股票组合alpha怎么算(Alpha和Beta值)

股票组合alpha怎么算

#先引入后面可能用到的包(package)import pandas as pd import numpy as npfrom scipy import statsimport tushare as ts import matplotlib.pyplot as plt%matplotlib inline #正常显示画图时出现的中文和负号from pylab import mplmpl.rcParams['font.sans-serif']=['SimHei']mpl.rcParams['axes.unicode_minus']=False

收益率转化

对日期进行处理,分别将日对数收益率转化为月和年收益率。主要有三个步骤:

(1)估计股票每日对数收益率;

(2)加总对数收益率到每月(年);

(3)将月(年)收益率转化为百分比收益率

stock='sh'df=ts.get_k_data(stock,start='1990-12-20')

使用tushare中的get_k_data()得到的数据框索引是顺序数字,而不是日期序列,因此,为分析方面,需要进行变换,即使用“date”作为索引。

df.index=pd.to_datetime(df.date)#del df['date'] #删掉该列df.tail() #这时候可以看到索引已经是date了股票组合alpha怎么算

步骤一:计算对数收益率

#计算的时候第一个数成为缺失值,删掉lograte=np.log(df.close/df.close.shift(1))[1:]

步骤二:加总对数收益率到每月

month=[]index=lograte.indexfor i in range(0,np.size(lograte)): month.append(''.join([index[i].strftime("%Y"),index[i].strftime("%m")]))y=pd.DataFrame(lograte.values,month,columns=['月收益率']) y.tail()股票组合alpha怎么算

步骤三:将月(年)收益率转化为百分比收益率

ret_monthly=y.groupby(y.index).sum()ret_monthly.tail()

#将日收益率转化为年收益率stock='601318'df = ts.get_k_data(code=stock, ktype='D', autype='qfq', start='2007-3-1') df.index=pd.to_datetime(df['date'])logret=np.log(df.close/df.close.shift(1))[1:]year=[]d0=df.indexfor i in range(0,np.size(logret)): year.append(d0[i].strftime("%Y"))y=pd.DataFrame(logret.values,year,columns=['年收益率'])ret_annual=np.exp(y.groupby(y.index).sum())-1ret_annual股票组合alpha怎么算

计算股票的$\beta$系数和$\alpha值$

这里的beta和alpha系数都来自资本资产定价模型,先来看看CAPM:

E(ri​)=rf+β(E(rm​)−rf​),

其中,E(ri​)是股票i的预期收益率,rf是无风险利率,E(rm​)是市场指数收益率;

β系数是系统性风险,在评估股市波动风险与投资机会的方法中,常用来衡量结构性与系统性风险,可以简单理解为个股波动相对大盘波动的偏离程度。CAPM的计量模型可以表示为:

ri​=α+βrm+ε,

其中α可以理解为超额收益率,ε是随机扰动,可以理解为个体风险。

#先定义获取股票数据和计算收益率的函数def get_return(code,startdate,endate): df=ts.get_k_data(code,ktype='D',autype='qfq', start=startdate,end=endate) p1=np.array(df.close[1:]) p0=np.array(df.close[:-1]) logret = np.log(p1/p0) rate=pd.DataFrame() rate[code]=logret rate.index=df['date'][1:] return rate#定义求beta和alpha的函数def alpha_beta(code,startdate,endate): mkt_ret=get_return('sh',startdate,endate) stock_ret=get_return(code,startdate,endate) df=pd.merge(mkt_ret,stock_ret,left_index=True,right_index=True) x=df.iloc[:,0] y=df.iloc[:,1] beta,alpha,r_value,p_value,std_err=stats.linregress(x,y) return (alpha,beta)#定义求一系列股票在某个时间段的股票def stocks_alpha_beta(stocks,startdate,endate): df=pd.DataFrame() alpha=[] beta=[] for code in stocks.values(): a,b=alpha_beta(code,startdate,endate) alpha.append(float('%.4f'%a)) beta.append(float('%.2f'%b)) df['alpha']=alpha df['beta']=beta df.index=stocks.keys() return dfstartdate='2017-01-01'endate='2018-11-09'stocks={'中国平安':'601318','格力电器':'000651', '招商银行':'600036','恒生电子':'600570', '中信证券':'600030','贵州茅台':'600519'}stocks_alpha_beta(stocks,startdate,endate)股票组合alpha怎么算

import statsmodels.api as smimport tushare as tsimport pandas as pdimport numpy as npdef get_return(code,d0,d1): df=ts.get_k_data(code,start=d0,end=d1) p1=np.array(df.close[1:]) p0=np.array(df.close[:-1]) logret = np.log(p1/p0) rate=pd.DataFrame() rate[code]=logret rate.index=df['date'][1:] return ratedef beta(code,d0,d1): s_ret=get_return(code,d0,d1) sh_ret=get_return('sh',d0,d1) df=pd.merge(s_ret,sh_ret,left_index=True,right_index=True) y=df.iloc[:,0] x=df.iloc[:,1] x=sm.add_constant(x) model=sm.OLS(y,x) results=model.fit() b=results.params[1] return bstocks={'中国平安':'601318','格力电器':'000651','招商银行':'600036', '中信证券':'600030','贵州茅台':'600519'}d0='2018-01-01'd1='2018-11-13'for stock in stocks.values(): s=list (stocks.keys())[list(stocks.values()).index(stock)] print(s+"的市场风险beta:%.3f" % beta(stock,d0,d1))

中国平安的市场风险beta:1.278

格力电器的市场风险beta:1.219

招商银行的市场风险beta:1.053

中信证券的市场风险beta:1.425

贵州茅台的市场风险beta:1.145

关于Python金融量化

专注于分享Python在金融量化领域的应用。加入知识星球,可以免费获取量化投资视频资料、量化金融相关PDF资料、公众号文章Python完整源码、量化投资前沿分析框架,与博主直接交流、结识圈内朋友等。

股票组合alpha怎么算

本文由 hot金融 作者:hot金融 发表,其版权均为 hot金融 所有,文章内容系作者个人观点,不代表 hot金融 对观点赞同或支持。如需转载,请注明文章来源。

发表评论