微信公众号搜"智元新知"关注
微信扫一扫可直接关注哦！

运用python测度投资组合的风险价值

分类：Python作者：编程之家AI导航网

运用python测度投资组合的风险价值

一、数据来源——Tushare

Tushare大数据开放社区免费提供各类金融数据。数据丰富：拥有丰富的数据内容，如股票、基金、期货、数字货币等行情数据，公司财务、基金经理等基本面数据；获取简单：SDK开发包支持语言，同时提供HTTP Restful接口，最大程度方便不同人群的使用；落地方便：提供多种数据储存方式，如Oracle、MysqL，MongoDB、HDF5、CSV等，为数据获取提供了性能保证。

二、方法及成果展示

1.方差-协方差法

V a R = V P [ z e σ P − E ( R P ) ] \mathrm{VaR}=V_{P}\left[z_{e} \sigma_{P}-E\left(R_{P}\right)\right] VaR=VP​[ze​σP​−E(RP​)]
E ( R p ) = ∑ i = 1 N w i E ( R i ) E\left(R_{p}\right)=\sum_{i=1}^{N} w_{i} E\left(R_{i}\right) E(Rp​)=i=1∑N​wi​E(Ri​)

import tushare as ts
import pandas as pd
import numpy as np
import scipy.stats as st
import matplotlib.pyplot as plt
from pylab import mpl
mpl.rcParams['font.sans-serif']=['SimHei']
mpl.rcParams['axes.unicode_minus']=False
cons = ts.get_apis()
GZ=ts.bar('600519', conn=cons, freq='D', start_date='2015-01-01',end_date='2019-01-01')#选取贵州茅台2015-2019的数据,以“GZ”缩写代表该股票
JT=ts.bar('601328', conn=cons, freq='D', start_date='2015-01-01',end_date='2019-01-01')#选取交通银行015-2019的数据,以“JT”缩写代表该股票
JS=ts.bar('000005', conn=cons, freq='D', start_date='2015-01-01',end_date='2019-01-01')#选取嘉实增强信用基金015-2019的数据,以“JS”缩写代表该股票
HX=ts.bar('159920', conn=cons, freq='D', start_date='2015-01-01',end_date='2019-01-01')#选取华夏恒生ETF基金015-2019的数据,以“HX”缩写代表该股票
BS=ts.bar('513500', conn=cons, freq='D', start_date='2015-01-01',end_date='2019-01-01')#选取博时标普500ETF基金015-2019的数据,以“BS”缩写代表该股票
本接口即将停止更新，请尽快使用Pro版接口：https://tushare.pro/document/2
本接口即将停止更新，请尽快使用Pro版接口：https://tushare.pro/document/2
本接口即将停止更新，请尽快使用Pro版接口：https://tushare.pro/document/2
本接口即将停止更新，请尽快使用Pro版接口：https://tushare.pro/document/2
本接口即将停止更新，请尽快使用Pro版接口：https://tushare.pro/document/2

GZ=GZ.rename(columns={'close':'贵州茅台'})  
JT=JT.rename(columns={'close':'交通银行'})
JS=JS.rename(columns={'close':'嘉实增强信用基金'})
HX=HX.rename(columns={'close':'华夏恒生ETF基金'})
BS=BS.rename(columns={'close':'博时标普500ETF基金'})
data=pd.concat([GZ['贵州茅台'],JT['交通银行'],JS['嘉实增强信用基金'],HX['华夏恒生ETF基金'],BS['博时标普500ETF基金']],axis=1) 
(data/data.iloc[0]).plot(figsize=(8,6))
<matplotlib.axes._subplots.Axessubplot at 0x1de2ee51948>

在这里插入图片描述

R=np.log(data/data.shift(1))
R=R.dropna()
R.describe()
贵州茅台交通银行嘉实增强信用基金华夏恒生ETF基金博时标普500ETF基金
count875.000000875.000000875.000000875.000000875.000000
mean0.000976-0.000265-0.0008130.0000170.000280
std0.0198420.0165830.0331280.0118830.011271
min-0.105361-0.104924-0.105999-0.059943-0.092759
25%-0.009621-0.006344-0.012074-0.005995-0.004082
50%0.0001480.0000000.0000000.0006450.000608
75%0.0110250.0053760.0095340.0069400.005351
max0.0788770.0955570.0960430.0554390.051845
R_mean=R.mean()  #计算每个资产的日平均收益率
R_cov=R.cov()  #计算每个资产的相关系数矩阵
R_vol=R.std()  #计算每个资产收益率的日波动率
R_mean
贵州茅台            0.000976
交通银行           -0.000265
嘉实增强信用基金       -0.000813
华夏恒生ETF基金       0.000017
博时标普500ETF基金    0.000280
dtype: float64

R_cov
贵州茅台交通银行嘉实增强信用基金华夏恒生ETF基金博时标普500ETF基金
贵州茅台0.0003940.0001150.0001580.0001090.000046
交通银行0.0001150.0002750.0000880.0000740.000027
嘉实增强信用基金0.0001580.0000880.0010970.0001260.000069
华夏恒生ETF基金0.0001090.0000740.0001260.0001410.000059
博时标普500ETF基金0.0000460.0000270.0000690.0000590.000127
R_vol
贵州茅台            0.019842
交通银行            0.016583
嘉实增强信用基金        0.033128
华夏恒生ETF基金       0.011883
博时标普500ETF基金    0.011271
dtype: float64

weights=np.array([0.15,0.20,0.50,0.05,0.10])  #投资组合中各资产的配置权重
Rp_daily=np.sum(weights*R_mean)  #按照当前权重计算投资组合过往日平均收益率
Vp_daily=np.sqrt(np.dot(weights,np.dot(R_cov,weights.T)))  #按照当前权重计算投资组合过往日波动率
print('按照当前权重计算投资组合日平均收益率',Rp_daily)
print('按照当前权重计算投资组合日波动率',Vp_daily)
按照当前权重计算投资组合日平均收益率 -0.0002840553011451197
按照当前权重计算投资组合日波动率 0.019063133533068204

def VaR_VCM(Value,Rp,Vp,X,N):
    '''运用方差-协方差法计算风险价值
    Value:投资组合价值
    Rp:投资组合日平均收益率
    Vp:投资组合收益率的日波动率
    X:置信水平
    N:持有期，用天数表示
    
    '''
    import scipy.stats as st
    import numpy as np
    z=np.abs(st.norm.ppf(q=1-X))
    return np.sqrt(N)*Value*(z*Vp-Rp)
D1=1  #持有期为1天
D2=10  #持有期为10天
X1=0.99  #置信水平为99%
X2=0.95  #置信水平为95%
Value_port=100000000  #投资组合的价值为1亿元
VaR99_1day_VCM=VaR_VCM(Value_port,Rp=Rp_daily,Vp=Vp_daily,X=X1,N=D1)  #持有期1天、置信水平99%的风险价值
VaR95_1day_VCM=VaR_VCM(Value_port,Rp=Rp_daily,Vp=Vp_daily,X=X2,N=D1)  #持有期1天、置信水平95%的风险价值
VaR99_10day_VCM=VaR_VCM(Value_port,Rp=Rp_daily,Vp=Vp_daily,X=X1,N=D2)  #持有期10天、置信水平99%的风险价值
VaR95_10day_VCM=VaR_VCM(Value_port,Rp=Rp_daily,Vp=Vp_daily,X=X2,N=D2)  #持有期10天、置信水平95%的风险价值
print('方差-协方差法计算的持有期1天、置信水平99%的风险价值',round(VaR99_1day_VCM,2))
print('方差-协方差法计算的持有期1天、置信水平95%的风险价值',round(VaR95_1day_VCM,2))
print('方差-协方差法计算的持有期10天、置信水平99%的风险价值',round(VaR99_10day_VCM,2))
print('方差-协方差法计算的持有期10天、置信水平95%的风险价值',round(VaR95_10day_VCM,2))
方差-协方差法计算的持有期1天、置信水平99%的风险价值 4463153.55
方差-协方差法计算的持有期1天、置信水平95%的风险价值 3164011.96
方差-协方差法计算的持有期10天、置信水平99%的风险价值 14113730.76
方差-协方差法计算的持有期10天、置信水平95%的风险价值 10005484.35

2.历史模拟法

模拟过去第t个交易日投资组合的收益 Δ S P t \Delta S_{P t} ΔSPt​表达式如下
Δ S P t = ∑ i = 1 M w i R i t S P T \Delta S_{P t}=\sum_{i=1}^{M} w_{i} R_{i t} S_{P T} ΔSPt​=i=1∑M​wi​Rit​SPT​

Value_asset=Value_port*weights  #按照投资组合最新市值和每个资产最新权重计算每个资产的最新市值
Return_history=np.dot(R,Value_asset)
Return_history=pd.DataFrame(Return_history,index=R.index,columns=['投资组合的模拟日收益'])
Return_history.describe()
投资组合的模拟日收益
count8.750000e+02
mean-2.840553e+04
std1.906313e+06
min-9.341354e+06
25%-7.350990e+05
50%-1.648808e+04
75%6.550495e+05
max6.380627e+06
Return_history.plot(figsize=(8,6))
<matplotlib.axes._subplots.Axessubplot at 0x1de2f1eeb88>

在这里插入图片描述

plt.figure(figsize=(8,6))
plt.hist(np.array(Return_history),bins=30,facecolor='y',edgecolor='k')
plt.xticks(fontsize=13)
plt.xlabel(u'投资组合模拟的日收益金额',fontsize=13)
plt.yticks(fontsize=13)
plt.ylabel(u'频数',fontsize=13,rotation=0)
plt.title(u'投资组合模拟日收益金额的直方图',fontsize=13)
plt.grid(True)

在这里插入图片描述

st.kstest(rvs=Return_history['投资组合的模拟日收益'],cdf='norm')  #正态性的kolmogrov-Smirnov检验
KstestResult(statistic=0.5085714285714286, pvalue=2.574247156362617e-210)

st.anderson(x=Return_history['投资组合的模拟日收益'],dist='norm')  #正态性的Anderson-Darling检验
AndersonResult(statistic=29.30261836588511, critical_values=array([0.573, 0.653, 0.783, 0.914, 1.087]), significance_level=array([15. , 10. ,  5. ,  2.5,  1. ]))

st.shapiro(Return_history['投资组合的模拟日收益'])  #正态性的Shapiro-Wilk检验
(0.8967312574386597, 8.744595709578196e-24)

st.normaltest(Return_history['投资组合的模拟日收益'])  #正态性检验
normaltestResult(statistic=106.32215256349147, pvalue=8.174061836292735e-24)

无论是图像还是4个检验正态性的指标统计量，都可以得出投资组合模拟日收益数据不服从正态分布的结论，因此运用方差-协方差法计算得到的投资组合风险价值会存在偏差

VaR99_1day_history=np.abs(np.percentile(a=Return_history,q=(1-X1)*100))  ##持有期1天、置信水平99%的风险价值
VaR95_1day_history=np.abs(np.percentile(a=Return_history,q=(1-X2)*100))  ##持有期1天、置信水平95%的风险价值
VaR99_10day_history=np.sqrt(10)*VaR99_1day_history  ##持有期10天、置信水平99%的风险价值
VaR95_10day_history=np.sqrt(10)*VaR95_1day_history  ##持有期10天、置信水平95%的风险价值
print('历史模拟法计算的持有期1天、置信水平99%的风险价值',round(VaR99_1day_history,2))
print('历史模拟法计算的持有期1天、置信水平95%的风险价值',round(VaR95_1day_history,2))
print('历史模拟法计算的持有期10天、置信水平99%的风险价值',round(VaR99_10day_history,2))
print('历史模拟法计算的持有期10天、置信水平95%的风险价值',round(VaR95_10day_history,2))
历史模拟法计算的持有期1天、置信水平99%的风险价值 6762437.15
历史模拟法计算的持有期1天、置信水平95%的风险价值 2898598.86
历史模拟法计算的持有期10天、置信水平99%的风险价值 21384703.92
历史模拟法计算的持有期10天、置信水平95%的风险价值 9166174.41

历史模拟法计算的持有期10天、置信水平99%的风险价值>方差-协方差法计算的持有期10天、置信水平99%的风险价值，
历史模拟法计算的持有期10天、置信水平95%的风险价值<方差-协方差法计算的持有期10天、置信水平95%的风险价值。
历史模拟法有更强的对尾部极端风险的捕捉能力。

3.蒙特卡罗模拟法

import numpy.random as npr
I=10000 #模拟次数
epsilon=npr.standard_t(df=len(R),size=I)  #从自由度等于过往交易日天数的学生t分布中进行随机抽样
S1=data.iloc[-1,0]  #投资组合中第1个资产的收盘价
S2=data.iloc[-1,1]  #投资组合中第2个资产的收盘价
S3=data.iloc[-1,2]  #投资组合中第3个资产的收盘价
S4=data.iloc[-1,3]  #投资组合中第4个资产的收盘价
S5=data.iloc[-1,4]  #投资组合中第5个资产的收盘价
R_mean=R.mean()*252  #计算每个资产的年化平均收益率
R_vol=R.std()*np.sqrt(252)  #计算每个资产收益率的年化波动率
dt=1/252  #设定为1个交易日
S1_new=S1*np.exp((R_mean[0]-0.5*R_vol[0]**2)*dt+R_vol[0]*epsilon*np.sqrt(dt))  #模拟投资组合中第1个资产下一个交易日的收盘价
S2_new=S2*np.exp((R_mean[0]-0.5*R_vol[1]**2)*dt+R_vol[0]*epsilon*np.sqrt(dt))  #模拟投资组合中第2个资产下一个交易日的收盘价
S3_new=S3*np.exp((R_mean[0]-0.5*R_vol[2]**2)*dt+R_vol[0]*epsilon*np.sqrt(dt))  #模拟投资组合中第3个资产下一个交易日的收盘价
S4_new=S4*np.exp((R_mean[0]-0.5*R_vol[3]**2)*dt+R_vol[0]*epsilon*np.sqrt(dt))  #模拟投资组合中第4个资产下一个交易日的收盘价
S5_new=S5*np.exp((R_mean[0]-0.5*R_vol[4]**2)*dt+R_vol[0]*epsilon*np.sqrt(dt))  #模拟投资组合中第5个资产下一个交易日的收盘价
S1_delta=(S1_new/S1-1)*Value_port*weights[0]  #模拟投资组合中第1个资产下一个交易日的收益
S2_delta=(S2_new/S2-1)*Value_port*weights[1]  #模拟投资组合中第2个资产下一个交易日的收益
S3_delta=(S3_new/S3-1)*Value_port*weights[2]  #模拟投资组合中第3个资产下一个交易日的收益
S4_delta=(S4_new/S4-1)*Value_port*weights[3]  #模拟投资组合中第4个资产下一个交易日的收益
S5_delta=(S5_new/S5-1)*Value_port*weights[4]  #模拟投资组合中第5个资产下一个交易日的收益
Sp_delta=S1_delta+S2_delta+S3_delta+S4_delta+S5_delta  #模拟投资组合下一个交易日的收益
plt.figure(figsize=(8,6))
plt.hist(Sp_delta,bins=30,facecolor='y',edgecolor='k')
plt.xticks(fontsize=13)
plt.xlabel(u'投资组合模拟的日收益金额',fontsize=13)
plt.yticks(fontsize=13)
plt.ylabel(u'频数',fontsize=13,rotation=0)
plt.title(u'蒙特卡罗模拟（服从学生t分布）得到投资组合日收益金额的直方图',fontsize=13)
plt.grid(True)

在这里插入图片描述

VaR99_1day_VCM=VaR_VCM(Value_port,Rp=Rp_daily,Vp=Vp_daily,X=X1,N=D1)  #持有期1天、置信水平99%的风险价值
VaR95_1day_VCM=VaR_VCM(Value_port,Rp=Rp_daily,Vp=Vp_daily,X=X2,N=D1)  #持有期1天、置信水平95%的风险价值
VaR99_10day_VCM=VaR_VCM(Value_port,Rp=Rp_daily,Vp=Vp_daily,X=X1,N=D2)  #持有期10天、置信水平99%的风险价值
VaR95_10day_VCM=VaR_VCM(Value_port,Rp=Rp_daily,Vp=Vp_daily,X=X2,N=D2)  #持有期10天、置信水平95%的风险价值
print('方差-协方差法计算的持有期1天、置信水平99%的风险价值',round(VaR99_1day_VCM,2))
print('方差-协方差法计算的持有期1天、置信水平95%的风险价值',round(VaR95_1day_VCM,2))
print('方差-协方差法计算的持有期10天、置信水平99%的风险价值',round(VaR99_10day_VCM,2))
print('方差-协方差法计算的持有期10天、置信水平95%的风险价值',round(VaR95_10day_VCM,2))
方差-协方差法计算的持有期1天、置信水平99%的风险价值 4463153.55
方差-协方差法计算的持有期1天、置信水平95%的风险价值 3164011.96
方差-协方差法计算的持有期10天、置信水平99%的风险价值 14113730.76
方差-协方差法计算的持有期10天、置信水平95%的风险价值 10005484.35

print('历史模拟法计算的持有期1天、置信水平99%的风险价值',round(VaR99_1day_history,2))
print('历史模拟法计算的持有期1天、置信水平95%的风险价值',round(VaR95_1day_history,2))
print('历史模拟法计算的持有期10天、置信水平99%的风险价值',round(VaR99_10day_history,2))
print('历史模拟法计算的持有期10天、置信水平95%的风险价值',round(VaR95_10day_history,2))
历史模拟法计算的持有期1天、置信水平99%的风险价值 6762437.15
历史模拟法计算的持有期1天、置信水平95%的风险价值 2898598.86
历史模拟法计算的持有期10天、置信水平99%的风险价值 21384703.92
历史模拟法计算的持有期10天、置信水平95%的风险价值 9166174.41

VaR99_1day_Msst=np.abs(np.percentile(a=Sp_delta,q=(1-X1)*100))  ##持有期1天、置信水平99%的风险价值
VaR95_1day_Msst=np.abs(np.percentile(a=Sp_delta,q=(1-X2)*100))  ##持有期1天、置信水平95%的风险价值
VaR99_10day_Msst=np.sqrt(10)*VaR99_1day_Msst ##持有期10天、置信水平99%的风险价值
VaR95_10day_Msst=np.sqrt(10)*VaR95_1day_Msst  ##持有期10天、置信水平95%的风险价值
print('蒙特卡罗模拟法计算的持有期1天、置信水平99%的风险价值',round(VaR99_1day_Msst,2))
print('蒙特卡罗模拟法计算的持有期1天、置信水平95%的风险价值',round(VaR95_1day_Msst,2))
print('蒙特卡罗模拟法计算的持有期10天、置信水平99%的风险价值',round(VaR99_10day_Msst,2))
print('蒙特卡罗模拟法计算的持有期10天、置信水平95%的风险价值',round(VaR95_10day_Msst,2))
蒙特卡罗模拟法计算的持有期1天、置信水平99%的风险价值 4444075.46
蒙特卡罗模拟法计算的持有期1天、置信水平95%的风险价值 3173818.74
蒙特卡罗模拟法计算的持有期10天、置信水平99%的风险价值 14053400.56
蒙特卡罗模拟法计算的持有期10天、置信水平95%的风险价值 10036496.11

from prettytable import prettytable
x= prettytable(["测度方法","方差-协方差法", "历史模拟法", "蒙特卡罗模拟法"])
x.add_row(["持有期1天、置信水平99%的风险价值","4463153.55","6762437.15","4623509.83"])
x.add_row(["持有期1天、置信水平95%的风险价值","3164011.96","2898598.86","3152171.57"])
x.add_row(["持有期10天、置信水平99%的风险价值","14113730.76","21384703.92","14620821.86"])
x.add_row(["持有期10天、置信水平95%的风险价值","10005484.35","9166174.41","9968041.73"])
print(x)
+-----------------------------------+---------------+-------------+----------------+
|              测度方法             | 方差-协方差法 |  历史模拟法 | 蒙特卡罗模拟法 |
+-----------------------------------+---------------+-------------+----------------+
|  持有期1天、置信水平99%的风险价值 |   4463153.55  |  6762437.15 |   4623509.83   |
|  持有期1天、置信水平95%的风险价值 |   3164011.96  |  2898598.86 |   3152171.57   |
| 持有期10天、置信水平99%的风险价值 |  14113730.76  | 21384703.92 |  14620821.86   |
| 持有期10天、置信水平95%的风险价值 |  10005484.35  |  9166174.41 |   9968041.73   |
+-----------------------------------+---------------+-------------+----------------+

4.回溯检验

Return_2015=Return_history.loc['2015-01-01':'2015-12-31']
Return_2016=Return_history.loc['2016-01-01':'2016-12-31']
Return_2017=Return_history.loc['2017-01-01':'2017-12-31']
Return_2018=Return_history.loc['2018-01-01':'2018-12-31']
days_2015=len(Return_2015)
days_2016=len(Return_2016)
days_2017=len(Return_2017)
days_2018=len(Return_2018)
VaR_2015=pd.DataFrame(-VaR95_1day_VCM*np.ones_like(Return_2015),index=Return_2015.index) #生成2015年风险价值的时间序列
VaR_2016=pd.DataFrame(-VaR95_1day_VCM*np.ones_like(Return_2016),index=Return_2016.index) #生成2016年风险价值的时间序列
VaR_2017=pd.DataFrame(-VaR95_1day_VCM*np.ones_like(Return_2017),index=Return_2017.index) #生成2017年风险价值的时间序列
VaR_2018=pd.DataFrame(-VaR95_1day_VCM*np.ones_like(Return_2018),index=Return_2018.index) #生成2018年风险价值的时间序列
plt.figure(figsize=(9,15))
plt.subplot(4,1,1)
plt.plot(Return_2015,'b-',label=u'2015年投资组合日收益')
plt.plot(VaR_2015,'r-',label=u'风险价值对应的亏损',lw=2.0)
plt.ylabel(u'收益')
plt.xticks(rotation=30)
plt.legend(fontsize=12)
plt.grid('True')

plt.subplot(4,1,2)
plt.plot(Return_2016,'b-',label=u'2016年投资组合日收益')
plt.plot(VaR_2016,'r-',label=u'风险价值对应的亏损',lw=2.0)
plt.ylabel(u'收益')
plt.xticks(rotation=30)
plt.legend(fontsize=12)
plt.grid('True')

plt.subplot(4,1,3)
plt.plot(Return_2017,'b-',label=u'2017年投资组合日收益')
plt.plot(VaR_2017,'r-',label=u'风险价值对应的亏损',lw=2.0)
plt.ylabel(u'收益')
plt.xticks(rotation=30)
plt.legend(fontsize=12)
plt.grid('True')

plt.subplot(4,1,4)
plt.plot(Return_2018,'b-',label=u'2018年投资组合日收益')
plt.plot(VaR_2018,'r-',label=u'风险价值对应的亏损',lw=2.0)
plt.ylabel(u'收益')
plt.xticks(rotation=30)
plt.legend(fontsize=12)
plt.grid('True')
plt.show()

在这里插入图片描述

#方差-协方差法
dayexcept_2015_VCM=len(Return_2015[Return_2015['投资组合的模拟日收益']< -VaR95_1day_VCM])
dayexcept_2016_VCM=len(Return_2016[Return_2016['投资组合的模拟日收益']< -VaR95_1day_VCM])
dayexcept_2017_VCM=len(Return_2017[Return_2017['投资组合的模拟日收益']< -VaR95_1day_VCM])
dayexcept_2018_VCM=len(Return_2018[Return_2018['投资组合的模拟日收益']< -VaR95_1day_VCM])
print('2015年超过风险价值的天数',dayexcept_2015_VCM)
print('2015年超过风险价值的天数占全年交易天数的比例',round(dayexcept_2015_VCM/days_2015,4))
print('2016年超过风险价值的天数',dayexcept_2016_VCM)
print('2016年超过风险价值的天数占全年交易天数的比例',round(dayexcept_2016_VCM/days_2016,4))
print('2017年超过风险价值的天数',dayexcept_2017_VCM)
print('2017年超过风险价值的天数占全年交易天数的比例',round(dayexcept_2017_VCM/days_2017,4))
print('2018年超过风险价值的天数',dayexcept_2018_VCM)
print('2018年超过风险价值的天数占全年交易天数的比例',round(dayexcept_2018_VCM/days_2018,4))
2015年超过风险价值的天数 23
2015年超过风险价值的天数占全年交易天数的比例 0.1597
2016年超过风险价值的天数 9
2016年超过风险价值的天数占全年交易天数的比例 0.0369
2017年超过风险价值的天数 1
2017年超过风险价值的天数占全年交易天数的比例 0.0041
2018年超过风险价值的天数 7
2018年超过风险价值的天数占全年交易天数的比例 0.0288

print(round(len(Return_2015[Return_2015['投资组合的模拟日收益']< -VaR99_1day_VCM])/days_2015,4))
print(round(len(Return_2016[Return_2016['投资组合的模拟日收益']< -VaR99_1day_VCM])/days_2016,4))
print(round(len(Return_2017[Return_2017['投资组合的模拟日收益']< -VaR99_1day_VCM])/days_2017,4))
print(round(len(Return_2018[Return_2018['投资组合的模拟日收益']< -VaR99_1day_VCM])/days_2018,4))
0.1111
0.0205
0.0
0.0082

print(round(len(Return_2015[Return_2015['投资组合的模拟日收益']< -VaR99_10day_VCM])/days_2015,4))
print(round(len(Return_2016[Return_2016['投资组合的模拟日收益']< -VaR99_10day_VCM])/days_2016,4))
print(round(len(Return_2017[Return_2017['投资组合的模拟日收益']< -VaR99_10day_VCM])/days_2017,4))
print(round(len(Return_2018[Return_2018['投资组合的模拟日收益']< -VaR99_10day_VCM])/days_2018,4))
0.0
0.0
0.0
0.0

print(round(len(Return_2015[Return_2015['投资组合的模拟日收益']< -VaR95_10day_VCM])/days_2015,4))
print(round(len(Return_2016[Return_2016['投资组合的模拟日收益']< -VaR95_10day_VCM])/days_2016,4))
print(round(len(Return_2017[Return_2017['投资组合的模拟日收益']< -VaR95_10day_VCM])/days_2017,4))
print(round(len(Return_2018[Return_2018['投资组合的模拟日收益']< -VaR95_10day_VCM])/days_2018,4))
0.0
0.0
0.0
0.0

#历史模拟法
dayexcept_2015_history=len(Return_2015[Return_2015['投资组合的模拟日收益']< -VaR95_1day_history])
dayexcept_2016_history=len(Return_2016[Return_2016['投资组合的模拟日收益']< -VaR95_1day_history])
dayexcept_2017_history=len(Return_2017[Return_2017['投资组合的模拟日收益']< -VaR95_1day_history])
dayexcept_2018_history=len(Return_2018[Return_2018['投资组合的模拟日收益']< -VaR95_1day_history])
print('2015年超过风险价值的天数',dayexcept_2015_history)
print('2015年超过风险价值的天数占全年交易天数的比例',round(dayexcept_2015_history/days_2015,4))
print('2016年超过风险价值的天数',dayexcept_2016_history)
print('2016年超过风险价值的天数占全年交易天数的比例',round(dayexcept_2016_history/days_2016,4))
print('2017年超过风险价值的天数',dayexcept_2017_history)
print('2017年超过风险价值的天数占全年交易天数的比例',round(dayexcept_2017_history/days_2017,4))
print('2018年超过风险价值的天数',dayexcept_2018_history)
print('2018年超过风险价值的天数占全年交易天数的比例',round(dayexcept_2018_history/days_2018,4))
2015年超过风险价值的天数 25
2015年超过风险价值的天数占全年交易天数的比例 0.1736
2016年超过风险价值的天数 10
2016年超过风险价值的天数占全年交易天数的比例 0.041
2017年超过风险价值的天数 1
2017年超过风险价值的天数占全年交易天数的比例 0.0041
2018年超过风险价值的天数 8
2018年超过风险价值的天数占全年交易天数的比例 0.0329

print(round(len(Return_2015[Return_2015['投资组合的模拟日收益']< -VaR99_1day_history])/days_2015,4))
print(round(len(Return_2016[Return_2016['投资组合的模拟日收益']< -VaR99_1day_history])/days_2016,4))
print(round(len(Return_2017[Return_2017['投资组合的模拟日收益']< -VaR99_1day_history])/days_2017,4))
print(round(len(Return_2018[Return_2018['投资组合的模拟日收益']< -VaR99_1day_history])/days_2018,4))
0.0347
0.0123
0.0
0.0041

print(round(len(Return_2015[Return_2015['投资组合的模拟日收益']< -VaR99_10day_history])/days_2015,4))
print(round(len(Return_2016[Return_2016['投资组合的模拟日收益']< -VaR99_10day_history])/days_2016,4))
print(round(len(Return_2017[Return_2017['投资组合的模拟日收益']< -VaR99_10day_history])/days_2017,4))
print(round(len(Return_2018[Return_2018['投资组合的模拟日收益']< -VaR99_10day_history])/days_2018,4))
0.0
0.0
0.0
0.0

print(round(len(Return_2015[Return_2015['投资组合的模拟日收益']< -VaR95_10day_history])/days_2015,4))
print(round(len(Return_2016[Return_2016['投资组合的模拟日收益']< -VaR95_10day_history])/days_2016,4))
print(round(len(Return_2017[Return_2017['投资组合的模拟日收益']< -VaR95_10day_history])/days_2017,4))
print(round(len(Return_2018[Return_2018['投资组合的模拟日收益']< -VaR95_10day_history])/days_2018,4))
0.0069
0.0
0.0
0.0

#蒙特卡罗模拟法
dayexcept_2015_Msst=len(Return_2015[Return_2015['投资组合的模拟日收益']< -VaR95_1day_Msst])
dayexcept_2016_Msst=len(Return_2016[Return_2016['投资组合的模拟日收益']< -VaR95_1day_Msst])
dayexcept_2017_Msst=len(Return_2017[Return_2017['投资组合的模拟日收益']< -VaR95_1day_Msst])
dayexcept_2018_Msst=len(Return_2018[Return_2018['投资组合的模拟日收益']< -VaR95_1day_Msst])
print('2015年超过风险价值的天数',dayexcept_2015_Msst)
print('2015年超过风险价值的天数占全年交易天数的比例',round(dayexcept_2015_Msst/days_2015,4))
print('2016年超过风险价值的天数',dayexcept_2016_Msst)
print('2016年超过风险价值的天数占全年交易天数的比例',round(dayexcept_2016_Msst/days_2016,4))
print('2017年超过风险价值的天数',dayexcept_2017_Msst)
print('2017年超过风险价值的天数占全年交易天数的比例',round(dayexcept_2017_Msst/days_2017,4))
print('2018年超过风险价值的天数',dayexcept_2018_Msst)
print('2018年超过风险价值的天数占全年交易天数的比例',round(dayexcept_2018_Msst/days_2018,4))
2015年超过风险价值的天数 23
2015年超过风险价值的天数占全年交易天数的比例 0.1597
2016年超过风险价值的天数 9
2016年超过风险价值的天数占全年交易天数的比例 0.0369
2017年超过风险价值的天数 1
2017年超过风险价值的天数占全年交易天数的比例 0.0041
2018年超过风险价值的天数 7
2018年超过风险价值的天数占全年交易天数的比例 0.0288

print(round(len(Return_2015[Return_2015['投资组合的模拟日收益']< -VaR99_1day_Msst])/days_2015,4))
print(round(len(Return_2016[Return_2016['投资组合的模拟日收益']< -VaR99_1day_Msst])/days_2016,4))
print(round(len(Return_2017[Return_2017['投资组合的模拟日收益']< -VaR99_1day_Msst])/days_2017,4))
print(round(len(Return_2018[Return_2018['投资组合的模拟日收益']< -VaR99_1day_Msst])/days_2018,4))
0.1181
0.0205
0.0
0.0082

print(round(len(Return_2015[Return_2015['投资组合的模拟日收益']< -VaR99_10day_Msst])/days_2015,4))
print(round(len(Return_2016[Return_2016['投资组合的模拟日收益']< -VaR99_10day_Msst])/days_2016,4))
print(round(len(Return_2017[Return_2017['投资组合的模拟日收益']< -VaR99_10day_Msst])/days_2017,4))
print(round(len(Return_2018[Return_2018['投资组合的模拟日收益']< -VaR99_10day_Msst])/days_2018,4))
0.0
0.0
0.0
0.0

print(round(len(Return_2015[Return_2015['投资组合的模拟日收益']< -VaR95_10day_Msst])/days_2015,4))
print(round(len(Return_2016[Return_2016['投资组合的模拟日收益']< -VaR95_10day_Msst])/days_2016,4))
print(round(len(Return_2017[Return_2017['投资组合的模拟日收益']< -VaR95_10day_Msst])/days_2017,4))
print(round(len(Return_2018[Return_2018['投资组合的模拟日收益']< -VaR95_10day_Msst])/days_2018,4))
0.0
0.0
0.0
0.0

from prettytable import prettytable
x= prettytable(["（方差-协方差法）年份","2015", "2016", "2017","2018"])
x.add_row(["持有期1天、置信水平99%的超额占比","0.1111","0.0205","0.0","0.0082"])
x.add_row(["持有期1天、置信水平95%的超额占比","0.1597","0.0369","0.0041","0.0288"])
x.add_row(["持有期10天、置信水平99%的超额占比","0","0","0","0"])
x.add_row(["持有期10天、置信水平95%的超额占比","0","0","0","0"])
print(x)
+-----------------------------------+--------+--------+--------+--------+
|       （方差-协方差法）年份       |  2015  |  2016  |  2017  |  2018  |
+-----------------------------------+--------+--------+--------+--------+
|  持有期1天、置信水平99%的超额占比 | 0.1111 | 0.0205 |  0.0   | 0.0082 |
|  持有期1天、置信水平95%的超额占比 | 0.1597 | 0.0369 | 0.0041 | 0.0288 |
| 持有期10天、置信水平99%的超额占比 |   0    |   0    |   0    |   0    |
| 持有期10天、置信水平95%的超额占比 |   0    |   0    |   0    |   0    |
+-----------------------------------+--------+--------+--------+--------+

在持有期为1天的条件下，方差-协方差法不适用于2015年，但16、17、18年在95%置信度下通过检验，17、18年在99%置信度下通过检验。

from prettytable import prettytable
x= prettytable(["（历史模拟法）年份","2015", "2016", "2017","2018"])
x.add_row(["持有期1天、置信水平99%的超额占比","0.0347","0.0123","0.0","0.0041"])
x.add_row(["持有期1天、置信水平95%的超额占比","0.1736","0.041","0.0041","0.0329"])
x.add_row(["持有期10天、置信水平99%的超额占比","0","0","0","0"])
x.add_row(["持有期10天、置信水平95%的超额占比","0.0069","0","0","0"])
print(x)
+-----------------------------------+--------+--------+--------+--------+
|         （历史模拟法）年份        |  2015  |  2016  |  2017  |  2018  |
+-----------------------------------+--------+--------+--------+--------+
|  持有期1天、置信水平99%的超额占比 | 0.0347 | 0.0123 |  0.0   | 0.0041 |
|  持有期1天、置信水平95%的超额占比 | 0.1736 | 0.041  | 0.0041 | 0.0329 |
| 持有期10天、置信水平99%的超额占比 |   0    |   0    |   0    |   0    |
| 持有期10天、置信水平95%的超额占比 | 0.0069 |   0    |   0    |   0    |
+-----------------------------------+--------+--------+--------+--------+

类似于方差-协方差模型的检测结果，在持有期为1天的条件下，历史模拟法不适用于2015年，但16、17、18年在95%置信度下通过检验，17、18年在99%置信度下通过检验。

from prettytable import prettytable
x= prettytable(["（蒙特卡罗模拟法）年份","2015", "2016", "2017","2018"])
x.add_row(["持有期1天、置信水平99%的超额占比","0.1111","0.0205","0.0","0.0082"])
x.add_row(["持有期1天、置信水平95%的超额占比","0.1597","0.0369","0.0041","0.0288"])
x.add_row(["持有期10天、置信水平99%的超额占比","0","0","0","0"])
x.add_row(["持有期10天、置信水平95%的超额占比","0","0","0","0"])
print(x)
+-----------------------------------+--------+--------+--------+--------+
|       （蒙特卡罗模拟法）年份      |  2015  |  2016  |  2017  |  2018  |
+-----------------------------------+--------+--------+--------+--------+
|  持有期1天、置信水平99%的超额占比 | 0.1111 | 0.0205 |  0.0   | 0.0082 |
|  持有期1天、置信水平95%的超额占比 | 0.1597 | 0.0369 | 0.0041 | 0.0288 |
| 持有期10天、置信水平99%的超额占比 |   0    |   0    |   0    |   0    |
| 持有期10天、置信水平95%的超额占比 |   0    |   0    |   0    |   0    |
+-----------------------------------+--------+--------+--------+--------+

类似于方差-协方差模型的检测结果，在持有期为1天的条件下，蒙特卡罗模拟法不适用于2015年，但16、17、18年在95%置信度下通过检验，17、18年在99%置信度下通过检验。

参考书目：基于python的金融分析与风险管理第12章（斯文著）

版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 dio@foxmail.com 举报，一经查实，本站将立刻删除。

相关推荐

如何用django开发一个简易个人Blog
功能概要：（目前已实现功能）公共展示部分：1.网站首页展示已发布的博客记录，包括名称、摘要信息、发布日期、阅读量及评论数。2.首页文章列表可按照分类筛选。3.点击标题或阅读全文链接，进入博客阅读页面，展示文章标题、内容及评论内容。博客后台管理部分：（后台套用了一个叫做ACE的后台模板，改造成了dja
Python中的几种数据类型
大体上把Python中的数据类型分为如下几类： Number（数字） 包括int,long,float,complex String（字符串） 例如：hello,&quot;hello&quot;,hello List（列表） 例如：[1,2,3],[1,2,3,[1,2,3],4] Diction
django开发个人简易Blog——构建项目结构
开发之前第一步，就是构造整个的项目结构。这就好比作一幅画，第一步就是描绘轮廓，有了轮廓，剩下的就是慢慢的填充细节。项目结构规划如下图：项目结构描述:本项目以fengzhengBlog为根目录。admin、blogapp是两个app目录,用于实现项目主要功能：包括模型定义、视图定义等css、js、im
Linux下安装Apache并以mod_wsgi方式部署django站点
源码编译方式安装Apache首先下载Apache源码压缩包，地址为http://mirror.bit.edu.cn/apache/httpd/继续下载apr和apr-util压缩包，地址为http://mirror.bit.edu.cn/apache/apr/下载pcre压缩包，地址为http://
django开发个人简易Blog—nginx+uwsgin+django1.6+mysql 部署到CentOS6.5
前面说完了此项目的创建及数据模型设计的过程。如果未看过，可以到这里查看，并且项目源码已经放大到github上,可以去这里下载。代码也已经部署到sina sea上，地址为http://fengzheng.sinaapp.com/先跳过视图展示及表单处理的部分，先介绍一下如何部署。标题中已经把部署环境介
Scrapy爬取自己的博客内容
python中常用的写爬虫的库有urllib2、requests,对于大多数比较简单的场景或者以学习为目的，可以用这两个库实现。这里有一篇我之前写过的用urllib2𫯪utifulSoup做的一个抓取百度音乐热门歌曲的例子，有兴趣可以看一下。本文介绍用Scrapy抓取我在博客园的博客列表，只抓
用python实现的百度音乐下载器-python-pyqt-改进版
之前写过一个用python实现的百度新歌榜、热歌榜下载器的博文，实现了百度新歌、热门歌曲的爬取与下载。但那个采用的是单线程，网络状况一般的情况下，扫描前100首歌的时间大概得到40来秒。而且用Pyqt做的界面，在下载的过程中进行窗口操作，会出现UI阻塞的现象。 前两天有时间调整了一下，做了几方面的改
Python:解决中文字符串问题
本人安装的是Python 2.7版本，由于编写程序的过程中会碰到中文字符串，但由于Python默认采用ASCII编码方式，所以对中文不支持。要解决此问题，必须设置当前编码方式为Unicode方式。默认ASCII编码方式对中文字符产生的异常为：UnicodeDecodeError: &#39;asci
Django集成百度富文本编辑器uEditor
UEditor是由百度web前端研发部开发所见即所得富文本web编辑器，具有轻量，可定制，注重用户体验等特点，开源基于MIT协议，允许自由使用和修改代码。首先从ueEditor官网下载最新版本的包，目前官网上提供了ASP、.NET、PHP、JSP版本的，django版本只有一个第三方个人开发的，但看
django开发个人简易Blog——数据模型
提到数据模型，一定要说一下MVC,MVC框架是现代web开发中最流行的开发框架，它将数据与业务逻辑分开，减小了应用之间的高度耦合。个人非常喜欢MVC开发框架，除了具有上述特性，它使得web开发变得非常灵活，在ASP.NET上表现的尤为强烈，传统的ASP.NET开发常常用到好多臃肿的服务器端控件，定制
苹果市值2025年有望达4万亿美元
pythonJavaScriptjavaHTMLreactjsC#AndroidCSSNode.jssqlrpython-3.xMysqLjQueryc++pandasFlutterangularIOSdjangolinuxswifttypescript路由器JSON路由器设置无线路由器h3c华三华三路由器设置华三路由器电脑软件教程arraysdocker软件图文教程Cvue.jslaravelspring-bootreact-native