在上一篇文章中,作者介绍了一个优化投资组合结构的方案:多多教Python:Python 金融: 建立A股最优投资组合zhuanlan.zhihu.com
最近A股又启动了,从2020年第一个交易日以来站稳3080,RSI 动能信号几乎进入了超买区域,在布林线上也进入了超买区域,那么接下来准备好钱包,等待回调的小伙伴们,准备用什么选股策略来入场呢?上证指数日线,2020年1月6号下午2:10分
作者今天介绍一个利用Python,通俗易懂的选股策略。虽然简单,但是可以帮助你在建立仓位的时候避免潜在亏损会比较大的股票,甚至做到投资组合0亏损。那么在风险那么大的股票市场下,0亏损投资组合有可能实现吗?那我们来进入文章来看看作者是不是在吹牛逼。
好了,现在我们开始进入教程,在这之前需要完成下列需求:
下行风险 Downside Risk
要做扛亏损能力最强的投资组合,我们需要看的重要指标是 下行风险 (Downside Risk)。也就是当我们入场之后,我们手上的票子预期亏损的金额是多少。
在市面上买的理财产品,一般都只会告诉你预期回报率是多少,而不会告诉你有多少暴雷的概率。而我们在自己做股票投资的时候,除了预期回报率的高低,更要关心的是预期损失的大小。计算下行风险的量化指标有很多,包括 Value at Risk (VaR), Price Volatility 价格波动率,Return Volatility 回报波动率,布林线宽窄 Bollinger Bands Width 等,这里作者要介绍的是三款自己常用的指标:索提诺比率 Sortino Ratio, 最大回撤 Maximum Drawdown 和 日回报波动率 Daily Return Volatility。索提诺比率 Sortino Ratio:这个指标和夏普比率类似,但是重点考量的是下行标准差,也就是说,资产价格下跌程度较小的股票,索提诺比率会比较高。具体的金融概念参考百度:如何通俗的理解sortino ratio(索提诺比率)?www.zhihu.com最大回撤 Maximum Drawdown: 最大回撤是指一类资产从最高点一路下跌到低位的一个百分比。最大回撤比较大的股票,容易成为庄股,或者割韭菜股,利用这个指标可以回避那种下瀑布一样措手不及的行情。干货 | 夏普比率和最大回撤计算方法详解www.sohu.com
日回报波动率 Daily Return Volatility: 涨得快跌的快。这个指标越小,说明资产的每日价格回报比较整齐,不会出现比较大的偏差。那么在持有日回报波动率比较小的资产的时候,虽然涨的慢,但是很稳定,也可以规避上蹿下跳,被割韭菜的风险。波动率_百度百科baike.baidu.com
进入选股正题
作者是一个实践派选手,如果上面的理论点不太正确,还请大神补充修改,下面我们在Anaconda 平台,通过 TuShare API 来挑两只股票,计算其各自的三大下行风险指标,然后来看看如何做筛选:
In [1]:
import tushare as ts
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
import scipy.optimize as sco
%matplotlib inline
In [2]:
stock_codes = ['600801', '000401', '600585']
num_stocks = len(stock_codes)
stock_daily_quotes = {}
In [3]:
import time
for code in stock_codes:
print(code)
df = ts.get_k_data(code=code, start='2015-12-01', end='2019-12-01')
df = df.set_index(['date'])
df[code] = df['close']
stock_daily_quotes[code] = df[code]
time.sleep(1)
In [4]:
all_df = pd.concat([value for _, value in stock_daily_quotes.items()], axis=1)
In [5]: all_df.head()
Out [5]:
600801000401600585
2015-12-017.47711.2815.469
2015-12-028.22712.4116.073
2015-12-038.33312.7916.092
2015-12-048.06412.0515.661
2015-12-077.98711.9215.597
这段代码我就不详细解释了,在另外一篇文章中有类似的代码详解:多多教Python:Python 金融: 建立A股最优投资组合zhuanlan.zhihu.com
这里我选择了三只水泥股票: 华新水泥 (600801), 翼东水泥 (000401) 和 海螺水泥 (600585)。这三只股票从2015-2019年12月1号都实现了正收益,也就是你只要一直持有都赚钱,否则算出来指标是负数就没有意义了。所以要做0亏损选股,底线是在历史回测时期股票本身得实现盈利。华新水泥,翼东水泥 和 海螺水泥 2015-2019 价格
那么如何在三只水泥股票里选择一只入仓呢?如果不考虑超买,超卖的前提下,我们来分别对三只股票做一下下行风险计算:
In [6]:
def sortino_ratio(series):
r = series / series.shift(1) - 1
r = r.dropna()
sr = np.sqrt(252) * (r.mean()) / np.std(r[r < 0.027/365])
return sr
def return_volatility(series):
return_pcnt = series.pct_change(1)
volatility = np.std(return_pcnt)
return volatility
def maximum_drawdown(series):
performance_list = list(series)
i = np.argmax(np.maximum.accumulate(performance_list) - performance_list)
j = np.argmax(performance_list[:i])
mdd = (performance_list[i] - performance_list[j]) / performance_list[j]
return mdd
这三个指标的计算都用到了 Pandas DataFrame, 没有用过的小伙伴可以去看这篇教程:多多教Python:Python 基本功: 11. 初学 Pandas 库zhuanlan.zhihu.com
有了三个计算指标之后,对三只水泥股票的历史价格进行量化计算:
In [7]: sortino_ratio(all_df['600801'])
Out[7]: 1.1570110960999087
In [8]: return_volatility(all_df['600801'])
Out[8]: 0.031602504850323884
In [9]: maximum_drawdown(all_df['600801'])
Out[9]: -0.4406617881005409
600801 是华新水泥,我们可以看到,从2015年12月到2019年12月,华新水泥的索提诺比率是1.157,日回报波动率是 0.0316,最大回撤是 -44%。我们用相同的方法对另外两只水泥股进行计算,然后统计入表格当中:
我们可以看到,三只水泥股票当中,海螺水泥的索提诺比率是最高的,如回报波动率最低,并且最大回撤最小。打一个比方,如果你的仓位里10%是海螺水泥,那么在2015年到2019年当中,你的海螺水泥占整体仓位的最大回撤是 10% * -27.78% = -2.78%。
如果要从三只水泥股票当中选出两只,那么第二优秀的应该是华新水泥,在三个指标中都表现出中等水平。而最差的则是翼东水泥,最大回撤高达 -66.13%,会对投资组合带来较大的亏损风险。
另外的介绍一个指标: 卡尔玛比率 Calmar Ratio,这个指标直接拿 最大回撤 作为风险,对收益进行调整,代码放在下面,有兴趣的小伙伴可以拿来做股票筛选:
In [10]:
def calmar_ratio(series):
r = series / series.shift(1) - 1
r = r.dropna()
mdd = maximum_drawdown(series)
return np.sqrt(252) * (r.mean()) / abs(mdd)
小结:防止风险在同一时间发生
我们从三只水泥股票中,选出了一只风险最小的放入组合。但是我们可以看到,哪怕风险最小的股票都会有回撤,在一段时间内产生负收益,那么我们该如何做到投资组合0亏损呢?
答案就在于分散投资中的负相关性。三只水泥股票均属于水泥板块,如果我们能找到一个板块,和水泥板块有负相关性的收益曲线,那么在水泥股下行的时候,负相关性的板块将有可能上行,带动投资组合整体避免亏损。作者将在另外一篇文章中介绍如何用 Python 找到负相关性板块。
在单一的板块中选择下行风险最低的票子,然后纳入不同的板块,最后在板块之间通过相关性进行调和,就可以创造出一款 0亏损的投资组合。