파이썬으로 배우는 포트폴리오
포트폴리오, 재무 기초, 파이썬 프로그래밍 기술까지
실제 재무 데이터로 구현하는 이론과 실전의 최적 조합!
주식 투자에서 위험을 줄이고 투자 수익을 극대화하기 위한 일환으로 여러 종목에 분산 투자하는 방법인 포트폴리오에 초점을 맞추고 있다. 재무 기초, 포트폴리오 이론, 투자 모델을 수학과 그림, 파이썬 코드를 사용해 명확히 이해시키고자 했다. 파이썬의 기초는 물론 NumPy, Matplotlib, Pandas의 핵심 내용을 살펴보고, 실제 코드로 구현할 때는 주석으로 한줄한줄 자세히 코드를 설명해 이해를 높였다. 또한, 실제 주식시장 데이터를 사용하는 방법, Yahoo_fin 패키지를 사용해 재무 데이터를 가져오는 방법도 함께 소개한다.
전자책 구입
목차
- 1장 파이썬과 재무 기초 지식
- 1.1 파이썬 시작하기
- 1.1.1 파이썬 도구의 선택
- 1.1.2 구글 코랩
- 1.1.3 구글 코랩 시작하기
- 1.1.4 파이썬의 여섯 가지 핵심 사항
- 1.2 현금흐름, 이자율과 시간 가치
- 1.3 NPV와 IRR
- 1.3.1 NPV
- 1.3.2 IRR
- 1.4 수익률 대 수익률
- 1.4.1 수익률과 할인율의 개념
- 1.4.2 기간 수익률의 평균, 산술평균과 기하평균
- 1.4.3 지배원리
- 1.5 자주 사용하는 통계량: 기댓값, 분산, 공분산, 상관계수
- 1.5.1 평균과 기댓값
- 1.5.2 이동평균
- 1.5.3 가중(산술)평균
- 1.5.4 분산과 표준편차
- 1.5.5 정규분포에서 표준편차와 평균
- 1.5.6 자유도
- 1.5.7 공분산과 상관계수
- 2장 투자와 자산배분
- 2.1 자산배분과 포트폴리오
- 2.2 포트폴리오 성과의 결정 요인들
- 2.3 포트폴리오 성과 측정 삼총사
- 2.3.1 샤프지수
- 2.3.2 젠센알파지수
- 2.3.3 트레이너지수
- 2.3.4 정보비율
- 2.3.5 최대 낙폭
- 3장 평균-분산 포트폴리오 이론
- 3.1 포트폴리오의 기대수익률과 위험
- 3.1.1 두 개 주식으로 구성된 포트폴리오
- 3.1.2 n개 주식으로 만든 포트폴리오
- 3.2 최소분산포트폴리오
- 3.3 체계적 위험과 비체계적 위험
- 3.4 무위험자산과 최적 자산배분
- 3.4.1 효율적 포트폴리오
- 3.4.2 기대효용과 무차별곡선
- 3.4.3 최적 포트폴리오의 선택
- 3.4.4 무위험자산+위험자산
- 3.4.5 무위험자산+위험자산+효율적 투자선(자본배분선)
- 3.4.6 최적 포트폴리오 선택
- 4장 자본자산가격결정모델
- 4.1 기본 가정
- 4.1.1 동일한 기대와 시장포트폴리오, 그리고 자본시장선
- 4.1.2 포트폴리오 베타
- 4.2 증권시장선과 자본시장선
- 4.2.1 증권시장선과 자본시장선
- 4.2.2 위험프리미엄
- 4.3 포트폴리오 최적화
- 4.3.1 최적화 패키지 scipy.optimize 알아보기
- 4.3.2 간단한 최적화 알아보기
- 4.3.3 최적화 알고리즘 SLSQP
- 4.3.4 포트폴리오 최적화(최소분산포트폴리오 및 샤프비율)
- 4.4 현실에 응용하기
- 5장 블랙-리터만 모델
- 5.1 피셔 블랙과 블랙-리터만 모델
- 5.2 간단히 알아보는 베이지안 확률
- 5.3 역최적화로 구하는 균형기대수익률
- 5.3.1 균형기대수익률(Π)
- 5.3.2 위험회피계수(λ)
- 5.3.3 자산의 공분산 행렬(Σ)
- 5.3.4 자산시가총액 비중(Wmkt)
- 5.4 투자자 전망
- 5.5 블랙-리터만 공식
- 5.6 위험조정상수(τ)
- 5.7 균형기대수익률과 투자자 전망 결합
- 5.8 세 가지 자산을 가정한 예시
- 5.9 블랙-리터만 모델 최적화
- 5.10 현업에서의 블랙-리터만 모델
- 6장 파마-프렌치 3요인 모델
- 6.1 효율적 시장 가설과 유진 파마
- 6.2 베타는 죽었다
- 6.3 파마-프렌치 3요인 모델
- 6.4 프렌치 교수가 제공하는 요인 데이터
- 6.5 파이썬을 이용한 요인 데이터 구하기와 회귀분석
- 6.5.1 요인 데이터 구하기
- 6.5.2 펀드 수익률과 요인 데이터 회귀분석
- 7장 금융산업과 머신 러닝
- 7.1 머신 러닝 시작하기
- 7.2 머신 러닝 맛보기, 선형 회귀
- 7.2.1 비용함수와 경사하강법
- 7.2.2 K-최근접 이웃 알고리즘
- 7.3 K-최근접 이웃 알고리즘을 이용한 회귀
- 7.3.1 라이브러리 임포트
- 7.3.2 주가지수 데이터 가져오기
- 7.3.3 예측변수 설정
- 7.3.4 목표변수 설정
- 7.3.5 데이터셋 분할
- 7.3.6 KNN 모델 설정
- 7.3.7 모델을 바탕으로 전략 실행
- 7.3.8 샤프비율 계산
- 7.4 로지스틱 회귀
- 7.4.1 라이브러리 임포트
- 7.4.2 데이터 가져오기
- 7.4.3 예측변수/독립변수 설정
- 7.4.4 목표변수/종속변수 설정
- 7.4.5 데이터셋 분할
- 7.4.6 로지스틱 회귀 모델의 설정 및 훈련
- 7.4.7 클래스 확률 예측
- 7.4.8 모델 평가
- 7.4.9 매매 전략
- 8장 Yahoo_fin 패키지를 사용해 재무 데이터 가져오기
- 8.1 설치 및 업그레이드
- 8.2 stock_info 모듈
- 8.2.1 패키지 임포트
- 8.2.2 get_analysts_info(ticker)
- 8.2.3 get_balance_sheet(ticker)
- 8.2.4 get_cash_flow(ticker)
- 8.2.5 get_data( )
- 8.2.6 get_day_gainers( )
- 8.2.7 get_day_losers( )
- 8.2.8 get_day_most_active( )
- 8.2.9 get_holders(ticker)
- 8.2.10 get_live_price(ticker)
- 8.2.11 get_quote_table(ticker, dict_result = True)
- 8.2.12 get_top_crypto( )
- 8.2.13 get_stats(ticker)
- 8.2.14 get_stats_valuation(ticker)
- 8.2.15 종목 티커 관련 함수
- 8.3 재무 정보 가져오기(Yahoo_fin 패키지)
- 8.3.1 패키지 임포트
- 8.3.2 재무비율 구하기: 주가수익률 비율
- 8.3.3 한 번에 여러 종목의 재무비율 구하기
- 8.3.4 여러 종목의 기타 통계 구하기
- 8.4 재무제표 다루기
- 8.4.1 재무상태표 다루기
- 8.4.2 손익계산서 다루기
- 8.4.3 현금흐름표
- 부록 파이썬 라이브러리 삼총사
- A.1 수학 및 과학 연산, NumPy와 SciPy
- A.1.1 배열과 행렬 만들기
- A.1.2 배열과 행렬의 속성
- A.1.3 연산
- A.1.4 인덱싱/슬라이싱
- A.1.5 난수 만들기
- A.2 미술 담당, Matplotlib
- A.2.1 차트 도해
- A.2.2 라인 차트
- A.2.3 분산형 차트
- A.2.4 히스토그램
- A.3 데이터 담당, Pandas
- A.3.1 데이터프레임
- A.3.2 데이터프레임 만들기: DataFrame
- A.3.3 데이터프레임 합치기: concat과 merge
- A.3.4 인덱스 새로 만들기: reset_index
- A.3.5 데이터프레임 컬럼 삭제: drop
- A.3.6 컬럼을 행으로 모으기: melt
- A.3.7 정렬하기: sort_values
- A.3.8 쿼리하기: query
- A.3.9 데이터프레임 컬럼명 바꾸기: rename
- A.3.10 중복된 데이터 지우기: drop_duplicates
- A.3.11 데이터프레임 앞부분, 뒷부분 살짝 보기: head, tail
- 참고문헌