投資報酬

Python 投資組合風險管理入門

Dakota Wixom

Quantitative Analyst | QuantCourse.com

課程概觀

學習分析投資報酬分配、建構投資組合並降低風險，找出驅動投資組合報酬的關鍵因子。

單變量投資風險
投資組合
因子投資
預測與降風險

投資風險

什麼是風險？

金融市場的風險是對不確定性的衡量
報酬的離散程度或變異

常見的風險衡量方式？

日報酬的標準差或變異數
日報酬分配的峰度
日報酬分配的偏度
歷史回撤

金融風險

報酬

機率

兩種報酬的比較

報酬源自股價
離散報酬（簡單報酬）最常用，表示定期（例如每日、每週、每月等）價格變動
對數報酬常用於學術研究與財務建模，假設連續複利。

計算股票報酬

離散報酬＝本期價格變動占前一期價格的百分比

計算對數報酬

對數報酬＝兩個價格取對數後的差
對數報酬會「隨時間可加總」，而離散報酬則「跨資產可加總」

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

或等價為

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

用 Python 計算股票報酬

步驟 1：

載入股價資料，並存為以日期編排的 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 計算股票報酬

步驟 2：

計算調整收盤價的日報酬，並將報酬新增為 DataFrame 的一欄。

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

視覺化報酬分配

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

一起來練習吧！

Python 投資組合風險管理入門