portfolio

Name: portfolio
Author: gauss314

167stars26forks

How to install portfolio?

gauss314/skills/portfolio

$npx -y skills add gauss314/skills --skill portfolio

Installs into the current project.

Summary

Construcción y optimización cuantitativa de portafolios: Markowitz (scipy.optimize + Monte Carlo), Black-Litterman (prior CAPM, views absolutas/relativas, posterior bayesiano), HRP/HERC/NCO (clustering jerárquico, risk parity, NCO con restricciones). Todo flat numpy + scipy, sin

Files · 1

View on GitHub

SKILL.md

1	# Portfolio — Optimización Cuantitativa de Portafolios
2
3	Este skill implementa 3 enfoques de optimización de portafolios desde el material del curso
4	(notebook `Clase_08_teoria_2025_portafolio.ipynb` y PDF `Portafolios 2025 Ucema.pdf`):
5
6	1. Markowitz / Media-Varianza — Optimización convexa vía `scipy.optimize`
7	+ simulación Monte Carlo + frontera eficiente + CML.
8	2. Black-Litterman — Combinación bayesiana de retornos de equilibrio de mercado
9	(CAPM inverso) con views del inversor, incluyendo matriz de incertidumbre Ω
10	(método Idzorek).
11	3. HRP / HERC / NCO — Construcción jerárquica de portafolios mediante clustering
12	(single/complete/average/ward), risk parity y NCO con restricciones.
13
14	Todos los scripts usan solo `numpy`, `pandas` y `scipy`. Sin dependencias pesadas.
15	Este skill es autónomo: funciona sin `skills/backtesting`.
16
17	Para ratios de performance post-optimización (Sharpe, Sortino, VaR, drawdowns, etc.)
18	consultar el skill hermana:
19	[`skills/backtesting`](https://github.com/gauss314/skills/tree/main/skills/backtesting).
20
21	Part of the [Gauss314 Skills Repository](https://github.com/gauss314/skills).
22
23	---
24
25	## File Map
26
27	```
28	skills/portfolio/
29	├── SKILL.md ← Este archivo
30	├── references/
31	│ ├── PORTFOLIO_THEORY.md ← MPT, Markowitz, frontera eficiente (ES)
32	│ ├── BLACK_LITTERMAN.md ← BL: prior, views, posterior, omega (ES)
33	│ ├── HIERARCHICAL.md ← HRP, HERC, NCO, clustering (ES)
34	│ └── RISK_MEASURES.md ← VaR, CVaR, MAD, MSV, DR, MDD (ES)
35	├── assets/
36	│ ├── sample_prices.csv ← Precios multi-activo para ejemplos
37	│ ├── sample_returns.csv ← Retornos multi-activo
38	│ ├── sample_mcaps.json ← Market caps para Black-Litterman
39	│ └── defaults.json ← Parámetros default
40	├── scripts/
41	│ ├── __init__.py
42	│ ├── portfolio.py ← Core: Markowitz, Sharpe, Monte Carlo, frontera
43	│ ├── black_litterman.py ← BL: prior, posterior, omega, views
44	│ ├── hierarchical.py ← HRP/HERC/NCO: clustering, risk parity, constraints
45	│ ├── risk_measures.py ← VaR, CVaR, MAD, MSV, MDD, DR
46	│ ├── covariance.py ← Covarianza: hist, ledoit-wolf, oas, ewma
47	│ └── cli.py ← CLI unificada (12 modos)
48	└── tests/
49	├── __init__.py
50	└── test_portfolio.py ← Tests + validación contra notebook
51	```
52
53	### Qué hace cada script
54
55	\| Script \| Rol \| Funciones clave \|
56	\|--------\|-----\|----------------\|
57	\| `portfolio.py` \| Core de optimización Markowitz \| `max_sharpe_optim`, `min_variance_optim`, `random_portfolios`, `efficient_frontier`, `cml_portfolio`, `asset_stats` \|
58	\| `black_litterman.py` \| Black-Litterman completo \| `market_implied_risk_aversion`, `market_implied_prior_returns`, `bl_posterior_returns`, `omega_idzorek` \|
59	\| `hierarchical.py` \| HRP / HERC / NCO \| `hrp_portfolio`, `herc_portfolio`, `nco_portfolio`, `nco_with_constraints`, `hrp_constraints` \|
60	\| `risk_measures.py` \| Medidas de riesgo \| `var_historic`, `cvar`, `max_drawdown`, `cdar`, `diversification_ratio`, `risk_contribution` \|
61	\| `covariance.py` \| Estimación de covarianza \| `cov_hist`, `cov_ledoit_wolf`, `cov_oas`, `cov_ewma` \|
62
63	---
64
65	## Quick Start
66
67	### Markowitz (scipy.optimize)
68
69	```bash
70	# Max Sharpe con 3 activos
71	py scripts/cli.py markowitz --assets assets/sample_returns.csv
72
73	# Con tasa libre de riesgo personalizada
74	py scripts/cli.py markowitz --assets assets/sample_returns.csv --rf 0.05
75
76	# Estadísticas individuales
77	py scripts/cli.py stats --assets assets/sample_returns.csv
78	```
79
80	### Monte Carlo
81
82	```bash
83	# Simular 10.000 carteras aleatorias
84	py scripts/cli.py montecarlo --assets assets/sample_returns.csv
85
86	# Guardar frontera a CSV
87	py scripts/cli.py montecarlo --assets assets/sample_returns.csv --save frontier.csv
88	```
89
90	### Frontera Eficiente
91
92	```bash
93	py scripts/cli.py frontier --assets assets/sample_returns.csv --n 50
94	```
95
96	### CML — Leverage y Deleverage
97
98	El portafolio tangente (máximo Sharpe) se combina con el activo libre de riesgo
99	para obtener cualquier punto sobre la Capital Market Line (CML), manteniendo
100	el mismo Sharpe ratio.
101
102	```bash
103	# Portafolio tangente puro (w=1)
104	py scripts/cli.py cml --assets assets/sample_returns.csv --weight 1.0
105
106	# Deleverage: 60% en tangencia, 40% en Rf (menos riesgo, mismo Sharpe)
107	py scripts/cli.py cml --assets assets/sample_returns.csv --weight 0.6
108
109	# Leverage: pide prestado 50% a Rf, invierte 150% en tangencia (más riesgo, mismo Sharpe)
110	py scripts/cli.py cml --assets assets/sample_returns.csv --weight 1.5
111	```
112
113	### Black-Litterman
114
115	```b

People who liked this also viewed

6 picks

Type

portfolio

167stars26forks

View on GitHub

How to install portfolio?

gauss314/skills/portfolio

$npx -y skills add gauss314/skills --skill portfolio

Installs into the current project.

Summary

Files · 1

View on GitHub

SKILL.md

1	# Portfolio — Optimización Cuantitativa de Portafolios
2
3	Este skill implementa 3 enfoques de optimización de portafolios desde el material del curso
4	(notebook `Clase_08_teoria_2025_portafolio.ipynb` y PDF `Portafolios 2025 Ucema.pdf`):
5
6	1. Markowitz / Media-Varianza — Optimización convexa vía `scipy.optimize`
7	+ simulación Monte Carlo + frontera eficiente + CML.
8	2. Black-Litterman — Combinación bayesiana de retornos de equilibrio de mercado
9	(CAPM inverso) con views del inversor, incluyendo matriz de incertidumbre Ω
10	(método Idzorek).
11	3. HRP / HERC / NCO — Construcción jerárquica de portafolios mediante clustering
12	(single/complete/average/ward), risk parity y NCO con restricciones.
13
14	Todos los scripts usan solo `numpy`, `pandas` y `scipy`. Sin dependencias pesadas.
15	Este skill es autónomo: funciona sin `skills/backtesting`.
16
17	Para ratios de performance post-optimización (Sharpe, Sortino, VaR, drawdowns, etc.)
18	consultar el skill hermana:
19	[`skills/backtesting`](https://github.com/gauss314/skills/tree/main/skills/backtesting).
20
21	Part of the [Gauss314 Skills Repository](https://github.com/gauss314/skills).
22
23	---
24
25	## File Map
26
27	```
28	skills/portfolio/
29	├── SKILL.md ← Este archivo
30	├── references/
31	│ ├── PORTFOLIO_THEORY.md ← MPT, Markowitz, frontera eficiente (ES)
32	│ ├── BLACK_LITTERMAN.md ← BL: prior, views, posterior, omega (ES)
33	│ ├── HIERARCHICAL.md ← HRP, HERC, NCO, clustering (ES)
34	│ └── RISK_MEASURES.md ← VaR, CVaR, MAD, MSV, DR, MDD (ES)
35	├── assets/
36	│ ├── sample_prices.csv ← Precios multi-activo para ejemplos
37	│ ├── sample_returns.csv ← Retornos multi-activo
38	│ ├── sample_mcaps.json ← Market caps para Black-Litterman
39	│ └── defaults.json ← Parámetros default
40	├── scripts/
41	│ ├── __init__.py
42	│ ├── portfolio.py ← Core: Markowitz, Sharpe, Monte Carlo, frontera
43	│ ├── black_litterman.py ← BL: prior, posterior, omega, views
44	│ ├── hierarchical.py ← HRP/HERC/NCO: clustering, risk parity, constraints
45	│ ├── risk_measures.py ← VaR, CVaR, MAD, MSV, MDD, DR
46	│ ├── covariance.py ← Covarianza: hist, ledoit-wolf, oas, ewma
47	│ └── cli.py ← CLI unificada (12 modos)
48	└── tests/
49	├── __init__.py
50	└── test_portfolio.py ← Tests + validación contra notebook
51	```
52
53	### Qué hace cada script
54
55	\| Script \| Rol \| Funciones clave \|
56	\|--------\|-----\|----------------\|
57	\| `portfolio.py` \| Core de optimización Markowitz \| `max_sharpe_optim`, `min_variance_optim`, `random_portfolios`, `efficient_frontier`, `cml_portfolio`, `asset_stats` \|
58	\| `black_litterman.py` \| Black-Litterman completo \| `market_implied_risk_aversion`, `market_implied_prior_returns`, `bl_posterior_returns`, `omega_idzorek` \|
59	\| `hierarchical.py` \| HRP / HERC / NCO \| `hrp_portfolio`, `herc_portfolio`, `nco_portfolio`, `nco_with_constraints`, `hrp_constraints` \|
60	\| `risk_measures.py` \| Medidas de riesgo \| `var_historic`, `cvar`, `max_drawdown`, `cdar`, `diversification_ratio`, `risk_contribution` \|
61	\| `covariance.py` \| Estimación de covarianza \| `cov_hist`, `cov_ledoit_wolf`, `cov_oas`, `cov_ewma` \|
62
63	---
64
65	## Quick Start
66
67	### Markowitz (scipy.optimize)
68
69	```bash
70	# Max Sharpe con 3 activos
71	py scripts/cli.py markowitz --assets assets/sample_returns.csv
72
73	# Con tasa libre de riesgo personalizada
74	py scripts/cli.py markowitz --assets assets/sample_returns.csv --rf 0.05
75
76	# Estadísticas individuales
77	py scripts/cli.py stats --assets assets/sample_returns.csv
78	```
79
80	### Monte Carlo
81
82	```bash
83	# Simular 10.000 carteras aleatorias
84	py scripts/cli.py montecarlo --assets assets/sample_returns.csv
85
86	# Guardar frontera a CSV
87	py scripts/cli.py montecarlo --assets assets/sample_returns.csv --save frontier.csv
88	```
89
90	### Frontera Eficiente
91
92	```bash
93	py scripts/cli.py frontier --assets assets/sample_returns.csv --n 50
94	```
95
96	### CML — Leverage y Deleverage
97
98	El portafolio tangente (máximo Sharpe) se combina con el activo libre de riesgo
99	para obtener cualquier punto sobre la Capital Market Line (CML), manteniendo
100	el mismo Sharpe ratio.
101
102	```bash
103	# Portafolio tangente puro (w=1)
104	py scripts/cli.py cml --assets assets/sample_returns.csv --weight 1.0
105
106	# Deleverage: 60% en tangencia, 40% en Rf (menos riesgo, mismo Sharpe)
107	py scripts/cli.py cml --assets assets/sample_returns.csv --weight 0.6
108
109	# Leverage: pide prestado 50% a Rf, invierte 150% en tangencia (más riesgo, mismo Sharpe)
110	py scripts/cli.py cml --assets assets/sample_returns.csv --weight 1.5
111	```
112
113	### Black-Litterman
114
115	```b

People who liked this also viewed

6 picks

Type