Python量化分析实战：使用pyfinance进行证券收益与绩效评估
本文详细介绍Python量化金融包pyfinance的核心功能，重点解析returns模块在证券收益分析中的应用。通过实战案例演示如何计算年化与累计收益率、基于CAPM模型评估Alpha/Beta值，以及利用夏普、索提诺等比率进行风险调整后收益分析，为CFA/FRM考生及量化投资者提供高效工具。
pyfinance简介
在探索Python实现滚动回归的方法时，发现了一款极具价值的量化金融工具——pyfinance。正如其名，pyfinance是专为投资管理与证券收益分析设计的Python库，旨在补充现有的定量金融生态，如pyfolio和pandas等主流库。
pyfinance包含六个模块
datasets.py：负责金融数据下载，基于requests库进行爬虫操作（注：部分因外网限制的数据源可能已无法访问）；
general.py：提供通用财务计算功能，包括主动份额计算、收益分配近似值及跟踪误差优化等；
ols.py：专注于回归分析，支持基于pandas的滚动窗口回归操作；
options.py：处理期权衍生品计算及策略分析；
returns.py：通过CAPM（资本资产定价模型）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，同时提升了处理速度与灵活性；
utils.py：基础架构支持。
本文主要聚焦于returns模块，展示pyfinance在证券投资分析中的具体应用，后续文章将逐步介绍datasets、options及ols等模块的使用方法。
returns模块应用实例
pyfinance的安装十分简便，只需在命令行（cmd）或Anaconda Prompt中执行“pip install pyfinance”命令即可。returns模块的核心是TSeries类（目前暂不支持DataFrame），它扩展了pandas的Series功能，增加了更多针对证券投资分析的特性，特别是基于CAPM框架的业绩评价指标计算。使用时，直接导入“from pyfinance import TSeries”即可调用。
下文以tushare为数据接口，首先定义一个数据获取函数。在该函数内部，将收益率数据转换为TSSeries对象，随后即可直接利用TSeries类的各类函数进行分析。
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模块提供了年化收益率（anlzd_ret）、累计收益率（cuml_ret）以及周期收益率（rollup）等计算方法。以下以平安银行股票为例，演示如何计算这些关键收益率指标。
#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模型可计算alpha、beta、回归决定系数R2、t统计量及残差项等关键指标。由于这些计算主要依赖ols回归，若需获取动态变化的alpha和beta值，可进一步结合ols模块的滚动回归函数（PandasRollingOLS）实现，这将在后续教程中详细展开。
#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
风险指标主要涵盖标准差和最大回撤。在计算标准差时，需注意修改默认参数。若使用Anaconda环境，需进入pyfinance安装包路径：
c:\Anaconda3\Lib\site-packages\pyfinance，打开returns源文件，定位到anlzd_stdev和semi_stdev函数，将freq默认值None修改为250（代表一年的交易天数）。
#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%
下偏标准差主要用于解决收益率分布不对称的问题。当收益率分布呈现左偏时，使用正态分布会低估风险，因此传统夏普比率的分母若使用全样本标准差估计并不合适，而应使用收益对无风险投资收益的偏离度来衡量。
基准比较指标
基准比较指标需要指定一个基准（benchmark），例如将沪深300指数作为中国平安个股的基准进行对比分析。
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，特别适用于对基金产品或投资组合业绩进行量化评估。
信息比率（information ratio）：基于马克维茨的均值方差模型，衡量由超额风险带来的超额收益，表示单位主动风险所获得的超额收益。公式为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计算出的收益率之差，分母为残差风险即残差项的标准差。
特雷诺指数（Treynor ratio）：衡量单位系统风险带来的超额收益，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
常用的风险调整收益率指标包括夏普比率（sharpe ratio）、索提诺比率（sortino ratio）和卡玛比率（calmar ratio）。这三个指标均为风险调整后收益比率，因此分子均为收益指标，分母均为风险指标。
- 夏普比率（Sharpe Ratio）：表示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。该指标计算投资组合每承受一单位总风险所产生的超额报酬。
- 索提诺比率（Sortino Ratio）：思路与夏普比率一致，核心区别在于分母应用了下行波动率概念（Downside Risk）。在计算标准差时，不采用均值，而是设定一个可接受的最小收益率（r_min）。收益率序列中，超出最小收益率的收益距离按0计算，低于该收益率的平方距离累积，从而使标准差变为半个下行标准差。相应地，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，索提诺比率更关注对（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，表明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，并获取多只个股数据进行对比分析。
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（或构建投资组合）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
结语
pyfinance是专为证券投资管理和绩效评价指标设计的Python库，对于备考CFA和FRM的读者尤为实用。实际上，pyfinance的returns模块扩展了pandas的Series类，从而支持证券投资收益分析和绩效评价。Python作为建立在各种模块（module）之上的“胶水”语言，善于借用现有包进行计算和编程，能显著提高效率，减少“造轮子”的时间和精力。
以上就是python数据可视化使用pyfinance分析证券收益示例详解的详细内容，更多关于pyfinance分析证券收益的资料请关注本站其它相关文章！
免责声明：本文内容仅供参考，不代表本站观点。转载或引用请注明出处。
