Python使用pyfinance包進行證券收益分析
pyfinance簡介
datasets.py ：金融數據下載（基於request進行數據爬蟲，有些數據由於外網受限已經無法下載）；
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化；
ols.py：回歸分析，支持pandas滾動窗口回歸；
options.py：期權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計分析，旨在模擬FactSet Research Systems和Zephyr等軟件的功能，並提高瞭速度和靈活性；
utils.py：基礎架構。
本文主要圍繞returns模塊，介紹pyfinance在證券投資分析中的應用，後續將逐步介紹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），相當於對pandas的Series進行類擴展，使其實現更多功能，支持證券投資分析中基於CAMP（資本資產定價模型）框架的業績評價指標計算。引用returns模塊時，直接使用”from pyfinance import TSeries”即可。
下面以tushare為數據接口，先定義一個數據獲取函數，在函數裡對收益率數據使用TSeries進行轉換，之後便可以直接使用TSeries類的相關函數。
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())
#獲取中國平安數據
tss=get_data('601318')
#tss.head()
收益率計算
pyfinance的returns提供瞭年化收益率（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模型相關指標
基於CAPM模型計算alpha、beta、回歸決定系數R2、t統計量和殘差項等。實際上主要使用瞭ols回歸，因此如果要獲得這些動態的alpha和beta值，可以進一步借助ols模塊的滾動回歸函數（PandasRollingOLS）瞭，這將在後續推文介紹其應用。
#以滬深300指數為基準
#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統計量：{tstat_a:.2f}')
print(f'beta :{beta:.4f}，t統計量：{tstat_b:.2f}')
print(f'回歸決定系數R2：{tss.rsq(benchmark):.3f}')
alpha:0.0004，t統計量：1.55
beta :1.0634，t統計量：60.09
回歸決定系數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，註意需要修改默認參數，打開pyfinance安裝包所在路徑，如果是安裝瞭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，將freq默認None改成250（一年的交易天數）。
#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佈的不對稱問題，當收益率函數分佈左偏的情況下，使用正態分佈會低估風險，因此使用傳統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是兩個常用的基準比較評價指標，特別是用於對基金產品或投資組合的業績進行量化評價。
信息比率（information ratio）：以馬克維茨的均值方差模型為基礎，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（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表示特雷諾業績指數，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：{tr:.3f}')
信息比率：0.433
特雷諾指數：0.096
風險調整收益指標
風險調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整後收益比率，因此分子都是收益指標，分母都是風險指標。
- 夏普比率（Sharpe Ratio）：風險調整後的收益率，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，核心在於分母應用瞭下行波動率概念（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，低於這個收益率的平方距離累積，這樣標準差就變成瞭半個下行標準差。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比率數值越大，投資組合業績表現越好。
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
綜合業績評價指標分析實例
下面將上述常用指標進行綜合，並獲取多隻個股進行比較分析。
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
dd['信息比率']=tss.info_ratio(benchmark)
dd['特雷納指數']=tss.treynor_ratio(benchmark)
#風險調整收益率
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
獲取多隻個股（也構建投資組合）數據，對比評估業績評價指標：
#獲取多隻股票數據
df=pd.DataFrame(index=performance('601318').index)
stocks={'中國平安':'601318','貴州茅臺':'600519',\
'海天味業':'603288','格力電器':'000651',\
'萬科A':'00002','比亞迪':'002594',\
'雲南白藥':'000538','雙匯發展':'000895',\
'海爾智傢':'600690','青島啤酒':'600600'}
for name,code in stocks.items():
try:
df[name]=performance(code).values
except:
continue
d
結語
pyfinance主要為證券投資管理和績效評價指標而設計的python包，對於考CFA和FRM的讀者相當實用。實際上，pyfinance的returns模塊是對pandas的Series類進行瞭擴展，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，因此善於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。本文主要介紹瞭pyfinance中returns模塊的應用，其他模塊的應用將在後續推文中進行介紹。
技術交流
歡迎轉載、收藏、有所收獲點贊支持一下！
到此這篇關於Python使用pyfinance包進行證券收益分析的文章就介紹到這瞭,更多相關Python pyfinance包內容請搜索WalkonNet以前的文章或繼續瀏覽下面的相關文章希望大傢以後多多支持WalkonNet！
推薦閱讀：
- python機器學習邏輯回歸隨機梯度下降法
- 超詳細註釋之OpenCV構建透明的疊加層
- 利用Python分析一下最近的股票市場
- pandas數據的合並與拼接的實現
- 詳解K8S apiVersion對照表