基于Python实现股票收益率分析基于Python实现股票收益率分析

前言
案例详情
编程任务
编程提示
参考代码

任务1的代码
任务2的代码
任务3的代码

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 【基于Python实现股票收益率分析】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。

文章图片

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：

文章图片

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：

文章图片

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'] = FalseIn [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0.117563dtype: float64In [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0.359268dtype: 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。

文章图片

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_covOut[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0.0797650.0543470.0556930.0653240.0620480.056216招商银行0.0543470.0877570.0581480.0668470.0782280.072074海通证券0.0556930.0581480.1571220.1473650.0929940.086569华泰证券0.0653240.0668470.1473650.2018060.1020200.096885中国平安0.0620480.0782280.0929940.1020200.2162850.110579中国太保0.0562160.0720740.0865690.0968850.1105790.129074In [10]: return_corr=stock_return.corr()#计算每只股票收益率之间的相关系数...: return_corrOut[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1.0000000.6495750.4974830.5148720.4723980.554035招商银行0.6495751.0000000.4951910.5023100.5678160.677201海通证券0.4974830.4951911.0000000.8275800.5044590.607889华泰证券0.5148720.5023100.8275801.0000000.4883210.600306中国平安0.4723980.5678160.5044590.4883211.0000000.661823中国太保0.5540350.6772010.6078890.6003060.6618231.000000In [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_2000Out[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%。