原文链接：/?p=22788
Python计算获得多资产投资组合的风险度量。
关键概念
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。
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。
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"pipinstall\*libraryname\*"来预安装importpandasaspdimportnumpyasnpimportmatplotlib.pyplotasplt#从雅虎财经下载谷歌数据到定义的时间段内yf.download('GOOG','-01-01','-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('VaR90%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importnumpyasnpimportpandasaspd#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*exposuresptf\_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-tVaR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\[1\]*100plt.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”。
如果觉得《Python风险价值计算投资组合VaR 期望损失ES》对你有帮助，请点赞、收藏，并留下你的观点哦！
