Upload portfolio_optimization_complete.py

portfolio_optimization_complete.py

@@ -0,0 +1,89 @@
+# -*- coding: utf-8 -*-
+"""
+Created on Sat Feb 21 14:28:46 2026
+
+@author: ottav
+"""
+
+# -*- coding: utf-8 -*-
+"""
+Script per ottimizzazione di portafoglio con moltiplicatori di Lagrange
+Script for portfolio optimization with Lagrange multipliers
+"""
+
+import yfinance as yf
+import pandas as pd
+import numpy as np
+
+class ottimizzazioneLagrange:
+    # optimization of portfolio - Markowitz (Global Minimum Variance)
+    # ottimizzazione di portafoglio - Markowitz (Minima Varianza Globale)
+    def __init__(self, tickers, period):
+        self.tickers = tickers
+        self.period = period
+        
+        self.dati_prezzi = None
+        self.matrice_covarianza = None
+        self.pesi_ottimali = None
+        
+    def downloadData(self):
+        print(f"Downloading Data for {self.tickers}....\nDownload Dati per {self.tickers}....")
+        dati = yf.download(self.tickers, period=self.period)
+        
+        if isinstance(dati.columns, pd.MultiIndex):
+            self.dati_prezzi = dati['Close']
+        else:
+            self.dati_prezzi = pd.DataFrame(dati['Close'])
+            self.dati_prezzi.columns = self.tickers
+            
+        print("Data downloaded successfully!\nDati scaricati con successo!\n")
+        
+    def prepare_matrix(self):
+        if self.dati_prezzi is None or self.dati_prezzi.empty:
+             raise ValueError("You must download the data first\nDevi prima scaricare i dati")
+             
+        rendimenti = self.dati_prezzi.pct_change().dropna()
+        self.matrice_covarianza = rendimenti.cov() * 252
+        print("Covariance Matrix in progress...... --> Calculated!\nMatrice Covarianze in progress...... --> Calcolata!\n")
+        
+    def portfolio_optimization(self):
+        if self.matrice_covarianza is None:
+            raise ValueError("You must fill the matrix first!\nDevi prima riempire la matrice!")
+            
+        n_asset = len(self.tickers)
+        vettore1 = np.ones(n_asset)   
+        cov_inversa = np.linalg.inv(self.matrice_covarianza.values)
+        num = cov_inversa @ vettore1
+        den = vettore1.T @ num
+        self.pesi_ottimali = num / den 
+        print("Optimization completed!\nOttimizzazione completata!\n")
+        
+    def mostrarisultati(self):
+        if self.pesi_ottimali is None:
+            raise ValueError("You must calculate the weights first\nDevi prima calcolare i pesi")
+            
+        print('-' * 40)
+        print("GLOBAL MINIMUM VARIANCE PORTFOLIO\nPORTAFOGLIO A MINIMA VARIANZA GLOBALE")
+        print('-' * 40)
+        
+        for i, ticker in enumerate(self.tickers):
+            peso_percentuale = self.pesi_ottimali[i] * 100
+            print(f"Asset: {ticker} | Weight: {peso_percentuale:.2f}%")
+            
+        print("-" * 40)
+
+#start code
+if __name__ == "__main__":
+    # 1. Scegliamo i ticker e il periodo
+    tickers_scelti = ["AAPL", "MSFT", "GOOGL"]
+    
+    # 2. Creiamo l'oggetto
+    mio_ptf = ottimizzazioneLagrange(tickers=tickers_scelti, period="1y")
+    
+    # 3. Lanciamo i metodi in sequenza
+    mio_ptf.downloadData()
+    mio_ptf.prepare_matrix()
+    mio_ptf.portfolio_optimization()
+    
+    # 4. Stampiamo i risultati a schermo
+    mio_ptf.mostrarisultati()