（二）python金融数据分析--β求解

2.股票的系统性风险β

（1）单只股票的收益率

A：简单收益率
计算逻辑=（当期价格-上期价格）/上期价格，获取的数据由上之下开始计算，所以第一个数据一般都为NAN

df2=df1['close'].pct_change()
df2.plot()

B：对数收益率

df1['return']=np.log(df1['close']/df1['close'].shift(1))
df1['return']

tjg1[['return','close']].plot(subplots=True,style='b',figsize=(12,5))

*tjg1是调整过index的正常时间顺序t横轴正常走势；
.
.
（2）协方差&方差&相关系数

np.var()
df.var()
#只是numpy中计算的是样本的总体方差，而excel中计算的是样本方差，所以不一样。
#其实Excel中也有计算样本总体方差的函数-----varp () 
#也就是说varp和numpy.var()是一样的。

（3）实际案例（分析上证指数和单只股票的β值）
方法一：
One 数据包导入：

import tushare as ts
import pandas as pd
import numpy as np
import scipy.stats
#可视化
import matplotlib.pyplot as plt
import seaborn as sns
%matplotlib inline

Two获取股票数据：

tjg=ts.get_hist_data('600848',start='2019-10-05',end='2020-03-20')
szzs=ts.get_hist_data('sh000001',start='2019-10-05',end='2020-03-20')

Three 调整获取排序方式：
（这里需要调整是因为pct的计算逻辑，所以这里需要设置下）

#**默认按照升序**，如果需要降序就设ascending=False
tjg1=tjg.sort_index() 
szzs1=szzs.sort_index() 

Four 获取简单收益率

tjg2=tjg1['close'].pct_change()
szzs2=szzs1['close'].pct_change()

Five 合并表格（也可以不合并，好看而已）

q=pd.merge(tjg2,szzs2,on='date')
s

Six 删除NAN，不然会导致结果错误或者出不来

df1 =q.dropna(axis=0,how='all')
df1

covxy=np.cov(df1['close_x'],df1["close_y"])
varx=np.var(df1['close_y'])

注释：第一个数据为cov（单支股票,上证指数）；
第二个数据为上证指数的方差；

方法二：根据数据性质，更加便捷

#注释：
以上求解收益率都是不需要的，不过是一个逻辑过程保证会算；
因为在数据初始获取的时候就可以有移动日收益率的数据
可以选择直接调用

covxy1=np.cov(tjg1["p_change"],szzs1['p_change'])

结果也是差不多一样的，不过相对这样的数据更加具有说服力，因为这样的所有数据都有结果，不会存在NAN的数值；

β=0.9894576971357825

表示：“股票β值表示投资组合对系统风险的敏感程度:β值为1,表示指数变化时,股票价格会以相同的百分率变化;β值为1.8时,表示指数发生1%的变动,股票价格会呈现1.8%的变动;β值为值0.5时,表示指数发生1%的变动,股票价格会呈现0.5%的变动。