Quantlab3.9.1:新增风险收益分析（附源码和数据）

01 量化新手第一步

除了数据之外，量化新手第一步应该做什么呢？——时间序列的风险、收益分析。

无论是什么投资标的，无外乎就是时间序列，你按日频也好，分钟也罢都是如此。在时间序列之上，传统的技术分析就是用这些价量数据的统计关键，形态分析构建无数的规则和因子。

无论是股票，指数，ETF，可转债还是期货，都可以搁到这里进行分析，上图，我对沪深300，中证500以及创业板指数，做了历史风险收益分析，以及互相的相关系数计算。

可以看到，小市值风险高、长期预期收益也高，与我们的认知一致。

import pandas as pd
import streamlit as st
from config import DATA_DIR

from datafeed.data_builder import get_basic_list
from engine.performance import PerformanceUtils

@st.cache_data
def load_basic_list():
    return get_basic_list()


def func_basic(x):
    item = load_basic_list()[x]
    return '{}|{}'.format(item['name'], item['symbol'])


def build_page():
    st.write('时间序列风险，收益分析')
    symbols = st.multiselect(label='请选择投资标的', default=['000300.SH'], options=list(load_basic_list().keys()),
                             format_func=lambda x: func_basic(x))
    cols = []
    for s in symbols:
        df = pd.read_csv(DATA_DIR.joinpath('quotes').joinpath('{}.csv'.format(s)))
        df['date'] = df['date'].apply(lambda x:str(x))
        df.index = df['date']
        se = df['close']
        se.name = s
        cols.append(se)
    print(cols)
    all = pd.concat(cols, axis=1)

    all.sort_values(by='date', ascending=True,inplace=True)
    all.dropna(inplace=True)
    equity = (all.pct_change()+1).cumprod()
    print(equity)

    st.line_chart(equity)

    df_ratio,df_corr = PerformanceUtils().calc_equity(df_equity=equity)

    col1, col2 = st.columns(2)
    with col1:
        st.write(df_ratio)
    with col2:
        st.write(df_corr)