Eine App, um eigene ETF-Portfolios nach eigenen Kriterien zusammenzustellen (Länderanteile, Branchenanteile, etc...) und in Zukunft auch zu analysieren. Umgesetzt ist das Recommender-System. Dieses Projekt ist im Rahmen des Wettbewerbs StartUpTeens entstanden.
Die Funktionen wurden auf der Google Cloud hochgeladen und sind jetzt von überall ansprechbar. Im firebase-uploads-Ordner befindet sich eine test.py Datei, mit der diese Funktion aus der Cloud aufgerufen werden kann.
- Die in prefs.json eingetragenen Länder müssen mit den Ländern aus der CSV übereinstimmen
- CSV Dateien werden mit Datenbanken ersetztz, welche durch die EODHistoricalData (ETF Daten) API gefüllt werden.
- MSCI ALL WORLD als Standardwerte werden Client-Side eingesetzt
In Python 3.7 oder 3.8:
- pip install -r requirements.txt
- python main.py
Erstmal versuchen wir dem Nutzer eine Kombination an gewichteten ETFs vorzuschlagen, welche seinen Wünschen möglichst nahe kommt, sprich die Auswahl wird noch nicht auf Rendite, Volatilität usw. optimisiert. Sprich: "Damit deine angegebene Länderverteilung möglichst gut in deinem Portfolio repräsentiert wird, könntest du dieses Portfolio in erwägung ziehen".
Für dieses Optimisierungsproblem lässt sich ein Quadratisches Programm (QP). Drückt man die Länderanteile als Vektoren aus und gewichtet sie mit einer Variable zwischen 0 und 1, dann kann man sagen, dass der Abstand zwischen den gewichteten ETFs und einem Ziel-ETF minimal sein sollte. Wenn man dies dann aufgeställt hat kann man dies einen Optimizer lösen lassen. Wir benutzen CPLEX von IBM. (Branch and Bound)
Quadratisches Programm: https://drive.google.com/file/d/1_RIRFqNB4Cg9X4gSXmcwkPqj4f_FBSiL/view?usp=sharing
Gesucht sind die gewichte w, welche zusammen 1 ergeben sollen. Unter dieser Bedingung versucht man die ETF-Vektoren v so zu gewichten, dass der Abstand zwischen den gewichteten ETFs w*v und dem Präferenzenvektor t möglichst minimal ist.
Da wir die Anzahl der ETFs erstmal auf 10 begrenzen wollten, ist w = 0 oder zwischen 0,1 und 1. Um genau zu sein ist das Optimisierungsproblem nicht rein quadratisch, sondern ein gemischt-ganzzahliges quadratisches Programm (MIQP). Da sich MIQP einfach mit CPLEX modellieren lassen, haben wir uns für diesen Optimizer entschieden.
Kommentare werden die nächsten Tage zum Code hinzugefügt...
Hier ist ein Prototyp, wie die App mal aussehen könnte: https://drive.google.com/file/d/1MA4P9mcyqSAbvZQtruF0yuPWDxKtPCn7/view?usp=sharing