منصوبے کے بارے میں

PyPortfolioOpt ایک اوپن سورس پائتھون لائبریری ہے جو مالیاتی پورٹ فولیو optimization کے لیے ہے۔ یہ عام سرمایہ کاروں اور پیشہ ور افراد دونوں کے لیے ڈیزائن کی گئی ہے جو allocation strategies کی prototyping کرتے ہیں، اور اس کا modular، scikit-learn سے متاثر API expected-return models، risk models، objectives اور optimizers کو یکجا یا تبدیل کرنے کی اجازت دیتا ہے۔ یہ لائبریری اپنے EfficientFrontier interface کے ذریعے کلاسیکی Markowitz mean-variance optimization کا احاطہ کرتی ہے۔ معاون objectives میں maximum Sharpe ratio، minimum volatility، target return کے لیے minimum risk، target risk کے لیے maximum return، اور maximum quadratic utility شامل ہیں۔ صارفین long-only یا long/short bounds، market-neutral portfolios، position limits، اور L2 regularization جیسے اضافی objectives کو کنفیگر کر سکتے ہیں۔ Expected returns کے لیے، PyPortfolioOpt mean historical returns، exponentially weighted historical returns، اور CAPM-based returns فراہم کرتی ہے۔ اس کے covariance اور risk-model tools میں sample covariance، semicovariance، exponentially weighted covariance، manual اور Ledoit-Wolf shrinkage، Oracle Approximating Shrinkage، اور Minimum Covariance Determinant estimation شامل ہیں۔ Covariance plotting utilities بھی شامل ہیں۔ معیاری efficient-frontier optimization کے علاوہ، یہ پروجیکٹ Black-Litterman allocation کو سپورٹ کرتا ہے، جو market یا دیگر prior return estimates کو investor views کے ساتھ یکجا کرتا ہے۔ اضافی optimizers میں mean-semivariance، mean-CVaR، Hierarchical Risk Parity، اور Markowitz's critical line algorithm شامل ہیں۔ PyPortfolioOpt قیمت کے ڈیٹا پر مشتمل pandas DataFrames کے ساتھ کام کرتی ہے۔ DiscreteAllocation module continuous portfolio weights کو مخصوص portfolio value کے لیے purchasable share quantities میں تبدیل کرتا ہے اور leftover cash کی رپورٹ دیتا ہے۔ ریپوزٹری میں quick-start example، Read the Docs documentation، Jupyter notebooks کی cookbook، 20 tickers کے لیے test data، اور pytest test suite شامل ہیں۔ یہ PyPI سے pip کے ذریعے یا براہ راست source سے install کی جا سکتی ہے، اور MIT license کے تحت جاری کی گئی ہے۔ README واضح طور پر نوٹ کرتا ہے کہ یہ پروجیکٹ investment advice نہیں ہے۔