2021-11-02

本文主要是介绍2021-11-02，对大家解决编程问题具有一定的参考价值，需要的程序猿们随着小编来一起学习吧！

基金评价指标计算 -- python

近期在做基金的评价工作，需要计算一些因子数据，由于部分数据源缺失值比较多，所以打算自己计算一下，下面是自己计算因子指标的python实现，比较简单粗暴，只是一些计算公式，有错误的话欢迎大家一起指正~~~

import math
import numpy as np

# nav为基金净值序列dataframe

# 年化收益
def ann_return(nav, ys=0):
    
    df_return_cum = nav.iloc[-1] /nav.iloc[0] - 1
    fector = len(nav) / 252
    if ys == 0:
        df_return = df_return_cum * fector
    else:
        df_return = df_return_cum / ys
    return df_return

# 波动率
def vol(nav, prd=252):
    daily_return = df_nav.pct_change()[1:] 
    df_vol = np.sqrt(prd) * daily_return.std()
    return df_vol

#最大回撤
def max_dd(nav):    
    tmp_df = nav / nav.cummax() -1
    df_dd = abs(tmp_df.min())
    return df_dd

# 夏普比率，无风险利率为3%
def sharpe_ratio(df_return, rf=0.03, df_vol):
    df_sharpe = (df_return-rf) / df_vol
    return df_sharpe

# Burke比率：（年化收益-无风险利率）/ 每日回撤的日均值标准差
def burke_ratio(df, rf=0.03):
    '''
    df:nav dataframe
    return :burke series
    '''
    daily_dd = df / df.cummax() -1
    daily_dd2n = daily_dd.apply(lambda x:pow(pow(x,2).mean(), 1/2))
    
    rp_lst = df.iloc[-1] / df.iloc[0]-1
    rp_ann = rp_lst * 252 /len(df)
#     rp_ann = df.pct_change().mean()
    burke = (rp_ann - rf) / daily_dd2n
    return burke

#周胜率
def wRate(nav):
    nav_f = nav.copy()
    nav_f.index = nav_f.index.to_series().apply(lambda x: datetime.datetime.strptime(x, '%Y-%m-%d'))
    df_rate_w = nav_f.resample('W', label='left').first() / nav_f.resample('W', label='left').last()
    w_num = df_rate_w.shape[0]
    df_wRate = df_rate_w.apply(lambda x: x[x>1].count()) / w_num
    return df_wRate

# 下行标准差：取一段时间的日收益率均值，对小于均值的部分求标准差，最后年化
def down_std(nav):
    pct_nav = nav.pct_change()[1:]  
    mean_col = pct_nav.mean()  
    df_posi = pct_nav.apply(lambda x: np.where(x>=x.mean(), 0,x-x.mean()))  #对小于均值的值赋予0，负责返回与均值的标准差
    nav_dstd = df_posi.apply(lambda x: (sum(x[x<0]**2)/len(x[x<0]))**0.5)
    return nav_dstd * np.sqrt(252)

#所提诺比率：(组合年化收益-无风险）/ (组合下行标准差))
def sortino_ratio(ann_return,rf=0.03, downside_std):
  
    sortino = (ann_return - rf) / downside_std
    return sortino

#信息比率：（组合年化收益-基准年化收益）/ (（组合收益-基准收益的标准差）*sqrt(252) )
#这里基金的基准年化我选择的对应的基金指数，比如分析债券混合型一级基金，基准我取的是wind上债券混合型型一级基金指数
def get_IR(nav, base_nav):
    # 计算中注意两个df的索引对其
    port_ann = ann_return(nav, ys=0)
    base_ann = ann_return(base_nav, ys=0)
    
    nav_rate = nav.pct_change()[1:]
    base_rate = base_nav.pct_change()[1:]
    denominator = nav_rate.apply(lambda x: (x-base_rate).std()*np.sqrt(252))

    ir = (port_ann - base_ann) / denominator
    return ir

# 特雷诺比率：（组合年化收益-无风险利率） / bata
def treynor_ratio(nav, rf=0.03, base_nav):
    port_ann = ann_return(nav, ys=0)
    
    nav_rate = nav.pct_change()[1:]
    base_rate = base_nav.pct_change()[1:]
    bata = nav_rate.apply(lambda x: (np.cov(x, base_rate))[0][1]/np.var(base_rate))
    
    treynor = (port_ann - rf) / bata
    return treynor

# 卡玛比率：组合年化收益 / 最大回撤
def calmar_ratio(ann_return,rf=0.03, max_dd):
    calmar = (ann_return-rf) / max_dd
    return calmar

这篇关于2021-11-02的文章就介绍到这儿，希望我们推荐的文章对大家有所帮助，也希望大家多多支持为之网！