6个快速了解投资组合表现的指标，附python 计算代码

6个快速了解投资组合的指标，附python 计算代码

投资组合管理学中有6个简单且重要的指标用来给投资者评估现时的收益和风险比例，本文结尾附上python 的代码，使用python 的原因是已有程序库计算这些指标，不用自己实现。

以下是6个指标的简介

1. Sharpe ratio
2.  Correlation matrix
3. Max Drawdown
4. Volatility
5. Beta
6.  Calmar ratio

夏普比率：基金投资人最爱，任可投资组合或基金都钟爱突出高值夏普比率。这个值描绘了资产回报对投资者所承受的风险补偿程度，值越高越好。

 确定投资组合收益率（Rp）确定无风险收益率（Rf）计算投资组合收益率的标准差（σp）

相关性：展示投资组合中每个资产之间的相关性，数值高代表两个资产之间相关性高。即上升/下降时高机率一起上升/下降

Cov(X,Y) 是 XX 和 YY 的协方差，σXσX​ 是 XX 的标准差，σYσY​ 是 YY 的标准差。

最大回撤：衡量投资组合某特定时间段内从峰值下降至谷值的最大损失

Peak Value：投资组合或资产在特定时间内的最高价值。Trough Value：在达到最高价值后，投资组合或资产的最低价值。

波动率：某特别时间段投资组合价值的变化幅度

σ 是收益率的标准差，TT 是年化因子（例如，日收益率 T=252T=252，月收益率 T=12T=12）。

贝他值：衡量投资组合相对于市场系统性风险的波动系数。 大于1意味投资组合的波动幅度大于市场

Ra​：资产或投资组合的收益率，Rm​：市场组合的收益率，Cov(Ra​,Rm​)：资产收益率与市场收益率的协方差，Var(Rm​)：市场收益率的方差。

卡玛比率： 衡量投资组合和最大回撤之间的关系，数值越高代表投资组口在承受风险越大的情况下回报会越高，公式和夏普比率相似，就是把分母由波动率转为最大回撤值

Annualized Return：投资组合的年化收益率。Maximum Drawdown：投资组合的最大回撤（以绝对值表示，例如20%表示为0.20）。

我将选取英伟达和特斯拉两个股票构成投资组合，时间由2020年-2024年。 以上某些投资指标将使用Quanstat程式库计算
代码如下：

import pandas as pd 
import yfinance as yf 
import numpy as np
from quantstats import stats

tickers = ['NVDA', 'TSLA']
start_date = '2020-01-01'
end_date = '2024-12-31'

# Download the stock data
stock_data = yf.download(tickers, start=start_date, end=end_date)['Adj Close']  
stock_data.count()

#compose 50-50 portfolio and calculate Sharpe Ratio
stock_data['Porfolio'] = 0.5 * stock_data['NVDA'] + 0.5 * stock_data['TSLA']
sharpe_ratio = stats.sharpe(stock_data['Porfolio'].pct_change(), 0.02)
sharpe_ratio

#calcuate Correlation between nvida and tesla
correlation = stock_data['NVDA'].corr(stock_data['TSLA'])
correlation 

stock_data['Porfolio'] = 0.5 * stock_data['NVDA'] + 0.5 * stock_data['TSLA']
max_drawdown = stats.max_drawdown(stock_data['Porfolio'])
max_drawdown

#calculate daily Volatility
volatility = stock_data['Porfolio'].pct_change().std()
volatility

#calcualte Beta 
sp500_df = yf.download('^GSPC', start=start_date, end=end_date)['Adj Close'].pct_change()
cov = np.cov(stock_data['Porfolio'].pct_change().dropna(), sp500_df.dropna())
beta = cov[0,1] / cov[1,1]
beta 

#calculate Calmar ratio 
calmar_ratio = stats.calmar(stock_data['Porfolio'].pct_change())
calmar_ratio 

投资指标种类很大，计算的数值又因年化或月化有所不同而产生偏差，但以上是最常见的指标，谨供参考。