这篇教程Python使用pyfinance包进行证券收益分析写得很实用，希望能帮到您。
pyfinance简介datasets.py ：金融数据下载（基于request进行数据爬虫，有些数据由于外网受限已经无法下载）； general.py：通用财务计算，例如主动份额计算，收益分配近似值和跟踪误差优化； ols.py：回归分析，支持pandas滚动窗口回归； options.py：期权衍生品计算和策略分析； returns.py：通过CAPM框架对财务时间序列进行统计分析，旨在模拟FactSet Research Systems和Zephyr等软件的功能，并提高了速度和灵活性； utils.py：基础架构。 
本文主要围绕returns模块，介绍pyfinance在证券投资分析中的应用，后续将逐步介绍datasets、options、ols等模块。
returns模块应用实例pyfinance的安装比较简单，直接在cmd（或anaconda prompt）上输入"pip install pyfinance"即可。returns模块主要以TSeries类为主体（暂不支持dataframe），相当于对pandas的Series进行类扩展，使其实现更多功能，支持证券投资分析中基于CAMP（资本资产定价模型）框架的业绩评价指标计算。引用returns模块时，直接使用"from pyfinance import TSeries"即可。 
下面以tushare为数据接口，先定义一个数据获取函数，在函数里对收益率数据使用TSeries进行转换，之后便可以直接使用TSeries类的相关函数。 import pandas as pd import numpy as npfrom pyfinance import TSeriesimport tushare as tsdef get_data(code,start='2011-01-01',end=''): df=ts.get_k_data(code,start,end) df.index=pd.to_datetime(df.date) ret=df.close/df.close.shift(1)-1 #返回TSeries序列 return TSeries(ret.dropna())#获取中国平安数据tss=get_data('601318')#tss.head()
收益率计算pyfinance的returns提供了年化收益率（anlzd_ret）、累计收益率（cuml_ret）和周期收益率（rollup）等，下面以平安银行股票为例，计算收益率指标。 #年化收益率anl_ret=tss.anlzd_ret()#累计收益率cum_ret=tss.cuml_ret()#计算周期收益率q_ret=tss.rollup('Q')a_ret=tss.rollup('A')print(f'年化收益率：{anl_ret*100:.2f}%')print(f'累计收益率：{cum_ret*100:.2f}%')#print(f'季度收益率：{q_ret.tail().round(4)}')#print(f'历年收益率：{a_ret.round(4)}')输出结果： 累计收益率：205.79% 年化收益率：12.24%
#可视化每个季度（年）收益率from pyecharts import Barattr=q_ret.index.strftime('%Y%m')v1=(q_ret*100).round(2).valuesbar=Bar('中国平安各季度收益率%')bar.add('',attr,v1,)bar
from pyecharts import Barattr=a_ret.index.strftime('%Y')v1=(a_ret*100).round(2).valuesbar=Bar('中国平安历年收益率%')bar.add('',attr,v1,is_label_show=True, is_splitline_show=False)bar
CAPM模型相关指标基于CAPM模型计算alpha、beta、回归决定系数R2、t统计量和残差项等。实际上主要使用了ols回归，因此如果要获得这些动态的alpha和beta值，可以进一步借助ols模块的滚动回归函数（PandasRollingOLS）了，这将在后续推文介绍其应用。 #以沪深300指数为基准#为保证二者长度一致，以中国平安的索引为准benchmark=get_data('hs300')benchmark=benchmark.loc[tss.index]alpha,beta,rsq=tss.alpha(benchmark),tss.beta(benchmark),tss.rsq(benchmark)tstat_a,tstat_b=tss.tstat_alpha(benchmark),tss.tstat_beta(benchmark)print(f'alpha:{alpha:.4f}，t统计量：{tstat_a:.2f}')print(f'beta :{beta:.4f}，t统计量：{tstat_b:.2f}')print(f'回归决定系数R2：{tss.rsq(benchmark):.3f}')alpha:0.0004，t统计量：1.55
beta :1.0634，t统计量：60.09
回归决定系数R2：0.606
风险指标风险指标主要包括标准差和最大回撤。在计算标准差时，注意需要修改默认参数，打开pyfinance安装包所在路径，如果是安装了Anaconda，进入以下路径： c:/Anaconda3/Lib/site-packages/pyfinance，打开returns源文件，找到anlzd_stdev和semi_stdev函数，将freq默认None改成250（一年的交易天数）。 #年化标准差a_std=tss.anlzd_stdev()#下行标准差s_std=tss.semi_stdev()#最大回撤md=tss.max_drawdown()print(f'年化标准差：{a_std*100:.2f}%')print(f'下偏标准差：{s_std*100:.2f}%')print(f'最大回撤差：{md*100:.2f}%')年化标准差：31.37%
下偏标准差：0.43%
最大回撤差：-45.76%
下偏标准差主要是为解决收益率分布的不对称问题，当收益率函数分布左偏的情况下，使用正态分布会低估风险，因此使用传统夏普比率分母使用全样本标准差进行估计不太合适，应使用收益对无风险投资收益的偏离。
基准比较指标基准比较指标是需要指定一个基准（benchmark），如将沪深300指数作为中国平安个股的基准进行比较分析。 bat=tss.batting_avg(benchmark)uc=tss.up_capture(benchmark)dc=tss.down_capture(benchmark)tc=uc/dcpct_neg=tss.pct_negative()pct_pos=tss.pct_positive()print(f'比基准收益高的时间占比：{bat*100:.2f}%')print(f'上行期与基准收益比：{uc*100:.2f}%')print(f'下行期与基准收益比：{dc*100:.2f}%')print(f'上行期与下行期比：{tc*100:.2f}%')print(f'个股下行（收益负）时间占比：{pct_neg*100:.2f}%')print(f'个股上行（收益正）时间占比：{pct_pos*100:.2f}%')比基准收益高的时间占比：47.83%
上行期与基准收益比：111.70%
下行期与基准收益比：105.32%
上行期与下行期比：106.06%
个股下行（收益负）时间占比：48.94%
个股上行（收益正）时间占比：50.00%
此外，信息比率和特雷诺指数是两个常用的基准比较评价指标，特别是用于对基金产品或投资组合的业绩进行量化评价。 信息比率（information ratio）：以马克维茨的均值方差模型为基础，衡量超额风险所带来的超额收益，表示单位主动风险所带来的超额收益。IR=α
Python性能调优的十个小技巧总结
Python面向对象三大特征 封装、继承、多态 |
