Python金融学基础——夏普比率(Sharpe

前面的课程主要是在研究的时序分析实现,以及利用对时序数据进行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:
Ratio=(Mean of- Risk-free ) /of
这个公式Mean of就是投资组合的收益率的平均值,risk-free 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,of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)
- =sqrt(52)(最小粒度是按星期计)
- =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 pdimport numpy as npimport matplotlib.pyplot as plt#%matplotlib inlineaapl=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()
【Python金融学基础——夏普比率(Sharpe】

Python金融学基础——夏普比率(Sharpe

文章插图
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 /
- 40% in
- 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']*weightaapl.head()