portfolio.py

import pandas as pd
from pypfopt.efficient_frontier import EfficientFrontier
from pypfopt.risk_models import CovarianceShrinkage
from pypfopt.expected_returns import mean_historical_return


def prepare_data_for_portfolio(stock_prices):
    """
    Uzun formattaki hisse fiyat verisini geniş forma dönüştürür, tarihleri tekilleştirir
    ve eksik verileri bir önceki değerle doldurur.

    Parametre:
        stock_prices (pd.DataFrame): Uzun formatta tarih, kod, deger sütunları olan DataFrame.

    Döndürür:
        pd.DataFrame: Geniş formatta, hisse fiyatlarının sütunlarda yer aldığı DataFrame.
    """
    # Tarih sütununu datetime formatına çevir
    stock_prices['tarih'] = pd.to_datetime(stock_prices['tarih'])

    # Aynı tarih ve kod kombinasyonu için değerleri ortalama alarak birleştir
    stock_prices_grouped = stock_prices.groupby(['tarih', 'kod'], as_index=False)['deger'].mean()

    # Pivot ederek kod değerlerini sütun isimleri haline getir
    stock_prices_pivot = stock_prices_grouped.pivot(index='tarih', columns='kod', values='deger')

    # Eksik verileri bir önceki değerle doldur
    stock_prices_pivot.fillna(method='ffill', inplace=True)

    # Eğer hala eksik veri varsa ilk satırlarda, onları sıfırla doldurabiliriz
    stock_prices_pivot.fillna(0, inplace=True)

    return stock_prices_pivot

def optimize_portfolio(stock_data):
    """
    Portföy optimizasyonu yaparak optimal ağırlıkları ve performans ölçümlerini döner.

    Parametre:
        stock_data (pd.DataFrame): Hisse senetleri fiyat verisi, sütunlar hisse isimleri, index tarih.

    Döndürür:
        dict: Optimal portföy ağırlıkları
        tuple: (Beklenen Getiri, Risk (Volatilite), Sharpe Oranı)
    """
    # Tüm sütunlardaki verileri sayısal formata dönüştür
    stock_data = stock_data.apply(pd.to_numeric, errors='coerce')

    # NaN değerleri kontrol et ve doldur
    if stock_data.isna().any().any():
        print("Uyarı: Eksik değerler tespit edildi, bunlar bir önceki değerle dolduruluyor...")
        stock_data.fillna(method='ffill', inplace=True)


    # Beklenen getiriler ve risk matrisi hesaplama
    mu = mean_historical_return(stock_data)
    S = CovarianceShrinkage(stock_data).ledoit_wolf()

    # Efficient Frontier (Sharpe oranını maksimize eden portföy)
    ef = EfficientFrontier(mu, S)
    weights = ef.max_sharpe()
    cleaned_weights = ef.clean_weights()

    # Portföy performans ölçümleri
    expected_return, volatility, sharpe_ratio = ef.portfolio_performance(verbose=True)

    # Sonuçları döndür
    return cleaned_weights, (expected_return, volatility, sharpe_ratio)