Python+Empyrical實現計算風險指標

2022-05-28 14:00:18

1.準備

開始之前，你要確保Python和pip已經成功安裝在電腦上,如果沒有，可以存取這篇文章：超詳細Python安裝指南進行安裝。

(可選1) 如果你用Python的目的是資料分析，可以直接安裝Anaconda，它內建了Python和pip.

(可選2) 此外，推薦大家用VSCode編輯器，它有許多的優點

為了實現識別貓的功能，我們需要安裝 paddlepaddle, 進入他們的官方網站就有詳細的指引

請選擇以下任一種方式輸入命令安裝依賴：

1. Windows 環境開啟 Cmd (開始-執行-CMD)。

2. MacOS 環境開啟 Terminal (command+空格輸入Terminal)。

3. 如果你用的是 VSCode編輯器或 Pycharm，可以直接使用介面下方的Terminal.

pip install empyrical

2. Empyrical 基本使用

計算最大回撤，你只需要從 empyrical 庫中引入 max_drawdown ，將資料作為引數傳入計算，一行程式碼就能實現：

import numpy as np
from empyrical import max_drawdown

returns = np.array([.01, .02, .03, -.4, -.06, -.02])

# 計算最大回撤
max_drawdown(returns)
# 結果：-0.4472800000000001

同樣地，如果你需要計算alpha和beta指標：

import numpy as np
from empyrical import alpha_beta

returns = np.array([.01, .02, .03, -.4, -.06, -.02])
benchmark_returns = np.array([.02, .02, .03, -.35, -.05, -.01])

# 計算alpha和Beta值
alpha, beta = alpha_beta(returns, benchmark_returns)
print(alpha, beta)
# 結果：-0.7960672549836803 1.1243025418474892

如果你想要計算夏普率，同樣也是一行程式碼就能解決，只不過你需要注意這幾個引數的意義：

import numpy as np
from empyrical import sharpe_ratio

returns = np.array([.01, .02, .03, -.4, -.06, -.02])

# 計算夏普率
sr = sharpe_ratio(returns, risk_free=0, period='daily', annualization=None)
print(sr)
# 結果：-6.7377339531573535

各個引數的意義如下：

引數	資料型別	意義
returns	pandas.Series	策略的日回報，非累積。
risk_free	float	本週期內的無風險利率
period	str, optional	確定回報資料的週期，預設為天。
annualization	int, optional	交易日總數（用於計算年化）如果是daily，則預設為252個交易日。

3.更多的指標

Empyrical 能提供使用的指標非常多，這裡就不一一介紹了，基本上用法都和夏普率的計算方法差不多，這裡介紹他們的方法和引數。

3.1 omega_ratio

empyrical.omega_ratio(returns, risk_free=0.0, required_return=0.0, annualization=252)

引數	資料型別	意義
returns	pandas.Series	策略的日回報，非累積。
risk_free	float	本週期內的無風險利率
required_return	float, optional	投資者可接受的最低迴報。
annualization	int, optional	交易日總數（用於計算年化）如果是daily，則預設為252個交易日。

3.2 calmar_ratio

empyrical.calmar_ratio(returns, period='daily', annualization=None)

引數	資料型別	意義
returns	pandas.Series	策略的日回報，非累積。
period	str, optional	確定回報資料的週期，預設為天。
annualization	int, optional	交易日總數（用於計算年化）。如果是daily，則預設為252個交易日。

3.3 sortino_ratio

empyrical.sortino_ratio(returns, required_return=0, period='daily', annualization=None, _downside_risk=None)

引數	資料型別	意義
returns	pandas.Series	策略的日回報，非累積。
required_return	float	最小投資回報
period	str, optional	確定回報資料的週期，預設為天。
annualization	int, optional	交易日總數（用於計算年化）。如果是daily，則預設為252個交易日。
_downside_risk	float, optional	給定輸入的下跌風險。如果沒有提供則自動計算

更多的指標及其說明，請檢視empyrical原始碼的stats.py檔案，裡面還包含了所有指標的計算邏輯，如果你想了解每個指標的計算方法，可以檢視這個檔案進行學習

到此這篇關於Python+Empyrical實現計算風險指標的文章就介紹到這了,更多相關Python Empyrical計算風險指標內容請搜尋it145.com以前的文章或繼續瀏覽下面的相關文章希望大家以後多多支援it145.com！