基于python的金融分析与风险管理_带着Python玩金融（5）：夏普比率分析股票的风险和回报...

当你进行投资时，仅选择回报高的项目吗？当然不是，你还会综合考虑风险。

风险和回报，就像硬币的两面，总是相伴而行的。那么如何来权衡这两者呢？本文将带你使用夏普比率这一金融工具，来评估股票的绩效表现，并在Python中进行实践。

0. 什么是夏普比率？

夏普比率(Sharpe Ratio)是由诺贝尔奖得主威廉·夏普提出的，用以帮助投资者比较投资的回报和风险。理性的投资者一般都是固定所能承受的风险，追求最大的回报；或者在固定预期回报，追去最小的风险。所以夏普比率计算的是，每承受一单位的总风险所产生的超额回报。计算公式如下：

其中

是预期回报率，

是无风险利率，

是超额收益的标准差。

分子计算了差值说的是将某项投资与代表整个投资类别的基准进行比较，得到超额回报。分母标准差代表收益的波动率，对应着风险，因为波动越大预示着风险越高。

1. 获取数据

接下来，我们将通过Python编码，使用夏普比率来分析 Amazon 和 Facebook 这两家公司的股票，并将标普500指数做为比较的基准。

首先导入相应的 Python 包，并进行一些设置。

# 导入Python包

import pandas as pd

import numpy as np

import matplotlib.pyplot as plt

# 绘图设置

%matplotlib inline

%config InlineBackend.figure_format = 'retina'

plt.rcParams['font.sans-serif']=['SimHei']

plt.rcParams['axes.unicode_minus']=False

plt.style.use('fivethirtyeight')

使用 pandas 读取股票数据和标普500数据(点击连接获取原始数据)。

# 读取股票数据

stock_data = pd.read_csv("stock_data.csv",

parse_dates=['Date'], # 将Date列解析为时间格式

index_col = ['Date'] # 设置Date列为索引

).dropna() # 丢弃包含缺失值的行

# 读取标普500数据

benchmark_data = pd.read_csv("benchmark_data.csv",

parse_dates=['Date'],

index_col = ['Date']

).dropna()

2. 了解数据

让我们查看数据的基本信息以及前几行数据，从而对数据有个整体印象。

# 显示股票数据

print('Stocks\n')

stock_data.info() # 数据的基本信息

print(stock_data.head()) # 输出前5行数据

# 显示标普500数据

print('\nBenchmarks\n')

benchmark_data.info()

print(benchmark_data.head())

Stocks

DatetimeIndex: 252 entries, 2016-01-04 to 2016-12-30

Data columns (total 2 columns):

Amazon 252 non-null float64

Facebook 252 non-null float64

dtypes: float64(2)

memory usage: 5.9 KB

Amazon Facebook

Date

2016-01-04 636.989990 102.220001

2016-01-05 633.789978 102.730003

2016-01-06 632.650024 102.970001

2016-01-07 607.940002 97.919998

2016-01-08 607.049988 97.330002

Benchmarks

DatetimeIndex: 252 entries, 2016-01-04 to 2016-12-30

Data columns (total 1 columns):

S&P 500 252 non-null float64

dtypes: float64(1)

memory usage: 3.9 KB

S&P 500

Date

2016-01-04 2012.66

2016-01-05 2016.71

2016-01-06 1990.26

2016-01-07 1943.09

2016-01-08 1922.03

从中我们知道这里有2016年所有交易日的数据，包括 Amazon 和 Facebook 的股价以及标普500指数。

3. 观察股票数据

在比较股票数据和标普500指数之前，先让我们绘制股价随时间波动的折线图，以便更好地理解数据。

# 股价可视化

_ = stock_data.plot(subplots=True, title='股票数据')

同时也观察下两只股票的统计量，包括均值、标准差、最大最小值，百分位数等。

# 股价的统计量

print(stock_data.describe())

Amazon Facebook

count 252.000000 252.000000

mean 699.523135 117.035873

std 92.362312 8.899858

min 482.070007 94.160004

25% 606.929993 112.202499

50% 727.875000 117.765000

75% 767.882492 123.902503

max 844.359985 133.279999

4. 观察标普500数据

让我们用同样的方法观察作为基准的标普500数据。

# 绘图

_ = benchmark_data.plot(title='标普500指数')

# 统计量

print(benchmark_data.describe())

S&P 500

count 252.000000

mean 2094.651310

std 101.427615

min 1829.080000

25% 2047.060000

50% 2104.105000

75% 2169.075000

max 2271.720000

5. 股票回报率

要计算夏普比率，首先要知道股票的回报率，即当天股价减去前一天股价，得到的差值与前一天股价的比值。这里使用的是历史数据，只能算是马后炮了。(本文主要以讲方法为主，目前我司在跑策略则是实盘数据。)

# 计算每日股票回报率

stock_returns = stock_data.pct_change()

# 回报率绘图

stock_returns.plot()

# 回报率统计量

print(stock_returns.describe())

Amazon Facebook

count 251.000000 251.000000

mean 0.000818 0.000626

std 0.018383 0.017840

min -0.076100 -0.058105

25% -0.007211 -0.007220

50% 0.000857 0.000879

75% 0.009224 0.008108

max 0.095664 0.155214

6. 标普500指数回报率

使用同样的方法，我们来查看标普500指数的回报率。

sp_returns = benchmark_data['S&P 500'].pct_change()

sp_returns.plot()

print(sp_returns.describe())

count 251.000000

mean 0.000458

std 0.008205

min -0.035920

25% -0.002949

50% 0.000205

75% 0.004497

max 0.024760

Name: S&P 500, dtype: float64

7. 每日超额回报

将股票收益和作为基准的标普500收益做比较，计算每日超额回报，即将股票回报率减去标普500的回报率。

excess_returns = stock_returns.sub(sp_returns, axis=0) # 做减法

excess_returns.plot()

print(excess_returns.describe())

Amazon Facebook

count 251.000000 251.000000

mean 0.000360 0.000168

std 0.016126 0.015439

min -0.100860 -0.051958

25% -0.006229 -0.005663

50% 0.000698 -0.000454

75% 0.007351 0.005814

max 0.100728 0.149686

8. 超额回报的均值

现在我们可以计算夏普比率公式中的分子部分，即每日超额回报的均值，使用 .mean()方法。

avg_excess_return = excess_returns.mean()

print(avg_excess_return)

Amazon 0.000360

Facebook 0.000168

dtype: float64

将上述结果绘制成条形图便于直观比较，我们发现 Amazon 的回报更高。

_ = avg_excess_return.plot.bar(title='超额回报的均值')

9. 超额回报的标准差

接着我们计算夏普比率公式的分母，即超额回报的标准差，使用 .std() 方法。

# 计算标准差

sd_excess_return = excess_returns.std()

print(sd_excess_return)

Amazon 0.016126

Facebook 0.015439

dtype: float64

同时，绘制标准差的条形图，我们发现 Amazon 和 Facebook 的标准差比较接近。

_ = sd_excess_return.plot.bar(title='超额回报的标准差')

10. 计算夏普比率

现在万事俱备，只要将超额回报的均值除以其标准差，即可得到衡量回报和风险的夏普比率了。另外我们需再乘上

(一年有252个交易日)，得到年化的夏普比率。

# 日夏普比率(.div 做除法)

daily_sharpe_ratio = avg_excess_return.div(sd_excess_return)

# 年化夏普比率(.mul 做乘法)

annual_factor = np.sqrt(252)

annual_sharpe_ratio = daily_sharpe_ratio.mul(annual_factor)

print(annual_sharpe_ratio)

Amazon 0.354283

Facebook 0.172329

dtype: float64

计算得出 Amazon 的夏普比率差不多是 Facebook 的两倍。我们仍用条形图来可视化这一结果。

_ = annual_sharpe_ratio.plot.bar(title='年化夏普比率')

小结

根据上述计算的夏普比率，我们应该投资哪只股票呢？当然是 Amazon 了，因为它的夏普比率是 Facebook 的两倍多。这也意味着承受相同风险的情况下，Amazon 的收益更高。当然这里作为练习使用的是历史数据，并不能当做实际投资的依据。

所以，在我们的策略超市中，挑选策略的时候不妨多多关注夏普比率高的策略。

对量化交易有兴趣的投资者朋友欢迎关注我，本人9年从业经验；熟悉熟悉一级市场到二级市场的运作方式。现担任“一创·量化家”量化研究员，多因子策略研究。

目前实盘量化交易账户也已在跑！！！欢迎大家关注我学习方法论与量化投资，想进一步反生关系看我个人简历加微信！