PyPortfolioOpt: Portefeuille optimalisatie met de Efficient Frontier
Je portfolio optimaliseren zonder dat het een gok wordt? PyPortfolioOpt is je nieuwe beste vriend.
Deze Python-bibliotheek helpt je de efficiënte grens te vinden, zodat je rendement maximaliseert zonder onnodige risico’s te nemen. Geen gedoe met spreadsheets, maar code die direct werkt met data van brokers zoals Interactive Brokers of Alpaca.
Wat is PyPortfolioOpt eigenlijk?
PyPortfolioOpt is een open-source Python-bibliotheek voor portefeuilleoptimalisatie. Het berekent de optimale mix van aandelen, obligaties of crypto’s met de Efficient Frontier.
Stel je voor: je hebt 10 aandelen in je watchlist. De bibliotheek vertelt je precies welke gewichten het beste risico-rendementprofiel geven. Het werkt met data van brokers via hun API.
Je haalt historische prijzen op, bijvoorbeeld van 2020 tot nu, en PyPortfolioOpt gebruikt die om de efficiënte grens te berekenen. Geen Excel-formules meer, gewoon Python.
Waarom is dit belangrijk? Omdat je met backtesting kunt zien hoe je portfolio had gepresteerd.
Je vermijdt emotionele beslissingen en houdt je risicomanagement strak. Bijvoorbeeld: een portfolio met 60% aandelen en 40% obligaties kan een Sharpe-ratio van 1,2 halen, terwijl een 100% aandelenportefeuille misschien maar 0,8 bereikt.
Hoe werkt de Efficient Frontier?
De Efficient Frontier is een curve die alle mogelijke portefeuilles toont met het hoogste rendement voor elk risiconiveau.
PyPortfolioOpt berekent deze met behulp van historische returns en covarianties. Je voert je data in, en de bibliotheek doet de rest.
Stap 1: Verzamel data. Gebruik de API van je broker, zoals Interactive Brokers (kosten: €0 voor data, maar je betaalt per transactie). Download prijzen voor bijvoorbeeld 5 aandelen: AAPL, MSFT, GOOGL, AMZN, TSLA. PyPortfolioOpt gebruikt deze om expected returns en de covariantiematrix te berekenen.
Stap 2: Kies een optimalisatiemodel. De meest gebruikte is Markowitz Mean-Variance.
Je stelt een doel, bijvoorbeeld maximale Sharpe-ratio, en de bibliotheek vindt de gewichten. Voor een portfolio van €10.000 zou je 20% in AAPL, 30% in MSFT, etc., kunnen hebben, afhankelijk van de output. Wil je verder gaan dan alleen gewichten? Technische indicatoren optimaliseren met de Optuna library helpt je hierbij. Stap 3: Visualiseer de Efficient Frontier.
Met matplotlib plot je de curve en markeer je je huidige portfolio. Zie je meteen of je kunt verbeteren. Bijvoorbeeld: je huidige portfolio heeft een risico van 15% en rendement van 8%, maar de frontier toont een mix met 12% risico en 9% rendement.
Varianten en modellen: welke kies je?
PyPortfolioOpt biedt verschillende modellen, elk met eigen voor- en nadelen. De basis is Markowitz, maar er zijn uitbreidingen voor meer realisme.
Kies wat bij je trading-stijl past, of je nu een bot bouwt of handmatig trade.
Markowitz Mean-Variance: De klassieker. Gebruik voor een betere risicoanalyse de Sortino Ratio vs Sharpe Ratio, aangezien de klassieke variant neigt naar concentratie in enkele aandelen. Kosten: gratis met PyPortfolioOpt. Geschikt voor beginners.
Voorbeeld: voor een portfolio van €5.000 met 5 aandelen, geeft het vaak 1-2 kernposities, zoals 50% in één aandeel. Black-Litterman-model: Voegt je eigen inzichten toe aan marktdata.
Handig als je denkt dat een aandeel zoals Tesla gaat stijgen door EV-trends. Prijs: gratis, maar vereist meer data. Je kunt een ‘view’ instellen: verwacht rendement van 12% voor Tesla, en de bibliotheek past de gewichten aan. Ideaal voor algoritmische bots die nieuws verwerken via API’s.
Efficient Risk: Richt zich op minimale variantie voor een specifiek rendement. Bijvoorbeeld: je wilt 10% rendement met maximaal 12% risico.
PyPortfolioOpt berekent de gewichten. Gebruik dit voor risicomanagement in backtests met brokers zoals Alpaca (kosten: €0 voor API, transacties €0,001 per aandeel). Portfolio Variance: Minimaliseer alleen het risico, zonder rendementsdoel.
Handig voor defensieve beleggers. In een backtest met 3 jaar data, kan dit een portfolio van 10 aandelen terugbrengen tot 4-5 kernposities, met een risicodaling van 20%.
Praktische tips voor implementatie
Begin klein. Installeer PyPortfolioOpt met pip (gratis), en test met historische data van je broker.
Gebruik de Yahoo Finance API voor gratis data, of betaal €10-€50 per maand voor premium data van Quandl. Voor live trading, integreer met Interactive Brokers API – kosten €0 voor de API, maar houd rekening met transactiekosten van €0,01 per aandeel.
Bouw een backtesting-omgeving. Gebruik Python met libraries als pandas en PyPortfolioOpt. Script een bot die elke dag je portfolio herbalanceert op basis van de Efficient Frontier. Optimaliseer je strategie met Scipy en test met 2 jaar data: bijvoorbeeld een portfolio van €20.000 in 8 aandelen, en kijk hoe de Sharpe-ratio verbetert van 0,9 naar 1,3.
Beheer risico’s. Stel stop-losses in via je broker API, en gebruik PyPortfolioOpt om de impact te simuleren.
Bijvoorbeeld: als één aandeel met 30% daalt, hoe verandert je Efficient Frontier? Pas de gewichten aan om het verlies te beperken tot 5-10% van je totale portfolio. Varieer modellen voor diversificatie.
Draai Markowitz en Black-Litterman naast elkaar. Voor een crypto-equity mix, voeg Bitcoin toe via de Binance API (kosten: €0 voor data, transacties 0,1%).
Zie welk model het beste presteert in een bull- of bearmarkt. Houd het simpel en consistent. Gebruik kortetermijn-data (bijv.
1 jaar) voor daghandel, langere periodes (5 jaar) voor langetermijnstrategieën. Test altijd met reële kosten – geen gratis lunch. PyPortfolioOpt is een tool, geen magie: combineer het met discipline voor de beste resultaten.