integrarea cu surse de date alternative. În final, cheia succesului rămâne testarea riguroasă și adaptarea continuă la condițiile de piață.
