Create app.py

app.py

@@ -0,0 +1,88 @@
+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
+
+def plot_cum_returns(data, title):
+    # 일일 누적 수익률 계산 및 시각화
+    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):
+    # 최대 샤프 비율로 포트폴리오 최적화 및 효율적 투자선 그리기
+    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)
+    # 최대 샤프 비율 포트폴리오 찾기
+    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="최대 샤프")
+    ax.legend()
+    return fig
+
+def output_results(start_date, end_date, tickers_string):
+    # 입력받은 데이터를 바탕으로 최적화 결과 출력
+    tickers = tickers_string.split(',')
+    
+    # 주식 가격 데이터 가져오기
+    stocks_df = yf.download(tickers, start=start_date, end=end_date)['Adj Close']
+    
+    # 개별 주식 가격 시각화
+    fig_indiv_prices = px.line(stocks_df, title='개별 주식 가격')
+    
+    # 개별 주식 누적 수익률 시각화
+    fig_cum_returns = plot_cum_returns(stocks_df, '개별 주식의 누적 수익률 ($100 시작)')
+    
+    # 주식 간 상관 관계 계산 및 시각화
+    corr_df = stocks_df.corr().round(2)
+    fig_corr = px.imshow(corr_df, text_auto=True, title='주식 간 상관 관계')
+    
+    # 포트폴리오 최적화를 위한 기대 수익률과 샘플 공분산 행렬 계산
+    mu = expected_returns.mean_historical_return(stocks_df)
+    S = risk_models.sample_cov(stocks_df)
+    
+    # 효율적 투자선 시각화
+    fig_efficient_frontier = plot_efficient_frontier_and_max_sharpe(mu, S)
+    
+    return fig_cum_returns, fig_efficient_frontier, fig_corr, fig_indiv_prices
+
+# Gradio 인터페이스 구성
+with gr.Blocks() as app:
+    with gr.Row():
+        gr.HTML("<h1>글로벌 주식 포트폴리오 최적화 도구</h1>")
+    
+    with gr.Row():
+        start_date = gr.Textbox("2013-01-01", label="시작 일자")
+        end_date = gr.Textbox(datetime.now().date(), label="종료 일자")
+    
+    with gr.Row():
+        tickers_string = gr.Textbox("TSLA,META,AMZN,MSFT,BTC-USD", label="포트폴리오에 포함될 주식 티커를 쉼표로 구분하여 입력하세요 (예: 'TSLA,META,AMZN,MSFT,BTC-USD')")
+        btn = gr.Button("포트폴리오 최적화 결과 보기")
+    
+    with gr.Row():
+        expected_annual_return = gr.Text(label="예상 연간 수익률")
+        annual_volatility = gr.Text(label="연간 변동성")
+        sharpe_ratio = gr.Text(label="샤프 비율")
+    
+    with gr.Row():
+        fig_cum_returns = gr.Plot(label="최적화된 포트폴리오의 누적 수익률 (시작 가격 $100)")
+        fig_efficient_frontier = gr.Plot(label="효율적 투자선")
+        fig_corr = gr.Plot(label="주식 간 상관 관계")
+        fig_indiv_prices = gr.Plot(label="개별 주식 가격")
+    
+    btn.click(fn=output_results, inputs=[start_date, end_date, tickers_string],
+              outputs=[fig_cum_returns, fig_efficient_frontier, fig_corr, fig_indiv_prices])
+
+app.launch()