اجرای استراتژی تحلیل ریسک بورس در پایتون

یکی از مهمترین عوامل درگیر در مدیریت دارایی و نمونه کارها ، ارزیابی دقیق ریسک درگیر در سرمایه گذاری شما است. محققان و مدیران صندوق های پرچین برای این کار چندین روش ارائه داده اند و در این مقاله ، من در مورد یکی از این رویکردها صحبت خواهم کرد و به شما می آموزم که چگونه آن را در پایتون پیاده سازی کنید.

معرفی

بسیاری از تکنیک های مدیریت ریسک با انحرافات سروکار دارند ، به این معنی که اگر بازده سهام از هر جهت از سهام دور شود ، به عنوان خطرناک شناخته می شود. اگرچه این رویکرد تا حدی معقول است ، می توان استدلال کرد که انحراف مثبت واقعاً چیز بدی نیست و این تنها انحرافات منفی است که به سرمایه گذاری های ما آسیب می رساند و شما درست خواهید بود. از این رو ، استراتژی که من در مورد چیزی بحث خواهم کرد که سعی می کند خطر را فقط بر اساس انحرافات منفی تخمین بزند و انحرافات مثبت را چیز خوبی دانست. این استراتژی به عنوان حداکثر پیش بینی شناخته می شود.

تعریف

حداکثر کاهش (MDD) را می توان به عنوان حداکثر ضرر مشاهده شده از اوج به یک فرورفتگی یک نمونه کارها قبل از رسیدن به اوج جدید تعریف کرد. حداکثر پیش بینی نشانگر ریسک نزولی در یک دوره زمانی مشخص است. به عبارت ساده تر ، تفاوت بین مقدار اوج سهام و کمترین مقدار متعاقب آن را محاسبه می کند و تفاوت را محاسبه می کند. این نشانگر پولی است که شخص از دست می دهد اگر سهام را در اوج خود خریداری کرده و در فرورفتگی بعدی فروخته می شود و در نتیجه بیشترین ضرر احتمالی آن امنیت را به همراه دارد.

فرمول

حداکثر کاهش پایین ترجیح داده می شود زیرا این نشان می دهد که ضرر و زیان ناشی از سرمایه گذاری اندک است. اگر یک سرمایه گذاری هرگز پنی را از دست نداد ، حداکثر کاهش صفر خواهد بود. بدترین حداکثر احتمالی ممکن است 100 ٪ باشد ، به این معنی که سرمایه گذاری کاملاً بی ارزش است.[1]

اجرای کد

بیایید برای همین کار به اجرای پایتون برسیم. شما می توانید با نگاهی به نوت بوک من که در آن من تجزیه و تحلیل دقیق تری از این استراتژی انجام داده ام ، دنبال کنید. برای این تمرین ، من از مجموعه داده های FAMA فرانسوی استفاده می کنم که دارای پرونده CSV برای بازده سهام ماهانه از سال 1926 تا 2018 است. بسیار چشمگیر! داده ها را می توانید در اینجا پیدا کنید.

پیش پردازش داده ها

با وارد کردن کتابخانه های لازم شروع کنید و داده ها را بخوانید.

شکل DataFrame (1110 ، 19) است و سر به نظر می رسد

برای این تجزیه و تحلیل ، من می خواستم شرکت های کوچک و کلاه بزرگ را با یکدیگر مقایسه کنم و از این رو ، ما به 10 و 10 پایین که حاوی بازده 10 ٪ پایین و 10 ٪ برتر شرکت ها است ، خواهیم پرداخت.

ما می خواهیم با بازده درصدی روبرو شویم تا آن را از مبلغ سرمایه گذاری مستقل کنیم.

ما می توانیم به سرعت این کار را با استفاده از توابع داخلی پانداس انجام دهیم.

با نگاهی به این شاخص ، واضح است که این شاخص سال و ماه ها با هم جمع شده است و مهم است که شاخص را در آن قالب تغییر دهید تا تجزیه و تحلیل های سری زمانی جالب انجام شود. موارد زیر شاخص را به قالب DateTime تبدیل می کند.

طرح جدید همچنین با شاخص های DateTime بسیار حس می کند.

از آنجا که این شاخص در قالب سری زمانی است ، ما می توانیم با استفاده از خرما به راحتی دستکاری داده ها را انجام دهیم. ما می توانیم به سرعت بخش ها را نیز استخراج کنیم.

محاسبات محاسبه

سه مرحله در این فرآیند وجود دارد.

1. محاسبه شاخص ثروت
2. قله های قبلی را محاسبه کنید
3. محاسبات محاسبه

مرحله 1: شاخص ثروت را محاسبه کنید

شاخص ثروت اساساً محصول تجمعی تمام بازده ماهانه از سال 1926 تا 2018 است. این محاسبه می کند که چگونه ترکیبات سرمایه گذاری ما در هر بازده ماهانه. بیایید بگوییم که ما با 1000 دلار شروع می کنیم. من با سهام Largecap شروع می کنم.

از آنجا که کاهش در بازده درصد محاسبه می شود ، شروع سرمایه گذاری مهم نیست. بدیهی است که می توانید آن را هر آنچه را می خواهید به جز 0 نگه دارید.

علاوه بر این ، ما می توانیم این را ترسیم کنیم تا چگونه بازده ما به نظر برسد. می بینید که اثر تجمعی مشهود است.

مرحله 2: قله های قبلی را محاسبه کنید

قله های قبلی را می توان با استفاده از حداکثر تجمعی شاخص ثروت محاسبه کرد. بنابراین ، تقریباً همان روند را دنبال می کند ، به جز اینکه در جایی که شاخص ثروت ضرر یا انحراف منفی را می بیند ، صاف خواهد بود. اینگونه است که ما فقط روی انحرافات منفی تمرکز می کنیم و انحراف مثبت را می پذیریم.

مرحله 3: محاسبه ها را محاسبه کنید

این قدم آخر است. همانطور که در فرمول بالا بحث کرده ایم ، ما به عنوان درصد تغییر بین قله های قبلی ، کاهش را محاسبه خواهیم کرد.

ریزش ها بازده منفی را محاسبه می کنند و از این رو بین 0 ت ا-1 هستند. ما می توانیم ببینیم که تصادف سال 1929 بسیار بدتر از سال 2000 یا 2008 بود که مردم بیش از 80 ٪ از ثروت خود را از دست دادند. این در حال تجزیه بود. بیایید به برخی از ارزشهای مهم نگاه کنیم.

بدترین سقوط تقریباً 84 ٪ و در سال 1932-05 بود. به عنوان یک سری زمانی ، بسیاری از عملیات دیگر وجود دارد که می توانیم در مورد این داده ها انجام دهیم.

سرانجام ، ما برای تجسم پیش بینی ها باید یک طرح ترکیبی از شاخص ثروت قله بسازیم.

شما می توانید درک کنید که ریزش ها تفاوت بین شاخص ثروت (به رنگ آبی) و قله ها (به رنگ نارنجی) است. ما همچنین می توانیم یک عملکرد را برای همان که یک سری را به عنوان ورودی می گیرد ، بسازیم و شاخص ثروت ، اوج قبلی و پیش بینی ها را برگردانیم.

ما می توانیم به روش زیر همان DataFrame را برای سهام Smallcap بدست آوریم.

ترسیم پیش بینی برای سهام کلاه های کوچک منجر به نمودار زیر می شود.

پس از نگاه کردن به کشش کوچک ، به وضوح می توانیم بگوییم که آنها از سهام کلاه های بزرگ خطرناک تر هستند و وقتی به این موارد می رسد که مطابق با درک فعلی ما از سهام کلاه های کوچک باشد ، می توانیم پول بیشتری را از دست دهیم.

این تکنیک در هنگام مقایسه بین سهام مختلف و داده های آنها مفید است. در این نوت بوک می توانید یک تحلیل دقیق تر پیدا کنید.

محدودیت ها

توجه به این نکته حائز اهمیت است که این اقدام به دلیل دلایل زیر به دور از کامل نیست. این تنها میزان بیشترین ضرر را اندازه گیری می کند و نمی تواند فرکانس ضرر را در نظر بگیرد. علاوه بر این ، نرخ بهبودی یا دوره بهبودی یک امنیت خاص به ما نمی گوید. همانطور که در بالا دیدیم ، این یک استراتژی مقایسه ای است.

امیدوارم که شما از این چیز جالب یاد گرفته باشید و می توانید آن را نیز اجرا کنید. من مقالاتی را اضافه می کنم که در آن امور مالی و کد را ساده می کنم. افکار خود را به اشتراک بگذارید. با تشکر از خواندن!