Portfolio Optimization Using Time Series 

Analysis 
 
 
Group ID - 16 
 
 
 
 
Shobhit Sachan Jatin Khandelwal Sourabh Ingale 
170677  180325 180777 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
Introduction 
 
Time  series  analysis  comprises  methods  for  analyzing  time  series  data  in  order 
to  extract  meaningful  statistics  and  other  characteristics  of  the  data.  Time  series 
forecasting  is  the  use  of  a  model  to  predict  future  values  based  on  previously 
observed values. Time series are widely used for non-stationary data, like 
economic, weather, stock price, etc. We will demonstrate the use of time series to 
help  an  investor  select  the  most  profitable  trades  in  the  stock  market  and 
manage his portfolio to maximum efficiency. 
 
About the Data: 
 
We  have  the  2017  per  minute  stock  price  data  of  111 large cap companies listed 
on  the  NSE.  That,  in  turn,  translates  that  we  are  dealing  with  110  different  time 
series.  The  data  contains  the  columns:  'Dates',  'stockVWAP',  'futureVWAP', 
'bidPrice', 'askPrice', 'total_value', 'total_size'.  
 
 
Making the Portfolio: 
 
Selecting the Top Performing Stocks: 
We  started  with  111  stocks  and  split  the  data  of  each stock time series into train 
and test data frames and operate further on the train set.  
After  we  have  the  final  dataframes  to  operate  upon,  we  begin  computing  our 
moving  average  data  in  a  newly  formed  array.  As  a  healthy  habit  in  finance,  to 
calculate  the  moving  average,  we  should  resort  to  using  three  times  the  data 
points  than  we  are  calculating  for  to  maintain  a  more  stable  trend  to  compare 
data  upon.  If  we  take  the  time  interval  of  2hrs,  then  360  data  points  taken  into 
consideration for the moving average. 
The  first  360  data  points  of  ‘stock  volume  weighted  average  price’  go  into  the 
array  as  they  are.  The  following  data  points  are  a  moving  average  of  360  data 
points preceding this position. 
Now,  we  calculate  the  deviation  of  each  data  point’s  stock  Volume  weighted 
average  price  from  the  moving  average  taking  the  spread  of  ask  and  bid  price, 
and  brokerage  into  consideration.  We  take  note  of  all  instances  when  the 
deviation  is  positive(i.e  >  0)  and  count  these  instances  as  the  number  of  trades 
and the deviations for Total profit and mean deviation. 
Further, we compile this data into a final data frame . 
Now  when  it  comes  to  selecting  the  top  performing  stocks,  there  is  no  fixed 
approach  needed.  One  of  the  approaches  we  used  was  adding  the  column  of 
total  profit(avg.profit  per  trade*  number  of  trades)  .  Now  we  selected  19  stocks 
whose  total  profit  ,  avg  profit  and  num  stocks  were  greater  than  the  lowest  75% 
values ,individually.  

 
 
Removing Correlated Stocks: 
 
Many  of  the  top  performing  companies,  especially  those  in  the  same  sector,  can 
have  a  high  correlation,  and  our  goal  here  is  to  create  a  diversified  portfolio.  To 
do  that,  we  have  eliminated  stocks  having  correlation  value  greater  than  0.8.  A 
diversified portfolio helps in risk aversion. 
After this step, we are left with 9 stocks. 
 
Stocklist: 
● RELCAPITAL 
● TATASTEEL 
● SUNTV 
● RELINFRA 
● BHARATFIN 
● ESCORTS 
● HINDPETRO 
● INFY 
● SRTRANSFIN 
  
 
 
Visualising the Time Series: 
 
The  first  step  is  to visualize the data to understand what type of model we should 
use.  We  will  check  for  the  overall  trend  in  our  data.  Also,  look  for  any  seasonal 
trends.  This  is  important  for  deciding  which  type  of  model  to  use.  We  have  used 
the  predefined  library  functions  to  decompose  the  time  series  into  trend, 
seasonal and residual components. 
 
 
Stationarize the data: 
  
ESCORTS LTD. STOCK DATA, 2017 
 
 
 
 

 
Definition-  {Xt}  is  said  to  be  a  stationary  process  if  for  every  n,  and  every 
admissible  t1,t2,  .  .  . .tn and any integer k, the joint distribution of {Xt1,Xt2,. . . .,Xtn} 
is identical to the joint distribution of {Xt1+k,Xt2+k,. . . .,Xtn+k}. 
 
A  time  series  is  defined to be stationary if its joint probability distribution is mostly 
invariant  under  translations  in  time  or  space.  In  particular,  and of key importance 
for  traders,  the  mean  and  variance  of  the  process  do  not  change  over  time  or 
space and they each do not follow a trend. 
If  a  time  series  is  stationary  in  nature,  we observe that the probability distribution 
is  invariant  and  hence  a  lot  of  factors  somewhat  constant  remain  in  control  and 
such  a  series  is  easier  to  work  upon  for  statistical  purposes.  Hence,  calculating 
the stationarity of the series becomes important. 
There  are  two  ways  you can check the stationarity of a time series. The first is by 
looking  at  the  data.  By  visualizing  the  data  it  should  be  easy  to  identify  a 
changing  mean  or  variation  in the data. For a more accurate assessment there is 
the Dickey-Fuller test. 
 
 
Dickey Fuller Test 
 
In  statistics,  the  Dickey-Fuller  Test  tests  the  null  hypothesis  that  a  unit  root  is 
present  in  an  autoregressive  model.  The  alternative  hypothesis  is  different 
depending  on  which  version  of  the  test  is  used,  but  is  usually  stationarity  or 
trend-stationarity.  Hence  our  null  hypothesis  H0  is  not  stationary  against  our 
alternate  hypothesis  H1  which  is  data  stationary.  The  Dickey-Fuller  test  is testing 
if φ=1 in this model of the data: 
Yt = α + βt +φyt-1+et 
which is written as: 
Δyt = yt− yt-1= α + βt + γyt-1+et 
Where yt is our data. 
 
It  is  written  this  way  so  we  can  do  a  linear regression of Δyt against t and yt-1 and 
test  if  γ  is  different  from  0.  If  γ=0  ,  then  we  have  a  random  walk  process.  If  not 
and  −1<1+γ<1,  then  we  have  a  stationary  process.  We  apply  the  test  to  check 
whether  our  hypothesis  is  true  or  not,  we  look  for  a  p-value  in  the test, and if the 
p-value  is  less  than  a  specific  significant  level  often  0.05  or  0.01,  we  reject  our 
null hypothesis and thus making our time series stationary. 
 
So  now  we  need  to  transform  the  data  to  make  it  more  stationary.  There  are 
various transformations you can do to stationarize the data. 
 
●  Logarithmic  -  Converts  multiplicative  patterns  to  additive  patterns  and/or 
linearize  exponential  growth.  Converts  absolute  change  to  percentage  changes. 
Often  stabilizes  the  variance  of  data  with  compound  growth,  regardless  of 
whether deflation is also used. 
● First Difference - Converts “levels” to “changes”. (Xt -Xt-1) 
● Seasonal Difference - Convert “levels” to “seasonal changes”.(Xt -Xt-s) Now we 
will apply various transformations recursively until we obtain a stationary time 
series according to the Dickey-Fuller test. 
 
Plot the ACF and PACF charts and find the optimal parameters 
 
● Autocorrelation Function (ACF). The plot summarizes the correlation of an 
observation with lag values. The x-axis shows the lag and the y-axis shows the 
correlation coefficient between -1 and 1 for negative and positive correlation. 
 
● Partial Autocorrelation Function (PACF). The plot summarizes the 
correlations for an observation with lag values that is not accounted for by prior 
lagged observations. Some useful patterns you may observe on these plots are: 
 
● The model is AR if the ACF trails off after a lag and has a hard cut-off in the 
PACF after a lag. This lag is taken as the value for p. 
● The model is MA if the PACF trails off after a lag and has a hard cut-off in the 
ACF after the lag. This lag value is taken as the value for q. 
● The model is a mix of AR and MA if both the ACF and PACF tail off. 
 
We plot the ACF and PACF of the original data. 
  
 
 
As it is evident from the ACF chart, the time series does not appear to have a 
strong seasonal component to it. 
 

 
 
We  can  see  that  after  applying  the  Dickey-Fuller  Test  on  our  data,  the  p  value 
comes  out  to  be  significantly  greater  than  0.05,  as  a  result  we  accept  the  null 
hypothesis.  Hence  our  data  is not-stationary. To make the data stationary first we 
apply  log  difference  as  a  result  in  order  to  eliminate  1st  order  trends,  present  in 
the data.  
  
 
As  it  is  evident  from  the  differenced  data  that  now  there  is  no  trend  component 
present  in it. We already know from the ACF plots that the data does not possess 
a seasonal trend. 
 
We confirm stationarity by applying the Dickey-Fuller test: 

 
 
The p-value is small enough for us to reject the null hypothesis, 
and we can consider that the time series is stationary. 
ACF and PACF of the stationary data: 

 
  
 
On observing all the 9 stocks: 
● RELCAPITAL -> Non-Stationary -> ARIMA(6,1,0) 
● TATASTEEL -> Non-Stationary -> ARIMA(6,1,0) 
● SUNTV -> Non-Stationary -> ARIMA(5,1,0) 
● RELINFRA -> Non-Stationary -> ARIMA(1,1,1) 
● BHARATFIN -> Non-Stationary -> ARIMA(3,1,0) 
● ESCORTS -> Non-Stationary -> ARIMA(3,1,3) 
● HINDPETRO -> Non-Stationary -> ARIMA(2,1,2) 
● INFY -> Stationary -> ARIMA(1,1,0) 
● SRTRANSFIN -> Non-Stationary -> ARIMA(5,1,0) 
 
 
 
 
Model Building: 

 
For  the  above  shown  process,  the  AIC  and  BIC  values  came  out  to  be 
small  and  hence  it  is  the required model which came out to be the same as 
we anticipated using ACF and PACF plots. 
 
Residual Analysis: 
 

 
 
Model Predictions: 
 
  
 
  
 
 
 
 
 
 
 
Markowitz Portfolio Optimization :- 
 
Portfolio  Optimization  assists  in  the  selection  of  the  most  efficient  portfolio  by 
analyzing  various  possible  portfolios  of  the  given  securities/stocks 
available.Portfolio  Optimization  is  a  process  through  which  we  can maximize our 
returns with minimum amount of risk. 
This  model  of  Portfolio  Optimization  is  also  called  Mean-Variance  due  to the fact 
that  it  is  based on expected returns (mean) and the standard deviation (variance) 
of the various portfolios. 
 
To  choose  the  best  portfolio  from  a  number  of  possible  portfolios,  each  with 
different  return  and  risk,  two  separate  decisions  are  to  be  made,  detailed  in  the 
below sections: 

1. Determination of a set of efficient portfolios. 

Methodology :- 
A  portfolio  that  gives  maximum  return  for  a  given  risk,  or  minimum  risk  for  given 
return is an efficient portfolio. Thus, portfolios are selected as follows: 

(a)  From  the  portfolios  that  have  the  same  return,  the  investor  will  prefer  the 
portfolio with lower risk. 

(b)  From  the  portfolios  that  have  the  same  risk  level,  an  investor  will  prefer  the 
portfolio with a higher rate of return. 
 
In  the  market  for  portfolios  that  consist  of  risky  and  risk-free  securities,  we  use 
the  metric  called  sharpe  ratio.  The  Sharpe  Ratio  (or  Sharpe  Index  or  Modified 
Sharpe  Ratio)  is  commonly  used  to  gauge  the  performance  of  an  investment  by 
adjusting  for  its  risk.  The  higher  the  ratio,  the  greater  the  investment  return 
relative  to  the  amount  of risk taken, and thus, the better the investment. The ratio 
can  be  used  to  evaluate  a  single  stock  or  investment,  or  a  portfolio.  Our  goal 
here  is  to assign random weights to the portfolio and aim to maximise the Sharpe 
Ratio.