#Načítanie knižníc
library(utils)
library(tidyquant)
library(maditr)
getwd()
################################################################################
################################## Priklad 1 ###################################
################################################################################
rm(list=ls())

# a) Nacitajte data z csv suboru "Pr1_data.csv", ktory je v interaktivnej osnove
price=read.csv2("Pr1_data.csv", header = TRUE, sep = ";",quote = "\"",dec = ",", fill=TRUE)
price
head(price)
# b) Vypocitajte logaritmicke denne vynnosnosti + ocakavanu vynnosnost
ret=diff(log(as.matrix(price[,-1])), lag=1)
ret
head(ret)
E_ret=apply(ret,2,mean)

# c) Spocitajte kovariancnu maticu
cov_M=cov(ret)
cov_M

# d) Spocitajte vahy min-variance portfolia
mat_S=2*cov_M
n_asset=length(E_ret)
n_asset
v_1=rep(1,n_asset)
v_1

mat_S=cbind(mat_S,v_1)
mat_S
v_2=c(rep(1,n_asset), 0)
mat_S=rbind(mat_S,v_2)
mat_S

mat_I=solve(mat_S)
vps=c(rep(0,n_asset),1)
vsp
wi=mat_I%*%vps
wi
#ocistene vahy o lambda1
wi=wi[1:n_asset,]

# e) Spocitajte ocakavany vynos a riziko portfolia

E_rp=wi%*%E_ret
E_rp
var_P=wi%*%cov_M%*%wi
var_P
sd_P=sqrt(var_P)

sd_P
################################################################################
################################## Priklad 2 ###################################
################################################################################
rm(list=ls())

# a) Stiahnite data aktiv nachadzajucich sa v indexe Dow Jones 30
#    z yahoo.finance.com priamo cez R pomocou funkcie tq_get z balicka tidyquant.
#    Data stiahnite od 01.01.2020 do dnesneho dna.
dow <- tq_index("DOW") 

price <- tq_get(dow$symbol,
                get = "stock.prices",
                from = "2020-01-01",
                to = Sys.Date())

price
head(price)
price <- dcast(price, date~symbol, value.var = "close")

# b) Rozdelte data na trenovacie, na ktorych spocitate vahy (na tento ucel 
#    vyberieme data za rok 2020) a na aplikacne na ktore spocitane vahy 
#    aplikujete (data za rok 2021).
dim(price)
dat_t=price[1:252,]
dim(dat_t)
dat_a=price[253:dim(price)[1]]
dim(dat_a)
# c) Vypocitajte logaritmicke denne vynnosnosti trenovacich aj aplikacnych dat
ret_t=diff(log(as.matrix(dat_t[,-1],lag=1)))
head(ret_t)
ret_a=diff(log(as.matrix(dat_a[,-1],lag=1)))

E_ret_t=apply(ret_t,2,mean)
E_ret_a=apply(ret_a,2,mean)
E_ret_a
# d) Spocitajte kovariancnu maticu trenovacich aj aplikacnych dat
cov_M_t=cov(ret_t)
cov_M_a=cov(ret_a)
cov_M_t
dim(cov_M_t)
# e) Spocitajte vahy min-variance portfolia z trenovacich dat
mat_S=2*cov_M_t
n_asset=length((E_ret_t))
n_asset
v_1=rep(1,n_asset)
mat_S
mat_S=cbind(mat_S,v_1)
v_2=c(rep(1,n_asset),0)
mat_S=rbind(mat_S,v_2)
mat_S
mat_I=solve(mat_S)
VPS=c(rep(0,n_asset),1)
wi=mat_I%*%VPS
wi
dim(wi)
wi=wi[1:n_asset,]
wi
n_asset
# f) Spocitajte ocakavany vynos a riziko portfolia aplikovanim vah na aplikacne
#    data
ret_P=wi%*%E_ret_a
ret_P
var_P=wi%*%cov_M_a%*%wi
sd_P=sqrt(var_P)
sd_P

h_ret_P=wi%*%E_ret_t
h_ret_P
h_var_P=wi%*%cov_M_t%*%wi

h_sd_P=sqrt(h_var_P)
  
h_sd_P
  
  ################################################################################
################################## Priklad 3 ###################################
################################################################################

# a) Spocitajte vahy pre aktiva v indexe Dow Jones pomocou balicku fPortfolio
#    bez obmedzeni na vahach 

mvSpec <- portfolioSpec()
print(mvSpec)
data

MV <- minvariancePortfolio(data = as.timeSeries(ret), spec = mvSpec, 
                           constraints = c("minW[1:nAssets]=-100", 
                                           "maxW[1:nAssets]=100"))
print(MV)

# b) Vahy ulozte
vahy_fP <- c(getWeights(MV))
vahy_fP

# c) Pomocou ziskanych vah vypocitajte vynos a riziko portfolia z aplikacnych
#    dat a porovnajte s vysledkymi z Prikladu 2



################################################################################
################################## Priklad 4 ###################################
################################################################################

# a) Spocitajte vahy pre aktiva v indexe Dow Jones pomocou balicku fPortfolio
#    pri zakazani sellshortu a obmedzeni maximalnej vysky vahy 10% na aktivum
mvSpec=portfolioSpec()
print(mvSpec)

MV=minvariancePortfolio(data=as.timeSeries(ret_t),spec=mvSpec,constraints=c("minW[1:n_asset]=0","maxW[1:n_asset]=0.1"))
MV

# b) Vahy ulozte

wii=c(getWeights(MV))
wii

# c) Pomocou ziskanych vah vypocitajte vynos a riziko portfolia z aplikacnych 
#    dat a porovnajte s vysledkymi z Prikladu 3
rp_2=wii%*%E_ret_a
rp_2
var_p2=wii%*%cov_M_a%*%wii
sd_p2=sqrt(var_p2)
sd_p2
ratioP2=rp_2/sd_p2
ratioP1=ret_P/sd_P
ratioP1
ratioP2

ret_P
sd_P
################################################################################
################################ Domaca uloha ##################################
################################################################################
# Stiahnite si data aktiv indexu Dow Jones z prikladu 2 do pocitaca a pomocou
# Ecelu spocitajte Priklad 2. Vysledky porovnajte s tymi co nam vysli v R.

write.csv2(price, file = "DU.csv")