原文链接：http://tecdat.cn/?p=22788

Python计算获得多资产投资组合的风险度量。

关键概念

1. 随着价格的变动，投资经理所持有的市场价值也会发生变化。后者就是所谓的市场风险，衡量它的最流行的方法之一是定义为风险价值。风险本身被看作是实际收益和期望收益之间的差异，两者可能不同。如果它们相等，投资被认为是无风险的。同时，它不能有违约风险，也不能有再投资风险。请注意，期望收益不是投资者认为他们将获得的收益，而是反映了所有经济情况下所有可能结果的平均值。

2. 风险价值（VaR）告诉你在一个给定的时间段内，在预先确定的置信水平下，你能损失多少钱。典型的置信度是95%和99%，意味着分析师有95%或99%的信心，损失不会超过这个数字，即5%（或1%）的VaR反映了5%（或1%）最坏情况下的未来最佳收益率。风险值是一个最先进的衡量标准，因为它可以为所有类型的资产进行计算，并考虑到多样化的因素。然而，风险值并不是一个最大的损失数字，所以分析师可能会遇到大于风险值的损失。

3. 关于历史序列的假设：

• 过去的收益率是未来收益率的预测指标，但不能保证历史记录会显示未来最坏和最好的情况，但我们用几何平均法将价格转化为收益，所以我们对所有不同的周/月/...收益给予同等的权重，来获得T年内投资收益的复合最终价值。

• 如果资产价格中的期望收益是合理的，那么实际收益率应该围绕这些预期呈正态分布。当收益率可以很好地接近于正态分布时，投资管理就变得更加容易操作了。

定义证明

收益的计算（PT为最终价格，P0为初始价格和股息收益率）。

将价格动态转换为收益（2），用几何时间序列（4）计算期望收益（3），而不是算术平均（收益率的波动越大，算术平均和几何平均之间的差异越大）。

正态分布，以波动率作为风险的衡量标准，即投资的已实现收益的加权平均值的方差的平方根（σ^2），权重等于每种情况的概率ps(6)。

最后，正如 "投资"（Bodie, Kane, Marcus）中所说，VaR是指在给定的时间范围内，收益分布的左尾概率α和右尾概率1-α累积的最小损失额。

在方差-协方差方法中，我们使用的是参数方法，假设收益是正态分布。因此，我们只需要计算两个参数，即给定收益的平均值和SD（即标准差）。

后者对Excel的计算很有用，我们用Average函数计算收益的平均值，然后STDEV将帮助我们计算标准偏差，最后得出NORMINV将达到VaR计算的目标，VaR(95)和VaR(99)的概率分别为0.05和0.01。

单资产组合VaR

在Python中，单资产组合VaR计算没有那么复杂。

#VaR计算在Python中的应用 #准备工作（每个库都要用 "pip install \*libraryname\*"来预安装
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt#从雅虎财经下载谷歌数据到定义的时间段内
yf.download('GOOG', '2010-01-01', '2019-01-31')#收益率的计算
df\['return'\] = Close.pct_change()#VaR计算
VaR\_90 = norm.ppf(1-0.9, mean, std\_dev)print('VaR 90%置信度: ', VaR_90)

最终输出将是这样的：

雅虎是一个获得免费金融数据的好方法，另一个途径是Quandl的API库。

为了保持代码结构的连续性，我在下面介绍一个资产类别的样本，以及一个多资产的投资组合结构，其中包括VaR计算。

#准备工作
import numpy as np
import pandas as pd
#从Quandl API导入银行数据（.4表示收盘价）。
ticker = "WIKI/BAC.4"
quandl.get(ticker, #以升序方式呈现数据
sorted( percentage\["Close"\])print ("99.99%的实际损失不会超过" ,percentile(order_percentage, .01) * 100)

输出以及VaR计算。

多资产投资组合VaR

对于  多资产类别投资组合：

#将数据集扩展到5种不同的资产，将它们组合成一个具有替代风险的投资组合。
\[ "WIKI/NKE.4", "WIKI/NFLX.4", "WIKI/AMZN.4"\]#收益率的计算
df.pct_change()#不同的风险敞口进入投资组合
percentage * exposures
ptf\_percentage = value\_ptf\['投资组合的价值'\] 。
np.percentile(ptf_percentage, .01)print ("99.99%的实际损失不会超过：" round(VaR, 2)print ("预计损失将超过" + (ptf\_percentage)) + "超过" ptf\_percentage)) + "天数")

期望损失（Expected Shortfall）

接下来我们讨论另一个基本指标的重要性：期望损失（Expected Shortfall）。

在搜索VaR相关文献时，你会发现有很多关于VaR作为市场风险衡量标准的批评意见。你不可避免地看到期望损失（ES）被提出来作为一种替代。
这两者之间有什么区别呢？

假设我们在99%的置信水平下评估我们的VaR（或者简单地说，潜在的损失），我们将有一系列的损失结果在1%的尾部，

VaR回答了问题:在1%的尾部，整个结果范围内的最小损失是多少？
ES回答了问题:在1%的尾部，整个结果范围内的平均损失是多少？

首先，VaR。

VaR

如果X是h天的收益，那么,其中。例如，对于h=10天的收益，，我们可以从正态分布中计算出99%的风险值，如下所示

h = 10. # 为10天
mu_h = 0.1 # 这是10天内收益率的平均值 - 10%。
sig = 0.3 # 这是一年内收益率的波动 - 30%。VaR\_n = normppf(1-alpha)*sig\_h - mu_h

以上是参数化的VaR，这意味着我们假设有一定的收益分布。在使用VaR时，通常会使用经验性的VaR，它不假设任何分布形状。在这些情况下，获得VaR只是一个简单的问题，即获得必要的百分数。

条件VaR/期望损失EXPECTED SHORTFALL

考虑到VaR，我们可以通过以下方式定义条件VaR，或CVaR或期望损失。

对这一点的解释很简单。基本上，它是X的期望值（平均值）。

如果我们再假设一个正态分布，我们可以应用以下公式

其中是正态分布，是标准正态分布的四分位数。

接下来是ES。

# 与上述参数相同
alpha**-1 * norm.pdf(norm.ppf(alpha))*sig\_h - mu\_h

我们不一定要假设正态分布。

上述假设为正态分布，但我们也可以应用学生-T分布。得到等价公式的推导涉及到了这个问题。然而，我们可以通过以下公式计算学生-T分布下的等效风险值

我们也可以假设一个T分布。

nu = 5 # 自由度，越大，越接近于正态分布
print("99% CVaR ", (CVaR_t*100,2)

自由度越大，越接近于正态分布。

# 验证正态分布和Student-t VaR是一样的
nu = 10000000 # 自由度，越大，越接近于正态分布print("99% VaR", round(VaR_t*100,2))

我们可以用实际的市场数据计算出类似的结果。首先，将数据拟合为正态分布和t分布。

mu\_norm, sig\_norm = norm.fit(returns

而各自的VaR和ES可以很容易地计算出来。

绘制具有不同自由度的VaR和CVaR图表

plt.plot(d\[0\], d\[1\]*100
plt.plot(np.arange(5, 100), VaR_n\*np.ones(95)\*100

---

点击标题查阅往期内容

R语言风险价值VaR（Value at Risk）和损失期望值ES（Expected shortfall）的估计

左右滑动查看更多

01

02

03

04

VaR\_n = norm.ppf(1-alpha)*sig\_norm -munorm

可以很好地了解VaR和ES之间区别的图表如下。

Python确实是一个强大的工具，用于计算和数据可视化。它允许你导入几个不同的预包装库，大大降低了其他代码（如C++）的复杂性。

---

本文摘选《Python风险价值计算投资组合VaR（Value at Risk ）、期望损失ES（Expected Shortfall）》，点击“阅读原文”获取全文完整资料。

---

点击标题查阅往期内容

极值理论 EVT、POT超阈值、GARCH 模型分析股票指数VaR、条件CVaR：多元化投资组合预测风险测度分析

Garch波动率预测的区制转移交易策略

金融时间序列模型ARIMA 和GARCH 在股票市场预测应用

时间序列分析模型：ARIMA-ARCH / GARCH模型分析股票价格

R语言风险价值：ARIMA，GARCH，Delta-normal法滚动估计VaR（Value at Risk）和回测分析股票数据

R语言GARCH建模常用软件包比较、拟合标准普尔SP 500指数波动率时间序列和预测可视化

Python金融时间序列模型ARIMA 和GARCH 在股票市场预测应用

MATLAB用GARCH模型对股票市场收益率时间序列波动的拟合与预测

R语言GARCH-DCC模型和DCC（MVT）建模估计

Python 用ARIMA、GARCH模型预测分析股票市场收益率时间序列

R语言中的时间序列分析模型：ARIMA-ARCH / GARCH模型分析股票价格

R语言ARIMA-GARCH波动率模型预测股票市场苹果公司日收益率时间序列

Python使用GARCH，EGARCH，GJR-GARCH模型和蒙特卡洛模拟进行股价预测

R语言时间序列GARCH模型分析股市波动率

R语言ARMA-EGARCH模型、集成预测算法对SPX实际波动率进行预测

matlab实现MCMC的马尔可夫转换ARMA - GARCH模型估计

Python使用GARCH，EGARCH，GJR-GARCH模型和蒙特卡洛模拟进行股价预测

使用R语言对S＆P500股票指数进行ARIMA + GARCH交易策略

R语言用多元ARMA,GARCH ,EWMA, ETS,随机波动率SV模型对金融时间序列数据建模

R语言股票市场指数：ARMA-GARCH模型和对数收益率数据探索性分析

R语言多元Copula GARCH 模型时间序列预测

R语言使用多元AR-GARCH模型衡量市场风险

R语言中的时间序列分析模型：ARIMA-ARCH / GARCH模型分析股票价格

R语言用Garch模型和回归模型对股票价格分析

GARCH（1,1），MA以及历史模拟法的VaR比较

matlab估计arma garch 条件均值和方差模型

R语言POT超阈值模型和极值理论EVT分析

R语言极值推断：广义帕累托分布GPD使用极大似然估计、轮廓似然估计、Delta法

R语言极值理论EVT：基于GPD模型的火灾损失分布分析

R语言有极值（EVT）依赖结构的马尔可夫链(MC)对洪水极值分析

R语言POT超阈值模型和极值理论EVT分析

R语言混合正态分布极大似然估计和EM算法

R语言多项式线性模型：最大似然估计二次曲线

R语言Wald检验 vs 似然比检验

R语言GARCH-DCC模型和DCC（MVT）建模估计

R语言非参数方法：使用核回归平滑估计和K-NN(K近邻算法)分类预测心脏病数据

matlab实现MCMC的马尔可夫转换ARMA - GARCH模型估计

R语言基于Bootstrap的线性回归预测置信区间估计方法

R语言随机搜索变量选择SSVS估计贝叶斯向量自回归（BVAR）模型

Matlab马尔可夫链蒙特卡罗法（MCMC）估计随机波动率（SV，Stochastic Volatility） 模型

Matlab马尔可夫区制转换动态回归模型估计GDP增长率

R语言极值推断：广义帕累托分布GPD使用极大似然估计、轮廓似然估计、Delta法

欲获取全文文件，请点击左下角“阅读原文”。

欲获取全文文件，请点击左下角“阅读原文”。