Create app.py

app.py

@@ -0,0 +1,130 @@
+import gradio as gr
+import yfinance as yf
+from pypfopt.discrete_allocation import DiscreteAllocation, get_latest_prices
+from pypfopt import EfficientFrontier
+from pypfopt import risk_models
+from pypfopt import expected_returns
+from pypfopt import plotting
+import copy
+import numpy as np
+import pandas as pd
+import plotly.express as px
+import matplotlib.pyplot as plt
+from datetime import datetime
+import datetime
+
+def plot_cum_returns(data, title):
+    daily_cum_returns = 1 + data.dropna().pct_change()
+    daily_cum_returns = daily_cum_returns.cumprod()*100
+    fig = px.line(daily_cum_returns, title=title)
+    return fig
+
+def plot_efficient_frontier_and_max_sharpe(mu, S):
+    # Optimize portfolio for max Sharpe ratio and plot it out with efficient frontier curve
+    ef = EfficientFrontier(mu, S)
+    fig, ax = plt.subplots(figsize=(6,4))
+    ef_max_sharpe = copy.deepcopy(ef)
+    plotting.plot_efficient_frontier(ef, ax=ax, show_assets=False)
+    # Find the max sharpe portfolio
+    ef_max_sharpe.max_sharpe(risk_free_rate=0.02)
+    ret_tangent, std_tangent, _ = ef_max_sharpe.portfolio_performance()
+    ax.scatter(std_tangent, ret_tangent, marker="*", s=100, c="r", label="Max Sharpe")
+    # Generate random portfolios with random weights
+    n_samples = 1000
+    w = np.random.dirichlet(np.ones(ef.n_assets), n_samples)
+    rets = w.dot(ef.expected_returns)
+    stds = np.sqrt(np.diag(w @ ef.cov_matrix @ w.T))
+    sharpes = rets / stds
+    ax.scatter(stds, rets, marker=".", c=sharpes, cmap="viridis_r")
+    # Output
+    ax.legend()
+    return fig
+
+def output_results(start_date, end_date, tickers_string):
+    tickers = tickers_string.split(',')
+
+    # Get Stock Prices
+    stocks_df = yf.download(tickers, start=start_date, end=end_date)['Adj Close']
+
+    # Plot Individual Stock Prices
+    fig_indiv_prices = px.line(stocks_df, title='Giá cổ phiếu riêng lẻ')
+
+    # Plot Individual Cumulative Returns
+    fig_cum_returns = plot_cum_returns(stocks_df, 'Lợi nhuận tích lũy của từng cổ phiếu bắt đầu từ 100 USD')
+
+    # Calculatge and Plot Correlation Matrix between Stocks
+    corr_df = stocks_df.corr().round(2)
+    fig_corr = px.imshow(corr_df, text_auto=True, title = 'Tương quan giữa các cổ phiếu')
+
+    # Calculate expected returns and sample covariance matrix for portfolio optimization later
+    mu = expected_returns.mean_historical_return(stocks_df)
+    S = risk_models.sample_cov(stocks_df)
+
+    # Plot efficient frontier curve
+    fig_efficient_frontier = plot_efficient_frontier_and_max_sharpe(mu, S)
+
+    # Get optimized weights
+    ef = EfficientFrontier(mu, S)
+    ef.max_sharpe(risk_free_rate=0.04)
+    weights = ef.clean_weights()
+    expected_annual_return, annual_volatility, sharpe_ratio = ef.portfolio_performance()
+
+    expected_annual_return, annual_volatility, sharpe_ratio = '{}%'.format((expected_annual_return*100).round(2)), \
+    '{}%'.format((annual_volatility*100).round(2)), \
+    '{}%'.format((sharpe_ratio*100).round(2))
+
+    weights_df = pd.DataFrame.from_dict(weights, orient = 'index')
+    weights_df = weights_df.reset_index()
+    weights_df.columns = ['Mã chứng khoán', 'Trọng số']
+
+    # Calculate returns of portfolio with optimized weights
+    stocks_df['Danh mục đầu tư được tối ưu hóa'] = 0
+    for ticker, weight in weights.items():
+        stocks_df['Danh mục đầu tư được tối ưu hóa'] += stocks_df[ticker]*weight
+
+    # Plot Cumulative Returns of Optimized Portfolio
+    fig_cum_returns_optimized = plot_cum_returns(stocks_df['Danh mục đầu tư được tối ưu hóa'], 'Lợi nhuận tích lũy của từng cổ phiếu bắt đầu từ 100 USD')
+
+    return  fig_cum_returns_optimized, weights_df, fig_efficient_frontier, fig_corr,   \
+            expected_annual_return, annual_volatility, sharpe_ratio, fig_indiv_prices, fig_cum_returns
+
+
+with gr.Blocks(theme=gr.themes.Soft()) as app:
+    with gr.Row():
+        gr.HTML("<h1>Trình tối ưu hóa danh mục đầu tư chứng khoán</h1>")
+
+    with gr.Row():
+        start_date = gr.Textbox("2013-01-01", label="Ngày bắt đầu")
+        end_date = gr.Textbox(datetime.datetime.now().date(), label="Ngày kết thúc")
+
+    with gr.Row():
+        tickers_string = gr.Textbox("MA,V,JPM,BA",
+                                    label='Nhập tất cả các mã cổ phiếu sẽ được đưa vào danh mục đầu tư tách biệt \
+                                    bằng dấu phẩy KHÔNG có dấu cách, ví dụ: "MA,V,JPM,BA"')
+        btn = gr.Button("Tối ưu hóa danh mục đầu tư")
+
+    with gr.Row():
+        gr.HTML("<h3>Số liệu danh mục đầu tư được tối ưu hóa</h3>")
+
+    with gr.Row():
+        expected_annual_return = gr.Text(label="Lợi nhuận dự kiến ​​hàng năm")
+        annual_volatility = gr.Text(label="Biến động hàng năm")
+        sharpe_ratio = gr.Text(label="Tỷ lệ Sharpe")
+
+    with gr.Row():
+        fig_cum_returns_optimized = gr.Plot(label="Lợi nhuận tích lũy của danh mục đầu tư được tối ưu hóa (Giá khởi điểm là 100 USD)")
+        weights_df = gr.DataFrame(label="Trọng số được tối ưu hóa của mỗi mã")
+
+    with gr.Row():
+        fig_efficient_frontier = gr.Plot(label="Biên giới hiệu quả")
+        fig_corr = gr.Plot(label="Tương quan giữa các cổ phiếu")
+
+    with gr.Row():
+        fig_indiv_prices = gr.Plot(label="Giá cổ phiếu riêng lẻ")
+        fig_cum_returns = gr.Plot(label="Lợi nhuận tích lũy của từng cổ phiếu bắt đầu từ 100 USD")
+
+    btn.click(fn=output_results, inputs=[start_date, end_date, tickers_string],
+              outputs=[fig_cum_returns_optimized, weights_df, fig_efficient_frontier, fig_corr,   \
+            expected_annual_return, annual_volatility, sharpe_ratio, fig_indiv_prices, fig_cum_returns])
+
+app.launch()