pyfinance簡介

在查找如何使用Python實現(xiàn)滾動回歸時，發(fā)現(xiàn)一個很有用的量化金融包——pyfinance。顧名思義，pyfinance是為投資管理和證券收益分析而構(gòu)建的Python分析包，主要是對面向定量金融的現(xiàn)有包進行補充，如pyfolio和pandas等。

pyfinance包含六個模塊

datasets.py ：金融數(shù)據(jù)下載（基于request進行數(shù)據(jù)爬蟲，有些數(shù)據(jù)由于外網(wǎng)受限已經(jīng)無法下載）；

general.py：通用財務計算，例如主動份額計算，收益分配近似值和跟蹤誤差優(yōu)化；

ols.py：回歸分析，支持pandas滾動窗口回歸；

options.py：期權(quán)衍生品計算和策略分析；

returns.py：通過CAPM框架對財務時間序列進行統(tǒng)計分析，旨在模擬FactSet Research Systems和Zephyr等軟件的功能，并提高了速度和靈活性；

utils.py：基礎(chǔ)架構(gòu)。

本文主要圍繞returns模塊，介紹pyfinance在證券投資分析中的應用，后續(xù)將逐步介紹datasets、options、ols等模塊。

returns模塊應用實例

pyfinance的安裝比較簡單，直接在cmd（或anaconda prompt）上輸入"pip install pyfinance"即可。returns模塊主要以TSeries類為主體（暫不支持dataframe），相當于對pandas的Series進行類擴展，使其實現(xiàn)更多功能，支持證券投資分析中基于CAMP（資本資產(chǎn)定價模型）框架的業(yè)績評價指標計算。引用returns模塊時，直接使用"from pyfinance import TSeries"即可。

下面以tushare為數(shù)據(jù)接口，先定義一個數(shù)據(jù)獲取函數(shù)，在函數(shù)里對收益率數(shù)據(jù)使用TSeries進行轉(zhuǎn)換，之后便可以直接使用TSeries類的相關(guān)函數(shù)。

import pandas as pd  
import numpy as np
from pyfinance import TSeries
import tushare as ts
def get_data(code,start='2011-01-01',end=''):
 df=ts.get_k_data(code,start,end)
 df.index=pd.to_datetime(df.date)
 ret=df.close/df.close.shift(1)-1
 #返回TSeries序列
 return TSeries(ret.dropna())
#獲取中國平安數(shù)據(jù)
tss=get_data('601318')
#tss.head()

收益率計算

pyfinance的returns提供了年化收益率（anlzd_ret）、累計收益率（cuml_ret）和周期收益率（rollup）等，下面以平安銀行股票為例，計算收益率指標。

#年化收益率
anl_ret=tss.anlzd_ret()
#累計收益率
cum_ret=tss.cuml_ret()
#計算周期收益率
q_ret=tss.rollup('Q')
a_ret=tss.rollup('A')
print(f'年化收益率：{anl_ret*100:.2f}%')
print(f'累計收益率：{cum_ret*100:.2f}%')
#print(f'季度收益率：{q_ret.tail().round(4)}')
#print(f'歷年收益率：{a_ret.round(4)}')

輸出結(jié)果：

累計收益率：205.79%

年化收益率：12.24%

可視化每個季度（年）收益率

from pyecharts import Bar
attr=q_ret.index.strftime('%Y%m')
v1=(q_ret*100).round(2).values
bar=Bar('中國平安各季度收益率%')bar.add('',attr,v1,)
bar

from pyecharts import Bar
attr=a_ret.index.strftime('%Y')
v1=(a_ret*100).round(2).values
bar=Bar('中國平安歷年收益率%')
bar.add('',attr,v1,is_label_show=True,
 is_splitline_show=False)
bar

CAPM模型相關(guān)指標

基于CAPM模型計算alpha、beta、回歸決定系數(shù)R2、t統(tǒng)計量和殘差項等。實際上主要使用了ols回歸，因此如果要獲得這些動態(tài)的alpha和beta值，可以進一步借助ols模塊的滾動回歸函數(shù)（PandasRollingOLS）了，這將在后續(xù)推文介紹其應用。

#以滬深300指數(shù)為基準
#為保證二者長度一致，以中國平安的索引為準
benchmark=get_data('hs300')
benchmark=benchmark.loc[tss.index]
alpha,beta,rsq=tss.alpha(benchmark),tss.beta(benchmark),tss.rsq(benchmark)
tstat_a,tstat_b=tss.tstat_alpha(benchmark),tss.tstat_beta(benchmark)
print(f'alpha:{alpha:.4f}，t統(tǒng)計量：{tstat_a:.2f}')
print(f'beta :{beta:.4f}，t統(tǒng)計量：{tstat_b:.2f}')
print(f'回歸決定系數(shù)R2：{tss.rsq(benchmark):.3f}')
alpha:0.0004，t統(tǒng)計量：1.55
beta :1.0634，t統(tǒng)計量：60.09
回歸決定系數(shù)R2：0.606

風險指標

風險指標主要包括標準差和最大回撤。在計算標準差時，注意需要修改默認參數(shù)，打開pyfinance安裝包所在路徑，如果是安裝了Anaconda，進入以下路徑：

c:\Anaconda3\Lib\site-packages\pyfinance，打開returns源文件，找到anlzd_stdev和semi_stdev函數(shù)，將freq默認None改成250（一年的交易天數(shù)）。

#年化標準差
a_std=tss.anlzd_stdev()
#下行標準差
s_std=tss.semi_stdev()
#最大回撤
md=tss.max_drawdown()
print(f'年化標準差：{a_std*100:.2f}%')
print(f'下偏標準差：{s_std*100:.2f}%')
print(f'最大回撤差：{md*100:.2f}%')
年化標準差：31.37%
下偏標準差：0.43%
最大回撤差：-45.76%

下偏標準差主要是為解決收益率分布的不對稱問題，當收益率函數(shù)分布左偏的情況下，使用正態(tài)分布會低估風險，因此使用傳統(tǒng)夏普比率分母使用全樣本標準差進行估計不太合適，應使用收益對無風險投資收益的偏離。

基準比較指標

基準比較指標是需要指定一個基準（benchmark），如將滬深300指數(shù)作為中國平安個股的基準進行比較分析。

bat=tss.batting_avg(benchmark)
uc=tss.up_capture(benchmark)
dc=tss.down_capture(benchmark)
tc=uc/dc
pct_neg=tss.pct_negative()
pct_pos=tss.pct_positive()
print(f'比基準收益高的時間占比：{bat*100:.2f}%')
print(f'上行期與基準收益比：{uc*100:.2f}%')
print(f'下行期與基準收益比：{dc*100:.2f}%')
print(f'上行期與下行期比：{tc*100:.2f}%')
print(f'個股下行（收益負）時間占比：{pct_neg*100:.2f}%')
print(f'個股上行（收益正）時間占比：{pct_pos*100:.2f}%')
比基準收益高的時間占比：47.83%
上行期與基準收益比：111.70%
下行期與基準收益比：105.32%
上行期與下行期比：106.06%
個股下行（收益負）時間占比：48.94%
個股上行（收益正）時間占比：50.00%

此外，信息比率和特雷諾指數(shù)是兩個常用的基準比較評價指標，特別是用于對基金產(chǎn)品或投資組合的業(yè)績進行量化評價。

信息比率（information ratio）：以馬克維茨的均值方差模型為基礎(chǔ)，衡量超額風險所帶來的超額收益，表示單位主動風險所帶來的超額收益。IR=α ∕ ω (α為組合的超額收益，ω為主動風險），分子α為真實預期收益率與定價模型所計算出的收益率的差，分母為殘差風險即殘差項的標準差。

特雷諾指數(shù)（Treynor ratio）：衡量單位風險的超額收益，計算公式為:TR=（Rp―Rf）/βp，其中：TR表示特雷諾業(yè)績指數(shù)，Rp表示某投資組合平均收益率，Rf為平均無風險利率，βp表示某投資組合的系統(tǒng)風險。

ir=tss.info_ratio(benchmark)
tr=tss.treynor_ratio(benchmark)
print(f'信息比率：{ir:.3f}')
print(f'特雷諾指數(shù)：{tr:.3f}')
信息比率：0.433
特雷諾指數(shù)：0.096

風險調(diào)整收益指標

風險調(diào)整收益率指標比較常用的有夏普比率（sharpe ratio）、索提諾比率（sortino ratio）和卡瑪比率（calmar ratio），這三個指標都是風險調(diào)整后收益比率，因此分子都是收益指標，分母都是風險指標。

• 夏普比率（Sharpe Ratio）：風險調(diào)整后的收益率，計算公式：＝[E(Rp)－Rf]/σp，其中E(Rp)：投資組合預期報酬率，Rf：無風險利率，σp：投資組合的標準差。計算投資組合每承受一單位總風險，會產(chǎn)生多少的超額報酬。
• 索提諾比率（Sortino Ratio）：與夏普比率思路一致，核心在于分母應用了下行波動率概念（Downside Risk），計算標準差的時候，不采用均值，而是一個設(shè)定的可接受最小收益率（r_min），收益率序列中，超出這個最小收益率的收益距離按照0計算，低于這個收益率的平方距離累積，這樣標準差就變成了半個下行標準差。對應的，索提諾比率的分子也采用策略收益超出最低收益的部分。與夏普比率相比，索提諾比率更看重對（左）尾部的預期損失分析，而夏普比率則是對全體樣本進行分析。
• Calmar比率(Calmar Ratio) ：描述收益和最大回撤之間的關(guān)系，計算方式為年化收益率與歷史最大回撤之間的比率。Calmar比率數(shù)值越大，投資組合業(yè)績表現(xiàn)越好。

sr=tss.sharpe_ratio()
sor=tss.sortino_ratio(freq=250)
cr=tss.calmar_ratio()
print(f'夏普比率：{sr:.2f}')
print(f'索提諾比率：{sor:.2f}')
print(f'卡瑪比率：{cr:.2f}')
夏普比率：0.33
索提諾比率：28.35
卡瑪比率：0.27

綜合業(yè)績評價指標分析實例

下面將上述常用指標進行綜合，并獲取多只個股進行比較分析。

def performance(code,start='2011-01-01',end=''):
 tss=get_data(code,start,end)
 benchmark=get_data('hs300',start,end).loc[tss.index]
 dd={}
 #收益率
 #年化收益率
 dd['年化收益率']=tss.anlzd_ret()
 #累積收益率
 dd['累計收益率']=tss.cuml_ret()
 #alpha和beta
 dd['alpha']=tss.alpha(benchmark)
 dd['beta']=tss.beta(benchmark)
 #風險指標
 #年化標準差
 dd['年化標準差']=tss.anlzd_stdev()
 #下行標準差
 dd['下行標準差']=tss.semi_stdev()
 #最大回撤
 dd['最大回撤']=tss.max_drawdown()
 #信息比率和特雷諾指數(shù)
 dd['信息比率']=tss.info_ratio(benchmark)
 dd['特雷納指數(shù)']=tss.treynor_ratio(benchmark)
 #風險調(diào)整收益率
 dd['夏普比率']=tss.sharpe_ratio()
 dd['索提諾比率']=tss.sortino_ratio(freq=250)
 dd['calmar比率']=tss.calmar_ratio()
 df=pd.DataFrame(dd.values(),index=dd.keys()).round(4)
 return df

獲取多只個股（也構(gòu)建投資組合）數(shù)據(jù)，對比評估業(yè)績評價指標：

#獲取多只股票數(shù)據(jù)
df=pd.DataFrame(index=performance('601318').index)
stocks={'中國平安':'601318','貴州茅臺':'600519',\
  '海天味業(yè)':'603288','格力電器':'000651',\
  '萬科A':'00002','比亞迪':'002594',\
  '云南白藥':'000538','雙匯發(fā)展':'000895',\
  '海爾智家':'600690','青島啤酒':'600600'}
for name,code in stocks.items():
 try:
  df[name]=performance(code).values
 except:
  continue
d

結(jié)語

pyfinance主要為證券投資管理和績效評價指標而設(shè)計的python包，對于考CFA和FRM的讀者相當實用。實際上，pyfinance的returns模塊是對pandas的Series類進行了擴展，從而支持證券投資收益分析和績效評價。Python是建立在各種輪子上（module）的“膠水”語言，因此善于借用已有的包進行計算和編程，可以提高效率，減少自己“造輪子”的時間和精力。

以上就是python數(shù)據(jù)可視化使用pyfinance分析證券收益示例詳解的詳細內(nèi)容，更多關(guān)于pyfinance分析證券收益的資料請關(guān)注本站其它相關(guān)文章！

版權(quán)聲明：本站文章來源標注為YINGSOO的內(nèi)容版權(quán)均為本站所有，歡迎引用、轉(zhuǎn)載，請保持原文完整并注明來源及原文鏈接。禁止復制或仿造本網(wǎng)站，禁止在非maisonbaluchon.cn所屬的服務器上建立鏡像，否則將依法追究法律責任。本站部分內(nèi)容來源于網(wǎng)友推薦、互聯(lián)網(wǎng)收集整理而來，僅供學習參考，不代表本站立場，如有內(nèi)容涉嫌侵權(quán)，請聯(lián)系alex-e#qq.com處理。