财务回报

Python 投资组合风险管理入门

Dakota Wixom

Quantitative Analyst | QuantCourse.com

课程概览

学习分析投资回报分布，构建组合并降低风险，识别驱动组合回报的关键因子。

单变量投资风险
组合投资
因子投资
预测与降低风险

投资风险

什么是风险？

金融市场中的风险衡量不确定性
金融回报的离散度或方差

通常如何度量风险？

日回报的标准差或方差
日回报分布的峰度
日回报分布的偏度
历史回撤

金融风险

回报

概率

两种回报的比较

回报源自股票价格
离散回报（简单回报）最常用，表示周期性（如日、周、月等）价格变动
对数回报常用于学术研究和金融建模，假设连续复利

计算股票回报

离散回报按本期价格相对上期价格的百分比变动计算

计算对数回报

对数回报等于两个价格对数的差
对数回报可跨时间聚合，离散回报可跨资产聚合

$$ Rl = \ln(\frac{P_{t_2}}{P_{t_1}}) $$

或等价地：

$$ Rl = \ln(P_{t_2}) - \ln(P_{t_1}) $$

用 Python 计算股票回报

步骤 1：

加载股票价格数据，并存为按日期组织的 pandas DataFrame：

import pandas as pd 
StockPrices = pd.read_csv('StockData.csv', parse_dates=['Date'])
StockPrices = StockPrices.sort_values(by='Date')
StockPrices.set_index('Date', inplace=True)

用 Python 计算股票回报

步骤 2：

计算复权收盘价的日回报，并将其作为新列加入 DataFrame。

StockPrices["Returns"] = StockPrices["Adj Close"].pct_change()
StockPrices["Returns"].head()

可视化回报分布

import matplotlib.pyplot as plt
plt.hist(StockPrices["Returns"].dropna(), bins=75, density=False)
plt.show()

Passons à la pratique !

Python 投资组合风险管理入门