python 量化_Python量化教程：量化风险

今天，我们将介绍非常重要的一部分：风险的量化。我们会从原理以及Python实战两个角度来学习。

我们开始今天的内容。

一、方差

1952年，Markowitz发表了均值-方差投资组合理论，在这套理论中他正式提出了用方差来描述资产收益不确定性的方法，也就是资产风险的方差度量法。

为什么我们可以用方差来度量风险呢？我解释一下方差的原理你就知道了。

这里R是指所有的收益率序列(真实或预估)，E(R)是指收益率的期望。有些朋友可能对期望不太熟悉，所以我们换个表达方式。假如我们有一组已知的长度为n的收益率数据R，那么它们的方差为：

相当于每个收益率数据与平均收益率之间距离的平方的均值。简单来说，我们可以理解为收益率相对于均值的波动情况。方差越大，波动越大，风险也就越大，潜在的收益往往也越高。

随着风险理论的实践与发展，这种方法被发现了很大的弊端。首先，这个定义不能与风险完全等同，因为向上的剧烈波动也会造成方差偏高，但是这种波动是我们所希望发生的，能使我们获益；其次，Markowitz的均值-方差投资组合理论有一个重要假设，那就是收益率是符合正态分布的，但是现实中的金融产品收益率往往具有明显的偏度和峰度，仅仅使用方差来度量有可能会产生较大的误差。

假如我们已经获取到了一组收益率数据R，在Python中，我们可以很多方法来计算方差，这里我们用numpy和pandas来示范一下如何计算方差和标准差(方差的平方根)：

# 使用numpy

import numpy as np

R = [0.01, 0.05, 0.02, -0.03]

var1 = np.var(R)

std1 = np.std(R)

# 使用pandas

import pandas as pd

R = pd.Series([0.01, 0.05, 0.02, -0.03])

var2 = R.var()

std2 = R.std()

二、下行风险

同样是1952年，Roy发表了用下行偏差来度量风险的方法。这个方法解决了前边我们提到的方差度量法的问题，它主要关注向下的波动。计算下行偏差时，一个最重要的变量就是目标收益率，通常用可接受的最低收益率代表(MARR，Minimum Acceptable Rate of Return)。我们常用无风险收益率、0或者资产收益率的平均值作为MARR。下行偏差描述的就是低于MARR的收益率的发散程度，其计算方式为：

也就是说，收益率大于MARR的部分全都会被抹平为0，小于MARR的部分会正常进行计算。这样的话，得到的下行偏差中不包含向上波动的成