Empyrical 超简单教你一行代码计算风险指标-技术圈

Empyrical 是一个知名的金融风险指标库。它能够用于计算年平均回报、最大回撤、Alpha值、Beta值、卡尔马率、Omega率、夏普率等。它还被用于zipline和pyfolio，是Quantopian开发的三件套之一。

下面就教你如何使用 Empyrical 这个风险指标计算神器。

1.准备

开始之前，你要确保Python和pip已经成功安装在电脑上，如果没有，可以访问这篇文章：超详细Python安装指南进行安装。

(可选1) 如果你用Python的目的是数据分析，可以直接安装Anaconda：Python数据分析与挖掘好帮手—Anaconda，它内置了Python和pip.

(可选2) 此外，推荐大家用VSCode编辑器，它有许多的优点：Python 编程的最好搭档—VSCode 详细指南。

请选择以下任一种方式输入命令安装依赖：
1. Windows 环境打开 Cmd (开始-运行-CMD)。
2. MacOS 环境打开 Terminal (command+空格输入Terminal)。
3. 如果你用的是 VSCode编辑器或 Pycharm，可以直接使用界面下方的Terminal.

pip install empyrical

2. Empyrical 基本使用

计算最大回撤，你只需要从 empyrical 库中引入 max_drawdown ，将数据作为参数传入计算，一行代码就能实现：

import numpy as np
from empyrical import max_drawdown

returns = np.array([.01, .02, .03, -.4, -.06, -.02])

# 计算最大回撤
max_drawdown(returns)
# 结果：-0.4472800000000001

同样地，如果你需要计算alpha和beta指标：

import numpy as np
from empyrical import alpha_beta

returns = np.array([.01, .02, .03, -.4, -.06, -.02])
benchmark_returns = np.array([.02, .02, .03, -.35, -.05, -.01])

# 计算alpha和Beta值
alpha, beta = alpha_beta(returns, benchmark_returns)
print(alpha, beta)
# 结果：-0.7960672549836803 1.1243025418474892

如果你想要计算夏普率，同样也是一行代码就能解决，只不过你需要注意这几个参数的意义：

import numpy as np
from empyrical import sharpe_ratio

returns = np.array([.01, .02, .03, -.4, -.06, -.02])

# 计算夏普率
sr = sharpe_ratio(returns, risk_free=0, period='daily', annualization=None)
print(sr)
# 结果：-6.7377339531573535

各个参数的意义如下：

参数	数据类型	意义
returns	pandas.Series	策略的日回报，非累积。
risk_free	float	本周期内的无风险利率
period	str, optional	确定回报数据的周期，默认为天。
annualization	int, optional	交易日总数（用于计算年化）如果是daily，则默认为252个交易日。

3.更多的指标

Empyrical 能提供使用的指标非常多，这里就不一一介绍了，基本上用法都和夏普率的计算方法差不多，这里介绍他们的方法和参数。

3.1 omega_ratio

empyrical.omega_ratio(returns, risk_free=0.0, required_return=0.0, annualization=252)

参数	数据类型	意义
returns	pandas.Series	策略的日回报，非累积。
risk_free	float	本周期内的无风险利率
required_return	float, optional	投资者可接受的最低回报。
annualization	int, optional	交易日总数（用于计算年化）如果是daily，则默认为252个交易日。

3.2 calmar_ratio

empyrical.calmar_ratio(returns, period='daily', annualization=None)

参数	数据类型	意义
returns	pandas.Series	策略的日回报，非累积。
period	str, optional	确定回报数据的周期，默认为天。
annualization	int, optional	交易日总数（用于计算年化）。如果是daily，则默认为252个交易日。

3.3 sortino_ratio

empyrical.sortino_ratio(returns, required_return=0, period='daily', annualization=None, _downside_risk=None)

参数	数据类型	意义
returns	pandas.Series	策略的日回报，非累积。
required_return	float	最小投资回报
period	str, optional	确定回报数据的周期，默认为天。
annualization	int, optional	交易日总数（用于计算年化）。如果是daily，则默认为252个交易日。
_downside_risk	float, optional	给定输入的下跌风险。如果没有提供则自动计算

更多的指标及其说明，请查看empyrical源代码的stats.py文件，里面还包含了所有指标的计算逻辑，如果你想了解每个指标的计算方法，可以查看这个文件进行学习：

https://github.com/quantopian/empyrical/blob/master/empyrical/stats.py

我们的文章到此就结束啦，如果你喜欢今天的Python 实战教程，请持续关注Python实用宝典。

有任何问题，可以在公众号后台回复：加群，回答相应红字验证信息，进入互助群询问。

原创不易，希望你能在下面点个赞和在看支持我继续创作，谢谢！

点击下方阅读原文可获得更好的阅读体验

Python实用宝典 (pythondict.com)
不只是一个宝典
欢迎关注公众号：Python实用宝典