基于Python实现股票收益率分析
前言
金融行业的Python学习，不同于IT系统开发，我们并不需要达到程序员的水平。然而，学会Python可以让你实现一个人写完一个交易系统的需求，真正的一个人当成一支军队。
在量化交易里，Python是工具，金融是Sense，它可以让你的想法快速实现并得到验证。而在金融领域运用Python就必然会涉及资本市场最重要的部分——股票。“股市如此多娇，引无数投资者竞折腰”，用Python来分析股票投资组合收益率和波动率，是每个金融从业者都该掌握的本领。
我们缺少的，是在具体的金融场景下应用Python的经验。今天就让我们以金融股为分析对象，来一次Python金融实战，希望对你有所启发！
案例详情
A公司是总部位于北京的一家公募基金管理公司，在公司对外发行的全部基金产品中，有一只名为“新金融股票型基金”，该基金在投资策略上是精选具有核心竞争优势、持续增长潜力且估值水平相对合理的A股市场金融股。
截止到2019年9月末，该基金重仓的股票包括浦发银行、招商银行、中信证券、海通证券、中国平安以及中国太保这6只股票，表7-2就列示了2014年1月至2019年9月末这6只股票的部分日收盘价，并且全部数据均存放于Excel文件。
2014年1月至2019年9月期间A股市场6只金融机构股票的部分日收盘价。
数据来源：上海证券交易所。（单位：元/股）
假定你是A公司的一位基金经理助理，日常的工作就是协助“新金融股票型基金”的基金经理跟踪并分析已投资的股票。根据基金经理的要求，你需要运用Python完成3项编程任务。
编程任务
【任务 1】导入存放表7-2中这些股票在2014年1月至2019年9月期间日收盘价的Excel文件，计算每只股票的日收益率、年化平均收益率、年化收益波动率，计算日收益率时需要用自然对数。
【任务 2】针对由这6只股票构建的投资组合，随机生成包含每只股票配置权重的一个数组（权重合计等于1），并且计算以该权重配置的投资组合年化平均收益率、年化收益波动率。
【任务 3】随机生成包含2000组不同的股票配置权重的数组，以此计算出相对应的2 000个不同的投资组合年化平均收益率、年化收益波动率，并且以散点图的方式绘制在横坐标为年化收益波动率、纵坐标为年化平均收益率的坐标轴中。
编程提示
针对任务2，假定投资组合由N只股票组成，wi代表了投资组合中第i只股票所占的权重（股票的市值占投资组合整体市值的比例），E(Ri)代表了投资组合中第i只股票的预期收益率（用该股票过去收益率的均值代替），可以得到投资组合预期收益率E(RP)的表达式如下：
同时，假设σi表示第i只股票的收益波动率，Cov(Ri,Rj)表示第i只股票收益率与第只股票收益率之间的协方差，投资组合收益波动率的σp表达式如下：
参考代码
任务1的代码
In [1]: import numpy as np
...: import pandas as pd
...: import matplotlib.pyplot as plt
...: from pylab import mpl
...: mpl.rcParams['font.sans-serif'] = ['KaiTi']
...: mpl.rcParams['axes.unicode_minus'] = False
In [2]: stock_price=pd.read_excel('C:/Desktop/金融股（2014年—2019年9月）.xlsx', sheet_name= "Sheet1",header=0,index_col=0) #导入外部数据
...: stock_price=stock_price.dropna() #删除缺失值的行
In [3]: (stock_price/stock_price.iloc[0]).plot(figsize=(9,6),grid=True) #将股价按照2014年首个交易日进行归1处理并且可视化
Out[3]:
In [4]: stock_return=np.log(stock_price/stock_price.shift(1)) #计算股票的日收益率
...: stock_return=stock_return.dropna() #删除缺失值所在的行
In [5]: return_mean=stock_return.mean()*252 #计算股票的平均年化收益率
...: print('2014年至2019年9月的年化平均收益率\n',return_mean.round(6)) #保留小数点后6位
2014年至2019年9月的年化平均收益率
浦发银行 0.042824
招商银行 0.211223
海通证券 0.043759
华泰证券 0.138177
中国平安 0.134000
中国太保 0.117563
dtype: float64
In [6]: return_volatility=stock_return.std()*np.sqrt(252) #计算股票的年化收益波动率
...: print('2014年至2019年9月的年化收益波动率\n',return_volatility.round(6))
2014年至2019年9月的年化收益波动率
浦发银行 0.282428
招商银行 0.296238
海通证券 0.396386
华泰证券 0.449228
中国平安 0.465064
中国太保 0.359268
dtype: float64从下图不难看出，由于6只股票均是金融类股票，因此在整体的走势方面存在一定的趋同性。但是每只股票的平均年化收益率则存在较大差异，其中，招商银行的平均收益率最高，浦发银行的收益率则最低。同时，从平均年化波动率来看，银行股最低，中国平安则最高。
2014年1月至2019年9月期间6只金融股股价走势图（股价在2014年首个交易日做归1处理）
任务2的代码
In [7]: x=np.random.random(len(return_mean.index)) #从均匀分布中随机抽取6个从0到1的随机数
In [8]: w=x/np.sum(x) #生成随机权重的一个数组
...: w #查看生成的随机权重数组
Out[8]:
array([0.24372614, 0.03925093, 0.20889395, 0.20843467, 0.23808734, 0.06160696])需要注意的是，由于是通过随机生成的数组，因此每一次得到的随机权重数组是不相同的，但是权重的合计数是等于1。
In [9] : return_cov=stock_return.cov()*252 #计算每只股票收益率之间的协方差
...: return_cov
Out[9] :
浦发银行 招商银行 海通证券 华泰证券 中国平安 中国太保
浦发银行 0.079765 0.054347 0.055693 0.065324 0.062048 0.056216
招商银行 0.054347 0.087757 0.058148 0.066847 0.078228 0.072074
海通证券 0.055693 0.058148 0.157122 0.147365 0.092994 0.086569
华泰证券 0.065324 0.066847 0.147365 0.201806 0.102020 0.096885
中国平安 0.062048 0.078228 0.092994 0.102020 0.216285 0.110579
中国太保 0.056216 0.072074 0.086569 0.096885 0.110579 0.129074
In [10]: return_corr=stock_return.corr() #计算每只股票收益率之间的相关系数
...: return_corr
Out[10]:
浦发银行 招商银行 海通证券 华泰证券 中国平安 中国太保
浦发银行 1.000000 0.649575 0.497483 0.514872 0.472398 0.554035
招商银行 0.649575 1.000000 0.495191 0.502310 0.567816 0.677201
海通证券 0.497483 0.495191 1.000000 0.827580 0.504459 0.607889
华泰证券 0.514872 0.502310 0.827580 1.000000 0.488321 0.600306
中国平安 0.472398 0.567816 0.504459 0.488321 1.000000 0.661823
中国太保 0.554035 0.677201 0.607889 0.600306 0.661823 1.000000
In [11]: Rp=np.dot(return_mean,w) #计算投资组合的年化收益率
...: Vp=np.sqrt(np.dot(w,np.dot(return_cov,w.T))) #计算投资组合的年化收益波动率
...: print('用随机生成的权重计算得到投资组合的年化收益率',round(Rp,6))
...: print('用随机生成的权重计算得到投资组合的年化收益波动率',round(Vp,6))
用随机生成的权重计算得到投资组合的年化收益率 0.095816
用随机生成的权重计算得到投资组合的年化收益波动率 0.315454从以上的相关系数输出结果不难看出，由于都是金融股，因此不同股票之间的相关系数是比较高的，投资组合的分散化效应可能会不太理想。此外，根据随机生成的权重数，得到投资组合的年化收益率为9.581 6%，波动率高达31.545 4%。
任务3的代码
In [12]: x_2000=np.random.random((len(return_mean.index),2000)) #从均匀分布中随机抽取6行、2000列的0到1的随机数
In [13]: w_2000=x_2000/np.sum(x_2000,axis=0) #生成包含2000组随机权重的数组
...: w_2000
Out[13]:
array([[0.19250103, 0.01845509, 0.01765565, ..., 0.33889512, 0.0463229 ,
0.26199306],
[0.07263106, 0.00973181, 0.13055863, ..., 0.03118864, 0.20474944,
0.06271757],
[0.09534805, 0.30004746, 0.18353861, ..., 0.13704764, 0.22151316,
0.12965449],
[0.09386134, 0.16068824, 0.212781 , ..., 0.02455051, 0.13288678,
0.03435049],
[0.25893945, 0.31725497, 0.14183784, ..., 0.00825204, 0.03630956,
0.14306535],
[0.28671907, 0.19382242, 0.31362827, ..., 0.46006606, 0.35821817,
0.36821904]])
In [14]: Rp_2000=np.dot(return_mean,w_2000) #计算投资组合不同的2000个收益率
...: Vp_2000=np.zeros_like(Rp_2000) #生成存放投资组合2000个不同收益波动率的初始数组
In [15]: for i in range(len(Rp_2000)): #用for语句快速计算投资组合2000个不同的收益波动率
...: Vp_2000[i]=np.sqrt(np.dot((w_2000.T)[i],np.dot(return_cov,w_2000[:,i])))
In [16]: plt.figure(figsize=(9,6))
...: plt.scatter(Vp_2000,Rp_2000)
...: plt.xlabel(u'波动率',fontsize=13)
...: plt.ylabel(u'收益率',fontsize=13,rotation=90)
...: plt.xticks(fontsize=13)
...: plt.yticks(fontsize=13)
...: plt.title(u'投资组合收益率与波动率的关系', fontsize=13)
...: plt.grid('True')
...: plt.show()下图中的散点就是本次随机生成2 000组不同投资权重所对应的投资组合收益率和波动率。通过映射至纵坐标的数值，可以目测出投资组合的最高年化收益率超过16%，最低年化收益率则略低于7%；通过映射至横坐标的数值可以发现，投资组合的最高波动率接近37%，最低波动率则接近26%。
在随机生成的2000组不同投资权重条件下投资组合的收益率与波动率的关系图
以上就是基于Python实现股票收益率分析的详细内容，更多关于Python股票收益率的资料请关注脚本之家其它相关文章！
相关文章
本篇文章将分享Prometheus API的基本概念到PromQL查询语言的应用,再到如何通过Python与Prometheus API进行无缝交互,通过丰富的示例代码和详细的讲解,将解锁使用Python进行实时监控的奇妙世界,为读者打开更广阔的数据分析视野2024-01-01
这篇文章主要介绍了python中的selenium入门超详细教程,本文是在python环境下使用selenium,使用浏览器是Chrome,系统是win10系统,需要的朋友可以参考下2023-11-11
在训练yolo网络检测目标时,需要根据待检测目标的位置大小分布情况对anchor进行调整,使其检测效果尽可能提高,下面这篇文章主要给大家介绍了关于YOLOv5目标检测之anchor设定的相关资料,需要的朋友可以参考下2022-05-05
这篇文章主要介绍了ITK 实现多张图像转成单个nii.gz或mha文件案例，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧2020-07-07
这篇文章主要介绍了pycharm引入其他目录的包报错,import报错的解决,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教2023-08-08
这篇文章主要给大家介绍了关于如何使用python提取字符串中英文的相关资料,主要通过正则re中的sub函数、findall函数以及compile函数判断来实现，需要的朋友可以参考下2021-05-05
这篇文章主要为大家介绍了python神经网络facenet人脸检测及keras实现，有需要的朋友可以借鉴参考下，希望能够有所帮助，祝大家多多进步，早日升职加薪2022-05-05
这篇文章主要介绍了Python小技巧练习分享，文章基于python的相关内容展开详细的python小技巧内容，具有一定的参考价值，需要的小伙伴可以参考一下2022-05-05
Windows系统中将Python添加到系统环境详细图文教程
当在命令行使用python或pip指令时,可能会遇到pip不是内部命令的报错,这通常是因为在安装Python时未将其添加至系统环境变量,或者有多个Python环境导致路径不一致,文中将解决办法介绍的非常详细,需要的朋友可以参考下2024-10-10
这篇文章主要介绍了python 爬取小说并下载的示例，帮助大家更好的理解和学习python爬虫，感兴趣的朋友可以了解下2020-12-12
最新评论