Empyrical 是一個知名的金融風(fēng)險指標(biāo)庫。它能夠用于計算年平均回報、最大回撤、Alpha值、Beta值、卡爾馬率、Omega率、夏普率等。它還被用于zipline和pyfolio，是Quantopian開發(fā)的三件套之一。

下面就教你如何使用 Empyrical 這個風(fēng)險指標(biāo)計算神器。

1.準(zhǔn)備

開始之前，你要確保Python和pip已經(jīng)成功安裝在電腦上,如果沒有，可以訪問這篇文章：超詳細(xì)Python安裝指南 進(jìn)行安裝。

(可選1) 如果你用Python的目的是數(shù)據(jù)分析，可以直接安裝Anaconda，它內(nèi)置了Python和pip.

(可選2) 此外，推薦大家用VSCode編輯器，它有許多的優(yōu)點

為了實現(xiàn)識別貓的功能，我們需要安裝 paddlepaddle, 進(jìn)入他們的官方網(wǎng)站就有詳細(xì)的指引

請選擇以下任一種方式輸入命令安裝依賴：

1. Windows 環(huán)境 打開 Cmd (開始-運(yùn)行-CMD)。

2. MacOS 環(huán)境 打開 Terminal (command+空格輸入Terminal)。

3. 如果你用的是 VSCode編輯器 或 Pycharm，可以直接使用界面下方的Terminal.

pip install empyrical

2. Empyrical 基本使用

計算最大回撤，你只需要從 empyrical 庫中引入 max_drawdown ，將數(shù)據(jù)作為參數(shù)傳入計算，一行代碼就能實現(xiàn)：

import?numpy?as?np
from?empyrical?import?max_drawdown

returns = np.array([.01,?.02,?.03,?-.4,?-.06,?-.02])

# 計算最大回撤
max_drawdown(returns)
# 結(jié)果：-0.4472800000000001

同樣地，如果你需要計算alpha和beta指標(biāo)：

import?numpy?as?np
from?empyrical?import?alpha_beta

returns = np.array([.01,?.02,?.03,?-.4,?-.06,?-.02])
benchmark_returns = np.array([.02,?.02,?.03,?-.35,?-.05,?-.01])

# 計算alpha和Beta值
alpha, beta = alpha_beta(returns, benchmark_returns)
print(alpha, beta)
# 結(jié)果：-0.7960672549836803 1.1243025418474892

如果你想要計算夏普率，同樣也是一行代碼就能解決，只不過你需要注意這幾個參數(shù)的意義：

import?numpy?as?np
from?empyrical?import?sharpe_ratio

returns = np.array([.01,?.02,?.03,?-.4,?-.06,?-.02])

# 計算夏普率
sr = sharpe_ratio(returns, risk_free=0, period='daily', annualization=None)
print(sr)
# 結(jié)果：-6.7377339531573535

各個參數(shù)的意義如下：

3.更多的指標(biāo)

Empyrical 能提供使用的指標(biāo)非常多，這里就不一一介紹了，基本上用法都和夏普率的計算方法差不多，這里介紹他們的方法和參數(shù)。

3.1 omega_ratio

empyrical.omega_ratio(returns, risk_free=0.0, required_return=0.0, annualization=252)

3.2 calmar_ratio

empyrical.calmar_ratio(returns, period='daily', annualization=None)

3.3 sortino_ratio

empyrical.sortino_ratio(returns, required_return=0, period='daily', annualization=None, _downside_risk=None)

更多的指標(biāo)及其說明，請查看empyrical源代碼的stats.py文件，里面還包含了所有指標(biāo)的計算邏輯，如果你想了解每個指標(biāo)的計算方法，可以查看這個文件進(jìn)行學(xué)習(xí)

到此這篇關(guān)于Python+Empyrical實現(xiàn)計算風(fēng)險指標(biāo)的文章就介紹到這了,更多相關(guān)Python Empyrical計算風(fēng)險指標(biāo)內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評論