戴政煬 李 程

（湖南科技大學(xué)，湖南湘潭 411100）

一、前言

大數(shù)據(jù)的發(fā)展推動(dòng)了我國資本市場的不斷進(jìn)步，把數(shù)據(jù)分析這種繁雜的任務(wù)交給計(jì)算機(jī)編程語言，大大提高了工作效率?？梢钥吹礁黝愑?jì)算機(jī)編程語言對于數(shù)據(jù)的讀取、數(shù)據(jù)的可視化呈現(xiàn)以及基于歷史數(shù)據(jù)對波動(dòng)變化的預(yù)期無疑讓分析員的工作變得更加高效。股票市場的數(shù)據(jù)繁瑣復(fù)雜且數(shù)量極其龐大，怎么把這些龐大的數(shù)據(jù)量通過圖形等形式呈現(xiàn)出來，又如何對這些歷史數(shù)據(jù)進(jìn)行分析從而預(yù)測未來的可能趨勢成為了當(dāng)下金融科技的熱點(diǎn)。本文的撰寫基于Python語言，運(yùn)用其獲取了滬深兩市的部分個(gè)股近三年的數(shù)據(jù)并進(jìn)行正態(tài)分布檢驗(yàn)、預(yù)期波動(dòng)率、預(yù)期的投資組合收益和方差、聯(lián)合走勢的分析，并且對疫情前后股市的偏度與峰度變化進(jìn)行了測度及可視化呈現(xiàn)，同時(shí)從新的視角——可視化呈現(xiàn)對股市變化進(jìn)行了描述，通過可視化的方式簡單直接地將結(jié)果呈現(xiàn)了出來。

二、個(gè)股數(shù)據(jù)的獲取

個(gè)股數(shù)據(jù)的獲取是進(jìn)行金融數(shù)據(jù)分析及可視化的第一步，python獲取歷史數(shù)據(jù)的方式多種多樣，來源也十分廣泛，如：東方財(cái)富網(wǎng)、Yahoo、新浪財(cái)經(jīng)等，本文的數(shù)據(jù)來源于雅虎財(cái)經(jīng)網(wǎng)站，在滬深兩市中挑選了五只各行業(yè)中具有代表性的股票：中國電影、中順潔柔、東阿阿膠、贛鋒鋰業(yè)、貴州茅臺(tái)，除了五只股票外還加上了上證指數(shù)和深證成指做整體比照。

表2 -1 個(gè)股部分?jǐn)?shù)據(jù)

表中數(shù)據(jù)很好的展示出了每個(gè)交易日的數(shù)據(jù)變化，為分析員提供了便利的幫助。在本節(jié)中我們成功獲取了股票數(shù)據(jù)，在接下來的幾個(gè)章節(jié)我們將會(huì)對獲取的數(shù)據(jù)進(jìn)行可視化呈現(xiàn)以及正態(tài)分布檢驗(yàn)，同時(shí)進(jìn)行收益預(yù)測分析。

三、數(shù)據(jù)可視化呈現(xiàn)與正態(tài)分布檢驗(yàn)

在上一章節(jié)獲取了數(shù)據(jù)后便需要對數(shù)據(jù)可視化呈現(xiàn)，通過matplotlib包的圖像處理功能對數(shù)據(jù)進(jìn)行圖像呈現(xiàn)， matplotlib是python中的一個(gè)包，主要用于繪制2D圖形。在數(shù)據(jù)分析領(lǐng)域它有很大的地位，而且具有豐富的擴(kuò)展，能實(shí)現(xiàn)更強(qiáng)大的功能，在現(xiàn)階段一般的股票數(shù)據(jù)走勢都會(huì)運(yùn)用到matplotlib這個(gè)包進(jìn)行可視化呈現(xiàn)。

（一）數(shù)據(jù)可視化呈現(xiàn)

在運(yùn)用繪圖包進(jìn)行數(shù)據(jù)處理后我們得到了從2017年初開始到現(xiàn)在的股票趨勢圖，這種趨勢圖把股票從繁瑣的數(shù)據(jù)變成了清晰明了的圖像形式呈現(xiàn)在了分析師的眼中，且該包還可以根據(jù)不同股票趨勢線進(jìn)行著色，分析師可以十分快捷方便的根據(jù)自己的想法選取若干只股票使用matplotlib包進(jìn)行數(shù)據(jù)可視化呈現(xiàn)，從圖像上直觀地對這些股票與大盤指數(shù)、同行業(yè)其他股票橫向進(jìn)行對比，進(jìn)而挑選出表現(xiàn)良好的股票并作深入研究。這種圖像的處理雖然較為基礎(chǔ)，但很大程度上減少了工作人員的工作量。

圖3 -1中左上角股票代碼從上到下依次為：中順潔柔、中國電影、東阿阿膠、贛鋒鋰業(yè)、貴州茅臺(tái)、上證指數(shù)、深證成指。這些趨勢在圖中清晰的呈現(xiàn)出來了，可以看到在選取的五只個(gè)股中，有三只個(gè)股的收益趨勢明顯好于大盤，其中貴州茅臺(tái)和贛鋒鋰業(yè)兩只股票的表現(xiàn)十分搶眼，值得注意的是從2020年下半年到2021年年初，這兩只股票一直處于上漲階段且漲勢猛烈，而反觀中國電影和東阿阿膠這兩只股票，他們的表現(xiàn)甚至沒能超過大盤，在過去三年時(shí)間內(nèi)處于不溫不火的狀態(tài)。

圖3-1 五只個(gè)股與指數(shù)的走勢圖

（二）疫情前后的正態(tài)分布檢驗(yàn)

接下來我們需要通過借助python中的pandas包計(jì)算對數(shù)收益率，并且做正態(tài)分布檢驗(yàn)，我們先假設(shè)這些股票嚴(yán)格服從正態(tài)分布的，那么接下來我們將要對股票的偏度是否正態(tài)和峰度是否正態(tài)進(jìn)行結(jié)合來檢驗(yàn)正態(tài)性。對于正態(tài)分布的檢驗(yàn)在python中有多種方式：1.通過對數(shù)收益率的柱狀圖進(jìn)行觀測。研究股市收益分布不僅有利于我們認(rèn)識(shí)資本市場的內(nèi)在運(yùn)行規(guī)律，從而采取相應(yīng)的有效的監(jiān)管手段，還能通過此分析幫助市場參與者進(jìn)行資產(chǎn)定價(jià)與投資組合，從而更好的度量風(fēng)險(xiǎn)、分散風(fēng)險(xiǎn)；2.運(yùn)用QQ圖（Quantile-quantile plot，分位數(shù)-分位數(shù)圖），也稱正態(tài)概率圖（normal probability plot），是常用的統(tǒng)計(jì)分析用圖。如果這組實(shí)數(shù)服從正態(tài)分布，正態(tài)概率圖就是一條直線。

通過對對數(shù)收益率的柱狀圖觀測，發(fā)現(xiàn)其分 布顯示五只股票均不符合標(biāo)準(zhǔn)正態(tài)分布，因?yàn)樗鼈兇嬖诓煌潭鹊挠移蚴亲笃F(xiàn)象，從表3-1中獲得的數(shù)據(jù)我們可以進(jìn)一步證實(shí)，中順潔柔和贛鋒鋰業(yè)都呈現(xiàn)右偏現(xiàn)象，而其余三只股票和上證指數(shù)深證成指都有左偏的現(xiàn)象，值得注意的是在數(shù)據(jù)選取時(shí)間段中上證指數(shù)和深證成指的偏度都達(dá)到了-0.6以上，這提醒了我們需要注意股票市場存在的尾部風(fēng)險(xiǎn)可能，為了探究這段偏度在新冠疫情發(fā)生前后的變化，利用python爬取了疫情發(fā)生前后的五只股票數(shù)據(jù)以及上證指數(shù)和深證成指，并同上文所述進(jìn)一步做了正態(tài)分布檢驗(yàn)，測算個(gè)股與指數(shù)的偏度。

表3 -1 2017年至今個(gè)股與指數(shù)的樣本統(tǒng)計(jì)量

表3 -2 2019年12月—2021年6月，疫情發(fā)生后的個(gè)股與指數(shù)樣本統(tǒng)計(jì)量

表3 -3 2018年6月—2019年12月，疫情發(fā)生前的個(gè)股與指數(shù)樣本統(tǒng)計(jì)量

做出的結(jié)果中正態(tài)分布檢驗(yàn)結(jié)果在疫情發(fā)生前后并未發(fā)生改變，但從表3-2和表3-3的對比可以看出疫情前后的個(gè)股偏度發(fā)生變化①表3-2，3-3中數(shù)據(jù)為python計(jì)算生成，偏度峰度等數(shù)據(jù)也可從wind數(shù)據(jù)庫獲取，其中指數(shù)（大盤）的偏度更為明顯，疫情發(fā)生前上證指數(shù)和深證成指的偏度分別為-0.25994和-0.32811，而疫情發(fā)生后上證指數(shù)和深證成指的偏度分別為-0.88852和-0.97524，顯然疫情發(fā)生后股票市場的偏度遠(yuǎn)遠(yuǎn)超過了疫情發(fā)生前，其偏度超出了疫情發(fā)生前的兩倍左右，這也直接反映了新冠疫情發(fā)生加劇了市場的尾部風(fēng)險(xiǎn)，尤其是左尾風(fēng)險(xiǎn)。

這與很多國內(nèi)外學(xué)者對于新冠肺炎影響金融市場的研究結(jié)果較為一致，如陳林和曲曉輝（2020）認(rèn)為不同行業(yè)和不同類型股票市場受到的影響也存在差異，新冠肺炎疫情對公司的股價(jià)存在負(fù)面影響，向前容等（2020）認(rèn)為在新冠疫情爆發(fā)前至爆發(fā)期，新冠疫情在短期內(nèi)對中國股市的波動(dòng)造成了顯著的影響。

接下來我們從QQ-plot的角度進(jìn)一步檢驗(yàn)正態(tài)分布情況，從圖3-1可以看出，雖然統(tǒng)計(jì)數(shù)據(jù)大部分落在或靠近這條紅色的參照線，但仍然有小部分的數(shù)據(jù)偏離這條參照線，說明這五只股票和指數(shù)的數(shù)據(jù)擬合并不好。進(jìn)一步通過python進(jìn)行p值計(jì)算得到表3-4數(shù)據(jù)，從p值上可以看出選取的五只股票與上證指數(shù)和深證成指均不嚴(yán)格服從正態(tài)分布。

圖3 -2 個(gè)股與指數(shù)的QQ圖

表3 -4 正態(tài)分布檢驗(yàn)值

四、收益分析與投資組合的模擬優(yōu)化

在這個(gè)章節(jié)里我們根據(jù)開始的數(shù)據(jù)進(jìn)行投資組合收益分析并對投資組合從資本資產(chǎn)定價(jià)的角度做出相關(guān)的優(yōu)化，得出最優(yōu)的投資組合權(quán)重。

（一）收益分析

在上一章節(jié)我們對五只股票和上證指數(shù)深證成指做了正態(tài)分布檢驗(yàn)，在這一章我們將進(jìn)行投資收益分析與投資組合優(yōu)化，繼續(xù)使用上面得到的對數(shù)收益率數(shù)據(jù)得到年化收益率（見表4-1）。進(jìn)一步我們可以得到協(xié)方差矩陣，協(xié)方差矩陣是投資組合選擇過程的核心部分，根據(jù)協(xié)方差矩陣我們依靠python可以計(jì)算出一個(gè)投資權(quán)重：中順潔柔、中國電影、東阿阿膠、贛鋒鋰業(yè)、貴州茅臺(tái)分別對應(yīng)0.01841974、0.02340192、0.19381737、0.07023924、0.36970651。但該權(quán)重僅僅是作為一個(gè)參考， python在這里給出的這組投資組合僅僅是基于歷史數(shù)據(jù)的基礎(chǔ)上遵循了最小方差的原則，因?yàn)樵诜讲顬?.05在該投資組合下，投資者能獲得年化20%的收益。這種基于歷史數(shù)據(jù)的投資組合收益分析給出了一種最基礎(chǔ)的投資組合方案，能為分析師從不同角度提供數(shù)據(jù)上的支撐幫助。

表4 -1 年化收益率

（—表4-1續(xù)）

（二）投資組合模擬優(yōu)化

當(dāng)然，python的投資組合分析并不是單一的組合，其基于蒙特卡洛模擬判斷其收益與形態(tài)，并對投資比重進(jìn)行隨機(jī)組合得到一系列的投資組合收益和波動(dòng)率（如圖4-1，其中縱坐標(biāo)為期望收益，橫坐標(biāo)為波動(dòng)率）；蒙特卡洛模擬現(xiàn)階段在金融領(lǐng)域的運(yùn)用主要是分析投資組合的收益與波動(dòng)，在圖4-1中每一個(gè)點(diǎn)都代表了不同的投資組合權(quán)重下所得到的期望收益與波動(dòng)率，每一個(gè)投資組合都是相對獨(dú)立的。越下方的點(diǎn)說明其收益越小波動(dòng)越大。蒙特卡洛模擬的投資組合形成了一個(gè)可行集，在這個(gè)可行集里存在著各類投資組合，python會(huì)對投資組合根據(jù)不同的角度進(jìn)行優(yōu)化。

圖4 -1 預(yù)期投資組合收益與方差

1.最大夏普指數(shù)的情況下最優(yōu)投資比例為：中順潔柔13.9%；贛鋒鋰業(yè)13.9%以及72.2%投資于貴州茅臺(tái)，而剩余的兩只股票權(quán)重為0。在這種最大夏普指數(shù)情況下按此比重投資，在28.6%的波動(dòng)率情況下能夠獲得42.2%的年收益率，此時(shí)的最優(yōu)夏普指數(shù)為1.476，對于投資者來說是一個(gè)較為優(yōu)秀的組合。

2.最小波動(dòng)率的情況下最優(yōu)投資比例為：中順潔柔1.1%；東阿阿膠0.1%；另外三只股票權(quán)重為0。此時(shí)的波動(dòng)率為17.3%，最優(yōu)夏普指數(shù)為0.196。可以看出這種情況下python給出的信息側(cè)面表示了為避免投資股票市場帶來的波動(dòng)，個(gè)人投資者可以將極少量資金投資股市，而將剩余的極大部分資金用于投資其他波動(dòng)性小的金融產(chǎn)品，在這里python給出的結(jié)果是98.7%的資金用于投資標(biāo)的資產(chǎn)是上證指數(shù)的基金。我們通過這兩種情況的比較發(fā)現(xiàn)雖然最小波動(dòng)的情況下波動(dòng)率降低了11.3%，但是收益率也同樣降低了。

由于每次選取的個(gè)股不同，這兩種情況下的個(gè)股投資比重也會(huì)不同，最后帶來的兩種方式估算出的收益、波動(dòng)率和夏普比率都會(huì)是不同的。因此本文的分析是基于目前所選取的股票進(jìn)行的，對兩種方式呈現(xiàn)的數(shù)據(jù)進(jìn)行比較分析不難得出一個(gè)結(jié)論：雖然股票市場上很多投資者都屬風(fēng)險(xiǎn)厭惡型，但是最大夏普指數(shù)的投資組合收益明顯高于最小波動(dòng)率的投資組合，盡管最小波動(dòng)率的投資組合極大的減少了投資波動(dòng)（即不確定性），但是其獲得的收益甚至無法超過一家銀行的大額存單，作為投資者，顯然不會(huì)選擇第二種投資組合，因?yàn)樗軓你y行獲取更高的無風(fēng)險(xiǎn)收益。第一種投資組合雖然波動(dòng)率較高，但其風(fēng)險(xiǎn)補(bǔ)償收益達(dá)到了42.2%，所以說最大夏普指數(shù)的投資組合是最優(yōu)的。

運(yùn)用python還能做出資本市場線和有效邊界，python在很大程度上方便了馬科維茨投資組合理論中預(yù)期收益率、投資組合方差的計(jì)算，并能快速找出最優(yōu)投資組合，對于馬科維茨投資組合理論在中國金融市場中的應(yīng)用有重要價(jià)值。

五、總結(jié)與建議

Python進(jìn)行數(shù)據(jù)可視化、數(shù)據(jù)分析是人工智能與金融的又一次碰撞，是金融科技的進(jìn)一步融合，三十年前金融是金融，科技?xì)w科技，三十年后科技為金融賦能?？萍冀o金融帶來的不僅僅是便利，更為金融市場的發(fā)展提供了新的思路和方向，同時(shí)也為從業(yè)者帶來了更大的挑戰(zhàn)和機(jī)遇。本文的撰寫借助這些方法對數(shù)據(jù)做了一系列的模擬，最終達(dá)到了可視化的目的。近年來，隨著券商量化交易系統(tǒng)的出現(xiàn)，市場對于數(shù)據(jù)分析的需求更加突出，金融數(shù)據(jù)分析作為量化交易的一個(gè)核心環(huán)節(jié)，一直以來都備受關(guān)注。除此之外，對金融數(shù)據(jù)的分析有助于提取出海量信息背后無法直觀表現(xiàn)的規(guī)律，這對于個(gè)人、企業(yè)、國家都至關(guān)重要。通過本文四個(gè)章節(jié)的分析我們能得出python對投資組合分析的促進(jìn)，在整個(gè)數(shù)據(jù)的可視化過程中python的內(nèi)嵌包都發(fā)揮了極大的作用。雖然python做出的投資組合權(quán)重不可能完全按部就班的用于投資中，但其能給出的參考價(jià)值是毋庸置疑的，如果在代碼中加入投資者的風(fēng)險(xiǎn)偏好，python還能做出不同的投資組合權(quán)重，這些都值得進(jìn)行深入的研究。第三章我們分析了疫情發(fā)生前后股票市場的尾部風(fēng)險(xiǎn)變化并作出了可視化圖形，非常直觀的把疫情前后的個(gè)股和上證指數(shù)與深證成指的風(fēng)險(xiǎn)變化呈現(xiàn)出來。

利用計(jì)算機(jī)程序?qū)鹑跀?shù)據(jù)進(jìn)行分析有利有弊，使用者需要根據(jù)自身需要做出權(quán)衡，程序雖然嚴(yán)格遵循數(shù)據(jù)、算法等進(jìn)行數(shù)據(jù)的處理與分析，但始終無法站在投資者的角度考慮，與投資行為多少會(huì)存在一些偏差，所以應(yīng)當(dāng)充分考慮多種因素對投資組合的影響，最后再給出嚴(yán)謹(jǐn)?shù)耐顿Y建議。同時(shí)python對于偏度的測算可以當(dāng)作是一個(gè)較好的風(fēng)險(xiǎn)測度工具，能夠在重大衛(wèi)生事件或者國際事件發(fā)生前后對偏度和峰度進(jìn)行分析，風(fēng)險(xiǎn)管理部門可以針對性的進(jìn)行事后風(fēng)險(xiǎn)管理，同時(shí)監(jiān)管機(jī)構(gòu)也可以針對個(gè)股按半年度、年度的方式測算峰度與偏度的變化，從而提前做出風(fēng)險(xiǎn)警示與風(fēng)險(xiǎn)控制。