finetune

main.py

@@ -33,7 +33,13 @@ SQL_CONFIG = dict(
     port=os.getenv("PGPORT"),
     password=os.getenv("PGPASSWORD")
 )
-
+# SQL_CONFIG = dict(
+#         database="railway",
+#         user="postgres", 
+#         host="containers-us-west-103.railway.app", 
+#         port="5913",
+#         password="gv5Mh7cPjCm9YTjAmsYD"
+# )
 # SQL_CONFIG = {@
 #     'database': "tpm",
 #     'user': "hsienchen", 

templates/base.html

@@ -197,14 +197,14 @@
 
                     假設有n個資產，它們的收益率分別為 $R_1, R_2, ..., R_n$，協方差矩陣為 $\Sigma$。假設現有一個投資組合，其中各資產的權重分別為 $w_1, w_2, ..., w_n$，則該投資組合的收益率為：
                 </p>
-                <span style="font-size: 2.5vmin;">
+                <span style="font-size: min(2.5vmin, 20px);">
                     $$R_p = w_1 R_1 + w_2 R_2 + ... + w_n R_n = w^T R$$
                 </span>
                 
                 <p>
                     該投資組合的方差為：
                 </p>
-                <span style="font-size: 2.5vmin;">
+                <span style="font-size: min(2.5vmin, 20px);">
                     $$\begin{align}\sigma^2_p 
                     &= w_1^2 \sigma_1^2 + w_2^2 \sigma_2^2 + ... 
                     \\&+ w_n^2 \sigma_n^2 + 2w_1w_2\sigma_{1,2} + 
@@ -215,7 +215,7 @@
 
                     為了尋找最優投資組合，我們可以使用均值-方差優化方法。該方法的核心思想是通過最小化投資組合的方差，來最大化其收益率。假設有一個投資者的風險偏好係數為 $\gamma$，則該投資者所選擇的最優投資組合為：
                 </p>
-                <span style="font-size: 2.5vmin;">
+                <span style="font-size: min(2.5vmin, 20px);">
                     $$\text{min}\ \frac{1}{2}w^T \Sigma w - \gamma w^T R$$
 
                     $$\text{s.t.}\ \sum_{i=1}^n w_i = 1, w_i \geq 0$$
@@ -235,7 +235,7 @@
                 <p>
                     在實際應用中，通常使用投資組合的夏普比率（Sharpe Ratio）作為評估指標。夏普比率可以看作是投資組合每單位風險所帶來的超額收益，其計算公式為：
                 </p>
-                <span style="font-size: 2.5vmin;">
+                <span style="font-size: min(2.5vmin, 20px);">
                     $$\text{Sharpe Ratio} = \frac{R_p - R_f}{\sigma_p}$$
                 </span>
                 <p>
@@ -258,7 +258,7 @@
                                 固定預期報酬 $p$，令投資組合權重為 $w$, 則將波動率最小化的數學問題為:
                             </div>
                             <div class="card-body">
-                              <p class="card-text" style="font-size: 2.5vmin;">
+                              <p class="card-text" style="font-size: min(2.5vmin, 20px);">
                                 $$\begin{equation}
                                 \begin{aligned}
                                 \min_{w} \quad &\frac{1}{2}w^{T}\Sigma w\quad\\
@@ -277,7 +277,7 @@
                                 令投資組合權重為 $w$, 則將夏普率最大化的數學問題為:
                             </div>
                             <div class="card-body">
-                              <p class="card-text" style="font-size: 2.5vmin;">
+                              <p class="card-text" style="font-size: min(2.5vmin, 20px);">
                                 $$\begin{equation}
                                 \begin{aligned}
                                 \min_{w} \quad &\frac{w^T R}{\sqrt{w^{T}\Sigma w}}\quad\\
@@ -298,7 +298,7 @@
                     Alpha代表投資組合的超額收益，Beta則代表投資組合與市場的相關性。
                     Beta值是衡量資產相對於整個市場的波動性的指標。Beta值的公式如下：
                 </p>
-                <span style="font-size: 2.5vmin;">
+                <span style="font-size: min(2.5vmin, 20px);">
                     $$\beta_i = \frac{\text{Cov}(r_i,r_m)}{\text{Var}(r_m)}$$
                 </span>
                 <p>
@@ -309,7 +309,7 @@
                     Beta值可以用來評估投資組合的風險程度，投資者可以通過控制投資組合中資產的Beta值來實現風險管理。
                     Beta值可以與CAPM（Capital Asset Pricing Model）和線性回歸相關聯。在CAPM中，假設資產的預期收益率可以通過以下公式計算：
                 </p>
-                <span style="font-size: 2.5vmin;">
+                <span style="font-size: min(2.5vmin, 20px);">
                     $$E(r_i) = r_f + \beta_i(E(r_m) - r_f)$$
                 </span>
                 <p>
@@ -323,13 +323,13 @@
 
                     Alpha 值可以通過線性回歸分析來計算。假設投資組合的收益率可以表示為以下公式：
                 </p>
-                <span style="font-size: 2.5vmin;">
+                <span style="font-size: min(2.5vmin, 20px);">
                     $$r_p = \alpha + \beta_p (r_m-f_f) + \epsilon$$
                 </span>
                 <p>
                     其中，$r_p$ 表示投資組合的收益率，$\alpha$ 表示 Alpha 值，$\beta_p$ 表示投資組合的 Beta 值，$r_m$ 表示市場收益率，$\epsilon$ 表示誤差項。如果我們將上述公式進行線性回歸，可以得到：
                 </p>
-                <span style="font-size: 2.5vmin;">
+                <span style="font-size: min(2.5vmin, 20px);">
                     $$\hat{r_p} = \hat{\alpha} + \hat{\beta_p} (r_m-r_f)$$
                 </span>
                 <p>
@@ -344,7 +344,7 @@
 
                     假設 $X$ 是一個隨機變量，表示資產或投資組合在未來一定時間內的損失額，$p$ 表示所選取的信心水平，VaR 可以表示為：
                 </p>
-                <span style="font-size: 2.5vmin;">
+                <span style="font-size: min(2.5vmin, 20px);">
                     $$\text{VaR}_p(X) = - \inf \{ x \in \mathbb{R} : F_X(x) \geq p \}$$
                 </span>
                 <p>
@@ -352,7 +352,7 @@
 
                     例如，假設我們選取信心水平 $p=0.95$，並且假設資產或投資組合在未來一周內的報酬率的分布是正態分布 $N(\mu,\sigma^2)$，那麼根據上述公式，VaR 的值為：
                 </p>
-                <span style="font-size: 2.5vmin;">
+                <span style="font-size: min(2.5vmin, 20px);">
                     $$\begin{align}\text{VaR}_{0.95}(X) &= -\inf\{ x \in \mathbb{R} : F_X(x) \leq 0.05 \} \\
                     &= -\inf \{x \in \mathbb{R} : \mathbb{P}(z\leq\frac{x-\mu}{\sigma}) \leq 0.05) \} \\
                     &= -\inf \{x \in \mathbb{R} : \Phi (\frac{x-\mu}{\sigma}) \leq 0.05 \} \\ 

templates/result_view.html

@@ -64,6 +64,17 @@
                 {{ data.role|safe }}
               </div>
             </div>
+            <hr>
+            <div class="row">
+              <div class="col-4">
+                <strong>資產</strong>
+              </div>
+              <div class="col-6">
+                {% for a in data.assets %}
+                <span class="badge text-bg-secondary">{{ a|safe }}</span>
+                {% endfor %}
+              </div>
+            </div>
             <div class="row">
               <button class="btn btn-info mt-3" type="button" data-bs-toggle="collapse" data-bs-target="#collapse1" aria-expanded="false" aria-controls="collapseExample">
                   詳細資訊
@@ -81,7 +92,7 @@
                                   <th scope="col">Alpha</th>
                                   <th scope="col">Beta</th>
                                   <th scope="col">VaR10</th>
-                                  <th scope="col">R^2</th>
+                                  <th scope="col">R2</th>
                               </tr>
                           </thead>
                           <thead style="font-size: 1vmin'">
@@ -149,7 +160,7 @@
       'title': {'text': ''}, 
       'xaxis': {'anchor': 'y', 'domain': [0.0, 1.0], 'title':''}, 
       'yaxis': {'anchor': 'x', 'domain': [0.0, 1.0], 'title':''},
-      'margin': {'l': 50, 'r': 50, 't': 50, 'b': 50},
+      'margin': {'l': 20, 'r': 10, 't': 50, 'b': 50},
       'legend': {'yanchor': 'top', 'y': 1.2, 'xanchor': 'left', 'x': 0.01, 'orientation':'h'}
     };
     const blayout = {
@@ -157,7 +168,7 @@
       'title': {'text': ''}, 
       'xaxis': {'anchor': 'y', 'domain': [0.0, 1.0], 'title':''}, 
       'yaxis': {'anchor': 'x', 'domain': [0.0, 1.0], 'title':''},
-      'margin': {'l': 50, 'r': 50, 't': 50, 'b': 50},
+      'margin': {'l': 40, 'r': 10, 't': 50, 'b': 70},
       'legend': {'yanchor': 'top', 'y': 1.2, 'xanchor': 'left', 'x': 0.01, 'orientation':'h'}
     };
     var w = {{ data.weight|safe }};