python中函数的定义（「手把手教你」Python计算股票收益率、Alpha和Beta值）python教程 / python函数定义与调用指南...

本文作为金融量化分析的入门基础之一，手把手带领大家使用Python计算股票的收益率，重点展示如何利用Python对日收益率数据向月、年收益率转换，然后演示个股Alpha和Beta值的计算关注微信公众号：Python金融量化，获取更多干货。

#先引入后面可能用到的包（package） import pandas as pd import numpy as np from scipy import stats import tushare as ts import matplotlib.pyplot as plt %matplotlib inline #正常显示画图时出现的中文和负号 from pylab import mpl mpl.rcParams[font.sans-serif]=[SimHei] mpl.rcParams[axes.unicode_minus]=False

收益率转化对日期进行处理，分别将日对数收益率转化为月和年收益率主要有三个步骤： （1）估计股票每日对数收益率； （2）加总对数收益率到每月（年）； （3）将月（年）收益率转化为百分比收益率stock=sh df=ts.get_k_data(stock,start=1990-12-20) 。

使用tushare中的get_k_data()得到的数据框索引是顺序数字，而不是日期序列，因此，为分析方面，需要进行变换，即使用“date”作为索引df.index=pd.to_datetime(df.date) #del df[date] #删掉该列 df.tail() #这时候可以看到索引已经是date了 。

步骤一：计算对数收益率#计算的时候第一个数成为缺失值，删掉 lograte=np.log(df.close/df.close.shift(1))[1:] 步骤二：加总对数收益率到每月month=[] index=lograte.index for i in range(0,np.size(lograte)): month.append(.join([index[i].strftime("%Y"),index[i].strftime("%m")])) y=pd.DataFrame(lograte.values,month,columns=[月收益率]) y.tail()

步骤三：将月（年）收益率转化为百分比收益率ret_monthly=y.groupby(y.index).sum() ret_monthly.tail()

#将日收益率转化为年收益率 stock=601318 df = ts.get_k_data(code=stock, ktype=D, autype=qfq, start=2007-3-1) df.index=pd.to_datetime(df[date]) logret=np.log(df.close/df.close.shift(1))[1:] year=[] d0=df.index for i in range(0,np.size(logret)): year.append(d0[i].strftime("%Y")) y=pd.DataFrame(logret.values,year,columns=[年收益率]) ret_annual=np.exp(y.groupby(y.index).sum())-1 ret_annual

计算股票的$\beta$系数和$\alpha值$这里的beta和alpha系数都来自资本资产定价模型，先来看看CAPM： E(ri​)=rf+β(E(rm​)−rf​)，其中，E(ri​)是股票i的预期收益率，

rf是无风险利率，E(rm​)是市场指数收益率；β系数是系统性风险，在评估股市波动风险与投资机会的方法中，常用来衡量结构性与系统性风险，可以简单理解为个股波动相对大盘波动的偏离程度CAPM的计量模型可以表示为：。

ri​=α+βrm+ε，其中α可以理解为超额收益率，ε是随机扰动，可以理解为个体风险#先定义获取股票数据和计算收益率的函数 def get_return(code,startdate,endate): df=ts.get_k_data(code,ktype=D,autype=qfq, start=startdate,end=endate) p1=np.array(df.close[1:]) p0=np.array(df.close[:-1]) logret = np.log(p1/p0) rate=pd.DataFrame() rate[code]=logret rate.index=df[date][1:] return rate #定义求beta和alpha的函数 def alpha_beta(code,startdate,endate): mkt_ret=get_return(sh,startdate,endate) stock_ret=get_return(code,startdate,endate) df=pd.merge(mkt_ret,stock_ret,left_index=True,right_index=True) x=df.iloc[:,0] y=df.iloc[:,1] beta,alpha,r_value,p_value,std_err=stats.linregress(x,y) return (alpha,beta) #定义求一系列股票在某个时间段的股票 def stocks_alpha_beta(stocks,startdate,endate): df=pd.DataFrame() alpha=[] beta=[] for code in stocks.values(): a,b=alpha_beta(code,startdate,endate) alpha.append(float(%.4f%a)) beta.append(float(%.2f%b)) df[alpha]=alpha df[beta]=beta df.index=stocks.keys() return df startdate=2017-01-01 endate=2018-11-09 stocks={中国平安:601318,格力电器:000651, 招商银行:600036,恒生电子:600570, 中信证券:600030,贵州茅台:600519} stocks_alpha_beta(stocks,startdate,endate) 。

import statsmodels.api as sm import tushare as ts import pandas as pd import numpy as np def get_return(code,d0,d1): df=ts.get_k_data(code,start=d0,end=d1) p1=np.array(df.close[1:]) p0=np.array(df.close[:-1]) logret = np.log(p1/p0) rate=pd.DataFrame() rate[code]=logret rate.index=df[date][1:] return rate def beta(code,d0,d1): s_ret=get_return(code,d0,d1) sh_ret=get_return(sh,d0,d1) df=pd.merge(s_ret,sh_ret,left_index=True,right_index=True) y=df.iloc[:,0] x=df.iloc[:,1] x=sm.add_constant(x) model=sm.OLS(y,x) results=model.fit() b=results.params[1] return b stocks={中国平安:601318,格力电器:000651,招商银行:600036, 中信证券:600030,贵州茅台:600519} d0=2018-01-01 d1=2018-11-13 for stock in stocks.values(): s=list (stocks.keys())[list(stocks.values()).index(stock)] print(s+"的市场风险beta：%.3f" % beta(stock,d0,d1))

中国平安的市场风险beta：1.278格力电器的市场风险beta：1.219招商银行的市场风险beta：1.053中信证券的市场风险beta：1.425贵州茅台的市场风险beta：1.145关于Python金融量化

专注于分享Python在金融量化领域的应用。加入知识星球，可以免费获取量化投资视频资料、量化金融相关PDF资料、公众号文章Python完整源码、量化投资前沿分析框架，与博主直接交流、结识圈内朋友等。