python绘图练习——股票分析(二）：风险分析与蒙特卡罗模拟

做完股票的基础分析后，接下来我们可以做一些简单的风险分析。
首先还是导入数据并进行简单的处理：

from __future__ import division
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt#import data
Tesla=pd.read_csv('Tesla_Stock.csv',index_col='Date')
Tesla.index=pd.to_datetime(Tesla.index)GM=pd.read_csv('GM_stock.csv',index_col='Date')
GM.index=pd.to_datetime(GM.index)Ford=pd.read_csv('Ford_Stock.csv',index_col='Date')
Ford.index=pd.to_datetime(Ford.index)#count daily return
GM['Return']=GM['Close'].pct_change(1)
GM=GM.dropna()
Tesla['Return']=Tesla['Close'].pct_change(1)
Tesla=Tesla.dropna()
Ford['Return']=Ford['Close'].pct_change(1)
Ford=Ford.dropna()#concatenate daily return of three stocks
ret_df=pd.concat([Tesla['Return'],GM['Return'],Ford['Return']],axis=1)
ret_df.columns=['Tesla','GM','Ford']
ret_df.head()

我们可以看下计算出的三只股票的日收益率：

接下来我们可以通过绘图描述每只股票风险与收益率的关系图：


area = np.pi*20
plt.scatter(ret_df.mean(), ret_df.std(),alpha = 0.5,s =area)
plt.xlabel('Expected returns')
plt.ylabel('Risk')# Label the scatter plots
for label, x, y in zip(ret_df.columns, ret_df.mean(), ret_df.std()):plt.annotate(label, xy = (x, y), xytext = (50, 50),textcoords = 'offset points', ha = 'right', va = 'bottom',arrowprops = dict(arrowstyle = '-', connectionstyle = 'arc3,rad=-0.3'))

这里使用了plt.annotate对每个点进行标注，更多内容，可以查看相关的文档
输出如下：

从图中可以看出福特公司的股票风险最低，但同样收益率也较低，而特斯拉就属于高风险和高收益型股票了，从整张图明显的体现出了投资市场“高风险，高收益”的基本法则。

蒙特卡罗模拟法

接下来，我们通过蒙特卡罗模拟法来模拟计算特斯拉公司股票的风险价值。
风险价值（VaR）：即在市场正常波动的条件下，在一定概率水平α%下，某一金融资产或金融资产组合的VaR是在未来特定一段时间Δt内最大可能损失。
现在我们使用蒙特卡罗模拟法进行风险价值的估算。简单来说，蒙特卡罗模拟法即运用历史数据对未来进行多次模拟，以求得未来股价结果的概率分布。蒙特卡罗模拟法的公式如下：

ΔSS=μΔt+σεΔt−−−√ΔSS=μΔt+σεΔt

\frac{ΔS}{S}=μΔt+σ ε\sqrt{Δt}
其中S为股票的价格，μ为期望收益率，Δt为时间间隔，σ为股票风险，ε为随机变量。将S移项可得：

ΔS=S(μΔt+σεΔt−−−√)ΔS=S(μΔt+σεΔt)

ΔS=S(μΔt+σ ε\sqrt{Δt})，
可以看出，蒙特卡罗模拟法认为股票的价格波动可以分为两部分，第一部分为drift，即股票会根据收益率波动，第二部分为shock，即随机波动。如下图：

这样，通过历史数据求得股票的平均收益率与风险，我们便可以通过蒙特卡罗模拟法对股票未来走势进行模拟。关于蒙特卡罗模拟法更多的介绍可以查看 How to use Monte Carlo simulation with GBM。接下来，我们通过python对特斯拉接下来一年的股价进行预测。

首先设置收益率与风险等参数。

'''
Monte Carlo method
'''
# Set up our time horizon
days = 365# Now our delta
dt = 1/days# Now let's grab our mu (drift) from the expected return data we got for AAPL
mu = ret_df.loc['2016-01-01':'2016-12-30'].mean()['Tesla']# Now let's grab the volatility of the stock from the std() of the average return
sigma = ret_df.std()['Tesla']

接下来定义蒙特卡罗函数：

def stock_monte_carlo(start_price,days,mu,sigma):''' This function takes in starting stock price, days of simulation,mu,sigma, and returns simulated price array'''# Define a price arrayprice = np.zeros(days)price[0] = start_price# Schok and Driftshock = np.zeros(days)drift = np.zeros(days)# Run price array for number of daysfor x in xrange(1,days):# Calculate Schockshock[x] = np.random.normal(loc=mu * dt, scale=sigma * np.sqrt(dt))# Calculate Driftdrift[x] = mu * dt# Calculate Priceprice[x] = price[x-1] + (price[x-1] * (drift[x] + shock[x]))return price

定义完蒙特卡罗函数，接下来便可以开始模拟了，首先我们模拟100次观察一下效果：


# Get start price
start_price = Tesla['Close'][-1]for run in xrange(100):plt.plot(stock_monte_carlo(start_price,days,mu,sigma))
plt.xlabel("Days")
plt.ylabel("Price")
plt.title('Monte Carlo Analysis for Tesla')

可以看到，每一次模拟所得到股价走势都是不同的，但是大部分集中在中间。接下来我们进行10000次模拟并计算风险价值：


# Set a large numebr of runs
runs = 10000# Create an empty matrix to hold the end price data
simulations = np.zeros(runs)# Set the print options of numpy to only display 0-5 points from an array to suppress output
np.set_printoptions(threshold=5)for run in xrange(runs):    # Set the simulation data point as the last stock price for that runsimulations[run] = stock_monte_carlo(start_price,days,mu,sigma)[days-1];

最后，我们定义置信水平为99%，尝试绘制股票最终价格的分布图：


#define q as the 1% empirical qunatile, this basically means that 99% of the values should fall between here
q = np.percentile(simulations, 1)# plot the distribution of the end prices
plt.hist(simulations,bins=200)# Using plt.figtext to fill in some additional information onto the plot# Starting Price
plt.figtext(0.6, 0.8, s="Start price: $%.2f" %start_price)
# Mean ending price
plt.figtext(0.6, 0.7, "Mean final price: $%.2f" % simulations.mean())# Variance of the price (within 99% confidence interval)
plt.figtext(0.6, 0.6, "VaR(0.99): $%.2f" % (start_price - q,))# Display 1% quantile
plt.figtext(0.15, 0.6, "q(0.99): $%.2f" % q)# Plot a line at the 1% quantile result
plt.axvline(x=q, linewidth=4, color='r')# Title
plt.title(u"Final price distribution for Tesla Stock after %s days" % days, weight='bold');

即在99%的置信水平下，特斯拉股票一年后的价格不会低于198.51，其风险价值为15.18，而其平均价格与其初始价格基本一致。

python绘图练习——股票分析(二）：风险分析与蒙特卡罗模拟相关推荐

Excel股票分析工具_量化策略模拟
在Excel中对量化策略进行模拟根据优选算法,每日对所有股票数据进行监控和选择: 可以根据"买入日期"列判断是否当日选出股票: 后端采用VBA通过API获取数据并创建前台分析链接 ...
day32 Python与金融量化分析(二)
第一部分:金融与量化投资股票: 股票是股份公司发给出资人的一种凭证,股票的持有者就是股份公司的股东. 股票的面值与市值面值表示票面金额市值表示市场价值上市/IPO: 企业通过证券交易所公开向社 ...
【时间之外】10分钟搞懂Python+Tushare+Excel股票分析
Python+Tushare+Excel 场景和工具不想996就多赚钱(1分钟) 需求简介(1分钟) Tushare简介(1分钟) 思路分析三行代码取数据(2分钟) 最麻烦的一步:保存成excel ...
python爬取股票大单历史记录_python爬取股票实时数据,python爬虫与股票分析
内容导航: Q1:怎么学python爬取财经信息本程序使用Python 2.7.6编写,扩展了Python自带的HTMLParser,自动根据预设的股票代码列表,从Yahoo Finance抓取列表 ...
Python数据分析之股票分析
股票分析使用tushare包获取某股票的历史行情数据输出该股票所有收盘比开盘上涨3%以上的日期输出该股票所有开盘比前日收盘跌幅超过2%的日期假如从2010年1月1日开始,每月第一个交易日买入1 ...
python画图包_「Python量化」股票分析入门
目前,获取股票数据的渠道有很多,而且基本上是免费的,比如,行情软件有同花顺.东方财富等,门户网站有新浪财经.腾讯财经.和讯网等.Python也有不少免费的开源api可以获取交易行情数据,如pandas ...
python大数据股票分析
import pandas as pd import numpy as np # 读取Excel文件,pd.read_excel(r'文件位置\文件名称.xlsx') hq = pd.read_exc ...
python mysql股票分析_一颗韭菜的自我修养：用Python分析下股市，练练手
股市跌宕起伏.7 月初 A 股飙升,股票瞬间成为大家的热门讨论话题,「现在入场还来得及吗?」几乎成为新的问候语. 然而,经历了连续近 10 个交易日的快牛行情后,上证指数上涨势头放缓.这是牛市,还是熊 ...
Python 股票分析快速入门
Python 股票分析快速入门这段时间股市又开始火爆起来了,隐约这透着点大牛市气息,多年不用的股票账户也找回来了.然后就想着用python做下股票分析,尝试制作自己的分析脚本,本篇教程是自己的一些笔 ...

python绘图练习——股票分析(二）：风险分析与蒙特卡罗模拟

蒙特卡罗模拟法

python绘图练习——股票分析(二）：风险分析与蒙特卡罗模拟相关推荐

最新文章

热门文章