python量化投资期末复习

来自作者大大的温馨提示，本文章的代码块可以使用伟大的CSDN(平台能否少点收成呀，嘿嘿开个玩笑)直接运行的都没有直接附上结果，请读者谅解，需要读取数据而无法运行的均已经附上结果.最后留一下作业，请给作者大大点赞＋好评

4.3.1投资组合理论(30分)

1. 两个公式,计算表内数据
2. 用编程语言编程实现上述两个公式

1.两个公式，会给出A和B的收益率方差和期望以及投资比例与相关系数

$$
E\left( x_p \right) =w_AE\left( x_A \right) +w_BE\left( x_B \right) 
\\
\sigma ^2\left( x_p \right) =w_{A}^{2}\sigma ^2\left( x_A \right) +w_{B}^{2}\left( x_B \right) \sigma ^2\left( x_B \right) +2w_Aw_B\sigma \left( x_A,x_B \right) 
\\
=w_{A}^{2}\sigma ^2\left( x_A \right) +w_{B}^{2}\left( x_B \right) \sigma ^2\left( x_B \right) +2w_Aw_B\rho _{A,B}\sigma \left( x_A \right) \sigma \left( x_B \right) 
$$
2.编程

##导包
import numpy as np
import math


##定义投资组合期望函数
def cal_mean(w_A):
    return(0.15-0.07*w_A)


##计算期望收益率
mean = list(map(cal_mean,[w_A/50 for w_A in range(51)])) ##map函数，将后面的数据应用到前面的函数中



##定义std计算函数,此处亦可以使用课件上面的匿名函数
def cal_std(w_A):
    std = []  ##初始化空列表
    for i in range(5):
        std.append(math.sqrt(w_A**2*0.12**2+(1-w_A)**2*0.25**2+2*w_A*(1-w_A)*(-1+0.5*i)*0.12*0.25)) ##将算出的数据放入std空列表中
    return(std)


##计算投资风险
std = np.array(list(map(cal_std,[w_A/50 for w_A in range(51)])))   ##课件中设置的参数为50，感觉不合理，可以自己调试查看结果


##以下步骤可以不要，作者自己添加
mean = np.array([mean]).T
                        ##注意：np.array(mean)是数组不是向量，np.array([mean])是行向量
result = np.concatenate((mean,std),axis=1)##axis=1按照列拼接
display(result)

4.4.2CAPM的应用(30分）【编程题】

1. 读取文件内数据利用pandas
2. 使用编程，会告诉无风险利率（将年利率转化为日线利率）
3. 提取信息，计算收益率（3个公式哪个都行，或者直接用包里面自带的函数）算Ri，利用公式（3），拟合CAMP模型

解:

1.

##导包
import pandas as pd


##读取数据
df_902 = pd.read_csv('中证流通指数.csv',index_col='Trddt')  ##注意：输入的是子路径，该文件与此ipynb文件在同一路径下
                                                            ##index_col参数设置的是显示在第一列的标签，可将此参数去掉对比区别，设置有助于后面使用merge函数时候设置left_index与right_index参数
df_902.index = pd.to_datetime(df_902.index)    ##将时间的所有格式统一为pandas可以操作的格式
df_902.head()    ###取前五行数据

Opnindex	Hiindex	Loindex	Clsindex	Retindex
Trddt
2014-01-02	3014.540	3029.042	3006.146	3028.749	0.002563
2014-01-03	3019.490	3022.980	2988.794	3001.462	-0.009009
2014-01-06	2995.242	2995.242	2922.058	2927.477	-0.024650
2014-01-07	2911.057	2943.681	2905.071	2938.602	0.003800
2014-01-08	2942.276	2972.339	2933.970	2950.733	0.004128

## 提取中证流通指数收益率：matret
mktret = df_902.Retindex
mktret.name = 'mktret'##给dataframe改名
mktret.head()

Trddt
2014-01-02    0.002563
2014-01-03   -0.009009
2014-01-06   -0.024650
2014-01-07    0.003800
2014-01-08    0.004128
Name: mktret, dtype: float64

mktret = mktret['2014']  ##读取2014年数据
                        ##注意：若前面不输入datetime此处无法进行操作
mktret.tail()  #索引后五行

Trddt
2014-12-25    0.024282
2014-12-26    0.020379
2014-12-29   -0.005938
2014-12-30   -0.008057
2014-12-31    0.015834
Name: mktret, dtype: float64

2.

计算公式

#rf为已知,将年无风险收益率转化为日无风险利率
rf = 1.036**(1/360)-1 
rf

3.

读取新安股份数据

df_596 = pd.read_csv('新安股份.csv',index_col='Date')
df_596.index = pd.to_datetime(df_596.index)
df_596.head()

Open	High	Low	Close	Volume
Date
2014-01-02	10.62	10.99	10.58	10.96	10984100
2014-01-03	10.89	11.04	10.71	10.85	7629900
2014-01-06	10.83	10.83	10.00	10.10	14364700
2014-01-07	10.05	10.22	9.95	10.11	5219100
2014-01-08	10.18	10.28	10.04	10.06	5764200

计算股份收益率Rt

## 用收盘价（close）计算股份收益率
#xin_anret = (df_596.Close-df_596.Close.shift(1))/df_596.Close.shift(1)
xin_anret = df_596.Close.pct_change()  ##pct_change为上述公式的包装函数，都会造成缺失值
xin_anret.name = 'returns'
xin_anret = xin_anret.dropna()   ##删除存在缺失值所在的行
xin_anret.head()

Date
2014-01-03   -0.010036
2014-01-06   -0.069124
2014-01-07    0.000990
2014-01-08   -0.004946
2014-01-09   -0.017893
Name: returns, dtype: float64

##合并新安股份和市场指数收益率
#Ret = pd.merge(mktret,xin_anret,left_index=True,right_index=True,how='inner') ##inner取交集 left_index.right_index合并index
Ret = pd.concat([mktret,xin_anret],axis=1).dropna()
Ret.head()

	mktret	returns
2014-01-03	-0.009009	-0.010036
2014-01-06	-0.024650	-0.069124
2014-01-07	0.003800	0.000990
2014-01-08	0.004128	-0.004946
2014-01-09	-0.011499	-0.017893

Eret = Ret-rf  ##第一列为rm-rf，第二列为rt-rf，对比公式(3)
Eret.head()

	mktret	returns
2014-01-03	-0.009107	-0.010135
2014-01-06	-0.024748	-0.069223
2014-01-07	0.003702	0.000892
2014-01-08	0.004030	-0.005044
2014-01-09	-0.011597	-0.017991

拟合CAMP模型，ls

##绘制散点图，观察rt-rf与rm-rf的关系，有助于后面的ls
## 导包
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['simhei']
plt.rcParams['axes.unicode_minus'] = False
plt.figure(figsize=(8,4))  #设置画布
plt.scatter(Eret.iloc[:,0],Eret.iloc[:,1]) ##绘制散点图，横坐标为rm-rf,纵坐标为rt-rf
                                        ##注意：iloc索引的是index，loc索引的是label
plt.title('新安股份和中正物流指数日益收益率',loc='center')##设置图像主题
plt.show()

## 拟合CAPM模型
##导入统计学包
import statsmodels.api as sm
model = sm.OLS(Eret.iloc[:,1],Eret.iloc[:,0]) ##OLS(Y,X)  Y=rt-rf,X=rm-rf，选定数据与训练模型的方法
result = model.fit()  #进行拟合
result.summary()  ##展示结果

OLS Regression Results

Dep. Variable:	returns	R-squared (uncentered):	0.237
Model:	OLS	Adj. R-squared (uncentered):	0.234
Method:	Least Squares	F-statistic:	75.07
Date:	Wed, 11 Jun 2025	Prob (F-statistic):	6.58e-16
Time:	23:45:21	Log-Likelihood:	577.85
No. Observations:	243	AIC:	-1154.
Df Residuals:	242	BIC:	-1150.
Df Model:	1
Covariance Type:	nonrobust

	coef	std err	t	P>|t|	[0.025	0.975]
mktret	1.1096	0.128	8.664	0.000	0.857	1.362

Omnibus:	46.961	Durbin-Watson:	1.983
Prob(Omnibus):	0.000	Jarque-Bera (JB):	216.063
Skew:	0.655	Prob(JB):	1.21e-47
Kurtosis:	7.430	Cond. No.	1.00

Notes:
[1] R² is computed without centering (uncentered) since the model does not contain a constant.
[2] Standard Errors assume that the covariance matrix of the errors is correctly specified.

R方只有0.237垃圾

第三题（手算题目）

P306.7电子书  谁α大选谁，还是考察公式（3）

第四题（禁止人工智障）

谈一谈对量化投资的理解，感受

解：答案在下方，请下滑

想什么呢，自己写

想要....你求我啊,继续下滑

                                        求我我也不给你