python数据可视化使用pyfinance分析证券收益代码示例解析

本篇文章小编给大家分享一下python数据可视化使用pyfinance分析证券收益代码示例解析，文章代码介绍的很详细，小编觉得挺不错的，现在分享给大家供大家参考，有需要的小伙伴们可以来看看。

pyfinance简介

在查找如何使用Python实现滚动回归时，发现一个很有用的量化金融包——pyfinance。顾名思义，pyfinance是为投资管理和证券收益分析而构建的Python分析包，主要是对面向定量金融的现有包进行补充，如pyfolio和pandas等。

pyfinance包含六个模块

datasets.py ：金融数据下载（基于request进行数据爬虫，有些数据由于外网受限已经无法下载）；

general.py：通用财务计算，例如主动份额计算，收益分配近似值和跟踪误差优化；

ols.py：回归分析，支持pandas滚动窗口回归；

options.py：期权衍生品计算和策略分析；

returns.py：通过CAPM框架对财务时间序列进行统计分析，旨在模拟FactSet Research Systems和Zephyr等软件的功能，并提高了速度和灵活性；

utils.py：基础架构。

本文主要围绕returns模块，介绍pyfinance在证券投资分析中的应用，后续将逐步介绍datasets、options、ols等模块。

returns模块应用实例

pyfinance的安装比较简单，直接在cmd（或anaconda prompt）上输入"pip install pyfinance"即可。returns模块主要以TSeries类为主体（暂不支持dataframe），相当于对pandas的Series进行类扩展，使其实现更多功能，支持证券投资分析中基于CAMP（资本资产定价模型）框架的业绩评价指标计算。引用returns模块时，直接使用"from pyfinance import TSeries"即可。

下面以tushare为数据接口，先定义一个数据获取函数，在函数里对收益率数据使用TSeries进行转换，之后便可以直接使用TSeries类的相关函数。

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())
#获取中国平安数据
tss=get_data('601318')
#tss.head()

收益率计算

pyfinance的returns提供了年化收益率（anlzd_ret）、累计收益率（cuml_ret）和周期收益率（rollup）等，下面以平安银行股票为例，计算收益率指标。

#年化收益率
anl_ret=tss.anlzd_ret()
#累计收益率
cum_ret=tss.cuml_ret()
#计算周期收益率
q_ret=tss.rollup('Q')
a_ret=tss.rollup('A')
print(f'年化收益率：{anl_ret*100:.2f}%')
print(f'累计收益率：{cum_ret*100:.2f}%')
#print(f'季度收益率：{q_ret.tail().round(4)}')
#print(f'历年收益率：{a_ret.round(4)}')

输出结果：

累计收益率：205.79%

年化收益率：12.24%

可视化每个季度（年）收益率

from pyecharts import Bar
attr=q_ret.index.strftime('%Y%m')
v1=(q_ret*100).round(2).values
bar=Bar('中国平安各季度收益率%')bar.add('',attr,v1,)
bar

from pyecharts import Bar
attr=a_ret.index.strftime('%Y')
v1=(a_ret*100).round(2).values
bar=Bar('中国平安历年收益率%')
bar.add('',attr,v1,is_label_show=True,
       is_splitline_show=False)
bar

CAPM模型相关指标

基于CAPM模型计算alpha、beta、回归决定系数R2、t统计量和残差项等。实际上主要使用了ols回归，因此如果要获得这些动态的alpha和beta值，可以进一步借助ols模块的滚动回归函数（PandasRollingOLS）了，这将在后续推文介绍其应用。

#以沪深300指数为基准
#为保证二者长度一致，以中国平安的索引为准
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统计量：{tstat_a:.2f}')
print(f'beta :{beta:.4f}，t统计量：{tstat_b:.2f}')
print(f'回归决定系数R2：{tss.rsq(benchmark):.3f}')

alpha:0.0004，t统计量：1.55
beta :1.0634，t统计量：60.09
回归决定系数R2：0.606

风险指标

风险指标主要包括标准差和最大回撤。在计算标准差时，注意需要修改默认参数，打开pyfinance安装包所在路径，如果是安装了Anaconda，进入以下路径：

c:Anaconda3Libsite-packagespyfinance，打开returns源文件，找到anlzd_stdev和semi_stdev函数，将freq默认None改成250（一年的交易天数）。

#年化标准差
a_std=tss.anlzd_stdev()
#下行标准差
s_std=tss.semi_stdev()
#最大回撤
md=tss.max_drawdown()
print(f'年化标准差：{a_std*100:.2f}%')
print(f'下偏标准差：{s_std*100:.2f}%')
print(f'最大回撤差：{md*100:.2f}%')

年化标准差：31.37%
下偏标准差：0.43%
最大回撤差：-45.76%

下偏标准差主要是为解决收益率分布的不对称问题，当收益率函数分布左偏的情况下，使用正态分布会低估风险，因此使用传统夏普比率分母使用全样本标准差进行估计不太合适，应使用收益对无风险投资收益的偏离。

基准比较指标

基准比较指标是需要指定一个基准（benchmark），如将沪深300指数作为中国平安个股的基准进行比较分析。

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'比基准收益高的时间占比：{bat*100:.2f}%')
print(f'上行期与基准收益比：{uc*100:.2f}%')
print(f'下行期与基准收益比：{dc*100:.2f}%')
print(f'上行期与下行期比：{tc*100:.2f}%')
print(f'个股下行（收益负）时间占比：{pct_neg*100:.2f}%')
print(f'个股上行（收益正）时间占比：{pct_pos*100:.2f}%')

比基准收益高的时间占比：47.83%
上行期与基准收益比：111.70%
下行期与基准收益比：105.32%
上行期与下行期比：106.06%
个股下行（收益负）时间占比：48.94%
个股上行（收益正）时间占比：50.00%

此外，信息比率和特雷诺指数是两个常用的基准比较评价指标，特别是用于对基金产品或投资组合的业绩进行量化评价。

信息比率（information ratio）：以马克维茨的均值方差模型为基础，衡量超额风险所带来的超额收益，表示单位主动风险所带来的超额收益。IR=α ∕ ω (α为组合的超额收益，ω为主动风险），分子α为真实预期收益率与定价模型所计算出的收益率的差，分母为残差风险即残差项的标准差。

特雷诺指数（Treynor ratio）：衡量单位风险的超额收益，计算公式为:TR=（Rp―Rf）/βp，其中：TR表示特雷诺业绩指数，Rp表示某投资组合平均收益率，Rf为平均无风险利率，βp表示某投资组合的系统风险。

ir=tss.info_ratio(benchmark)
tr=tss.treynor_ratio(benchmark)
print(f'信息比率：{ir:.3f}')
print(f'特雷诺指数：{tr:.3f}')
信息比率：0.433
特雷诺指数：0.096

风险调整收益指标

风险调整收益率指标比较常用的有夏普比率（sharpe ratio）、索提诺比率（sortino ratio）和卡玛比率（calmar ratio），这三个指标都是风险调整后收益比率，因此分子都是收益指标，分母都是风险指标。

夏普比率（Sharpe Ratio）：风险调整后的收益率，计算公式：＝[E(Rp)－Rf]/σp，其中E(Rp)：投资组合预期报酬率，Rf：无风险利率，σp：投资组合的标准差。计算投资组合每承受一单位总风险，会产生多少的超额报酬。

索提诺比率（Sortino Ratio）：与夏普比率思路一致，核心在于分母应用了下行波动率概念（Downside Risk），计算标准差的时候，不采用均值，而是一个设定的可接受最小收益率（r_min），收益率序列中，超出这个最小收益率的收益距离按照0计算，低于这个收益率的平方距离累积，这样标准差就变成了半个下行标准差。对应的，索提诺比率的分子也采用策略收益超出最低收益的部分。与夏普比率相比，索提诺比率更看重对（左）尾部的预期损失分析，而夏普比率则是对全体样本进行分析。

Calmar比率(Calmar Ratio) ：描述收益和最大回撤之间的关系，计算方式为年化收益率与历史最大回撤之间的比率。Calmar比率数值越大，投资组合业绩表现越好。

sr=tss.sharpe_ratio()
sor=tss.sortino_ratio(freq=250)
cr=tss.calmar_ratio()
print(f'夏普比率：{sr:.2f}')
print(f'索提诺比率：{sor:.2f}')
print(f'卡玛比率：{cr:.2f}')

夏普比率：0.33
索提诺比率：28.35
卡玛比率：0.27

综合业绩评价指标分析实例

下面将上述常用指标进行综合，并获取多只个股进行比较分析。

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()
    #累积收益率
    dd['累计收益率']=tss.cuml_ret()
    #alpha和beta
    dd['alpha']=tss.alpha(benchmark)
    dd['beta']=tss.beta(benchmark)
    #风险指标
    #年化标准差
    dd['年化标准差']=tss.anlzd_stdev()
    #下行标准差
    dd['下行标准差']=tss.semi_stdev()
    #最大回撤
    dd['最大回撤']=tss.max_drawdown()
    #信息比率和特雷诺指数
    dd['信息比率']=tss.info_ratio(benchmark)
    dd['特雷纳指数']=tss.treynor_ratio(benchmark)
    #风险调整收益率
    dd['夏普比率']=tss.sharpe_ratio()
    dd['索提诺比率']=tss.sortino_ratio(freq=250)
    dd['calmar比率']=tss.calmar_ratio()
    df=pd.DataFrame(dd.values(),index=dd.keys()).round(4)
    return df

获取多只个股（也构建投资组合）数据，对比评估业绩评价指标：

#获取多只股票数据
df=pd.DataFrame(index=performance('601318').index)
stocks={'中国平安':'601318','贵州茅台':'600519',
        '海天味业':'603288','格力电器':'000651',
        '万科A':'00002','比亚迪':'002594',
        '云南白药':'000538','双汇发展':'000895',
        '海尔智家':'600690','青岛啤酒':'600600'}
for name,code in stocks.items():
    try:
        df[name]=performance(code).values
    except:
        continue

d