统计学与pandas学习（六）—— 夏普比率
统计学与pandas学习（六）—— 夏普比率
fanzhh
发布于 2019-08-20 11:22:57
发布于 2019-08-20 11:22:57
第六章《标准差（S.D.）也可用于理解高风险、高回报（夏普比率）》。
总结
- 投资基本上是对高风险、高回报的商品，还是低风险、低回报的商品的选择。这种商品的差异，是“性质的差异”，并不意味着优劣。
- 可以说，在同样的平均收益率之下，S.D.小的是优良的金融商品，而在同样的S.D.之下，平均收益率大的是优良的金融商品。
- 就此意义上来说，金融商品优劣性的评价基准是夏普比率（SPM）。夏普比率的公式（X的夏普比率）= [（（X的回报）-（国债的收益率）] ）/ （X的风险） 来计算。可以这样认为，夏普比率越大，金融商品就越优良。
注：尽管投资策略中夏普比例被普遍应用，但它也确实有局限（来源）：
首先，夏普比率是回顾性的。它只考虑历史回报的分布和波动，而不是未来发生的。在根据夏普比例作出判断时，有一个隐含的假设，即过去将会与未来相似。显然并非总是如此，特别是在市场制度的变化下。夏普比率计算假设正在使用的回报是正态分布（即高斯）。不幸的是，市场往往高于正常分布的峰度。相比高斯分布将导致我们相信的来说，回报的分配存在“长尾效应”，极端事件有可能发生。 因此，夏普比率在表征尾部风险方面较差。
练习
获取数据（使用alpha_vantage库，读取ALPHA VANTAGE股票数据）：
import pandas as pd
import numpy as np
from alpha_vantage.timeseries import TimeSeries
ts = TimeSeries(key='******',output_format='pandas')
# 使用000680股票为例子
data, meta_data = ts.get_daily('000680.SZ',outputsize='full')
# 使用2016年数据：
data = data.loc[(data.index>'2016-01-01') & (data.index<='2016-12-31')]
# 计算每日收益率：
data['daily_ret'] = data['close'].pct_change()
# 以国债为参考，假设年化收益率为3.9%，每年252个交易日
data['excess_daily_ret'] = data['daily_ret'] - 0.039/252
# 计算年化夏普比率，默认为252个交易日。
np.sqrt(252) * data['excess_daily_ret'].mean() / data['excess_daily_ret'].std()结果：
-0.37083735014815344
部分代码来自于QuantStart。
本文参与 腾讯云自媒体同步曝光计划，分享自作者个人站点/博客。
原始发表：2018.01.04 ，如有侵权请联系 cloudcommunity@tencent.com 删除
评论
登录后参与评论
推荐阅读
目录
腾讯云开发者
