Python金融学基础——夏普比率(Sharpe-ratio)和资产组合价值(portfolio-value)

本文主要是介绍Python金融学基础——夏普比率(Sharpe-ratio)和资产组合价值(portfolio-value),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

前面的课程主要是在研究Pandas的时序分析实现,以及利用statsmodel对时序数据进行ARIMA以及有权重的ARIMA模型的建模,并尝试预测未来的走向。从这节课开始,我们正式进入Python金融学基础,会介绍一些金融学的概念和实现方法。

本节课主要以苹果、亚马逊、IBM、思科以及沃尔玛的股票市场价格为原始数据,分析这几只股票的资产组合的计算方式和夏普比率的计算,其中会涉及到日收益率、累积收益率的计算等等。
本文主要流程:

一、基本概念

1.1 资产组合

我们的资产往往不是单一的,我们会同时购买好几支股票或者基金,这样总资产的收益其实是每个资产的按照比例的权重加和结果,并且如果购买的资产之间具有对冲,我们还能够利用这点来降低风险,减少总资产损失的不确定性。比如王婆一个儿子卖伞和一个儿子卖鞋的故事就是这样,只要天放晴,卖鞋儿子生意好,但是伞卖不出去;同理,天下雨的时候卖伞的儿子生意好,鞋子卖不出去。其实天气就是波动,或说在这里就是风险,但是王婆家两个儿子卖的东西其实有对冲的作用,也就是不管是天晴天阴,家里都会有生意,因此就降低了风险可能带来的损失。这就是一个资产组合。

1.2 夏普比率

夏普指数是一个用于计算根据风险调整过的回报率的测量指标,说白了,就是说我们只要做投资,就肯定会有风险,但在相同的回报率下,风险有可能不一样,正常人在这个时候肯定都会选择风险小的,那么我们需要一个指标来评判在相同单位风险上,哪个收益大?或者说在收益相同的情况下,哪些风险不必要冒?所以夏普比率相当于是用风险把收益率给平均化了,放到太阳底下去看看每份相同的风险下收益率的大小是多少。
计算公式如下:
Sharpe Ratio=(Mean of portfolio return - Risk-free return) / standard deviation of portfolio return
这个公式Mean of portfolio return就是投资组合的收益率的平均值,risk-free return就是当地没有风险的回报率,也就是放在银行当中的回报率,比如美国的银行利率就接近于0,standard deviation of portfolio return就是投资组合的收益率的标准偏差。
以上是原始的夏普比率的计算方法,实际上对于固定时间内的夏普比率还得乘上一个k值。
对于不同采样频率的k值情况:
- Daily=sqrt(252)(最小粒度是按天计)
- Weekly=sqrt(52)(最小粒度是按星期计)
- Monthly=sqrt(12)(最小粒度是按月计)
年利率和日利率的转换:

二、读取数据

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
#%matplotlib inline
aapl=pd.read_csv('AAPL_CLOSE',index_col='Date',parse_dates=True)
cisco=pd.read_csv('CISCO_CLOSE',index_col='Date',parse_dates=True)
ibm=pd.read_csv('IBM_CLOSE',index_col='Date',parse_dates=True)
amzn=pd.read_csv('AMZN_CLOSE',index_col='Date',parse_dates=True)

2.1 归一化收盘价格

也就是求每天的收盘价格相对于初始第一天的价格的百分率。

for stock in [aapl, cisco, ibm, amzn]:stock['normalized_price']=stock['Adj. Close']/stock['Adj. Close'].iloc[0]
aapl.head()

2.2 资产分配

现在假定我们四种股票都买了,并且是按照一定的权重去买,现在我们需要计算一下每天的收益率总和。
- 30% in Apple
- 20% in Google/Alphabet
- 40% in Amazon
- 10% in IBM

做法是把每只股票的收益率乘以对应的权重,把所有经过权重相乘后的收益率之和加起来就是总的收益率。

for stock, weight in zip([aapl, cisco, ibm, amzn],[0.3, 0.2, 0.1, 0.4]):stock['weighted daily return']=stock['normalized_price']*weight
aapl.head()

大概可以了,然后我们把对应的经过权重计算的归一日回报率全部都整合到一张表当中。

total_stock=pd.concat([aapl['weighted daily return'], cisco['weighted daily return'], ibm['weighted daily return'], amzn['weighted daily return']],axis=1)
total_stock.columns=['aapl', 'cisco', 'ibm', 'amzn']
total_stock.head()

2.2 投资

然后假设我们投资10000元,那么就在上面回报率的基础上乘以10000。

total_invest=total_stock*10000
total_invest.head()

total_invest['Total Pos']=total_invest.sum(axis=1)
total_invest.head()

然后我们绘制下每天的总收益.

plt.style.use('ggplot')
total_invest['Total Pos'].plot(label='Total Pos')
plt.legend(loc='best')
plt.title('Total Portfolio Value')

我们绘制一下除了总资产以外的其他单只股票的收益情况

total_invest.drop('Total Pos',axis=1).plot(figsize=(8,4))

三、资产的统计学值

3.1 日回报率

total_invest['daily return']=total_invest['Total Pos'].pct_change(1)
total_invest['daily return'].head()

3.2 累积回报率

计算方法是最后一天与一开始第一天的变化百分比,相当于是增加了多少百分比。

cumulative_return=total_invest['Total Pos'].iloc[-1]/total_invest['Total Pos'].iloc[0]-1
print cumulative_return

3.3 平均日回报率

也就是对日回报率做平均计算

total_invest['daily return'].mean()

3.4 日回报率的标准差

total_invest['daily return'].std()

total_invest['daily return'].plot(kind='kde')

四、夏普比率

接下来我们计算一下总资产的夏普比率,也就是拿总资产日回报率的均值除以日回报率的标准差。之后由于我们这里的粒度是以天算的,所以要乘以sqrt(252),252代表252天

SR=total_invest['daily return'].mean()/total_invest['daily return'].std()
SR

import numpy as np
ASR=np.sqrt(252)*SR
ASR

最后我们绘制一下各个股票的收盘价分布情况

for stock in [aapl, cisco, ibm, amzn]:stock['Adj. Close'].pct_change(1).plot(kind='kde')

这篇关于Python金融学基础——夏普比率(Sharpe-ratio)和资产组合价值(portfolio-value)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/967512

相关文章

如何使用 Python 读取 Excel 数据

《如何使用Python读取Excel数据》:本文主要介绍使用Python读取Excel数据的详细教程,通过pandas和openpyxl,你可以轻松读取Excel文件,并进行各种数据处理操... 目录使用 python 读取 Excel 数据的详细教程1. 安装必要的依赖2. 读取 Excel 文件3. 读

Python的time模块一些常用功能(各种与时间相关的函数)

《Python的time模块一些常用功能(各种与时间相关的函数)》Python的time模块提供了各种与时间相关的函数,包括获取当前时间、处理时间间隔、执行时间测量等,:本文主要介绍Python的... 目录1. 获取当前时间2. 时间格式化3. 延时执行4. 时间戳运算5. 计算代码执行时间6. 转换为指

利用Python调试串口的示例代码

《利用Python调试串口的示例代码》在嵌入式开发、物联网设备调试过程中,串口通信是最基础的调试手段本文将带你用Python+ttkbootstrap打造一款高颜值、多功能的串口调试助手,需要的可以了... 目录概述:为什么需要专业的串口调试工具项目架构设计1.1 技术栈选型1.2 关键类说明1.3 线程模

Python ZIP文件操作技巧详解

《PythonZIP文件操作技巧详解》在数据处理和系统开发中,ZIP文件操作是开发者必须掌握的核心技能,Python标准库提供的zipfile模块以简洁的API和跨平台特性,成为处理ZIP文件的首选... 目录一、ZIP文件操作基础三板斧1.1 创建压缩包1.2 解压操作1.3 文件遍历与信息获取二、进阶技

Python Transformers库(NLP处理库)案例代码讲解

《PythonTransformers库(NLP处理库)案例代码讲解》本文介绍transformers库的全面讲解,包含基础知识、高级用法、案例代码及学习路径,内容经过组织,适合不同阶段的学习者,对... 目录一、基础知识1. Transformers 库简介2. 安装与环境配置3. 快速上手示例二、核心模

Python正则表达式语法及re模块中的常用函数详解

《Python正则表达式语法及re模块中的常用函数详解》这篇文章主要给大家介绍了关于Python正则表达式语法及re模块中常用函数的相关资料,正则表达式是一种强大的字符串处理工具,可以用于匹配、切分、... 目录概念、作用和步骤语法re模块中的常用函数总结 概念、作用和步骤概念: 本身也是一个字符串,其中

Python使用getopt处理命令行参数示例解析(最佳实践)

《Python使用getopt处理命令行参数示例解析(最佳实践)》getopt模块是Python标准库中一个简单但强大的命令行参数处理工具,它特别适合那些需要快速实现基本命令行参数解析的场景,或者需要... 目录为什么需要处理命令行参数?getopt模块基础实际应用示例与其他参数处理方式的比较常见问http

python实现svg图片转换为png和gif

《python实现svg图片转换为png和gif》这篇文章主要为大家详细介绍了python如何实现将svg图片格式转换为png和gif,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下... 目录python实现svg图片转换为png和gifpython实现图片格式之间的相互转换延展:基于Py

Python中的getopt模块用法小结

《Python中的getopt模块用法小结》getopt.getopt()函数是Python中用于解析命令行参数的标准库函数,该函数可以从命令行中提取选项和参数,并对它们进行处理,本文详细介绍了Pyt... 目录getopt模块介绍getopt.getopt函数的介绍getopt模块的常用用法getopt模

Python利用ElementTree实现快速解析XML文件

《Python利用ElementTree实现快速解析XML文件》ElementTree是Python标准库的一部分,而且是Python标准库中用于解析和操作XML数据的模块,下面小编就来和大家详细讲讲... 目录一、XML文件解析到底有多重要二、ElementTree快速入门1. 加载XML的两种方式2.