performance

介绍

因子选股研究中常用的绩效计算方法

import warnings
warnings.filterwarnings('ignore')

from jaqs_fxdayu.data import DataView
from jaqs_fxdayu.research import SignalDigger

# 加载dataview数据集
dv = DataView()
dataview_folder = './data'
dv.load_dataview(dataview_folder)

# 计算signal_data
sd = SignalDigger()
sd.process_signal_before_analysis(signal=dv.get_ts("pe"),
                                   price=dv.get_ts("close_adj"),
                                   group=dv.get_ts("sw1"),
                                   n_quantiles=5,
                                   period=15,
                                   benchmark_price=dv.data_benchmark,
                                   )
signal_data = sd.signal_data
signal_data.head()

Dataview loaded successfully.
Nan Data Count (should be zero) : 0;  Percentage of effective data: 99%

calc_signal_ic

• jaqs_fxdayu.research.signaldigger.performance.calc_signal_ic(signal_data, by_group=False)

简要描述：

• 计算每日ic

参数:

字段	必选	类型	说明
signal_data	是	pandas.DataFrame	trade_date+symbol为MultiIndex,columns至少包含signal(因子)、return(持有期相对/绝对收益)、group(分组/行业分类)--仅在by_group=True时必须
by_group	否	bool	是否分组进行计算，默认为False

返回:

每日ic

示例：

from jaqs_fxdayu.research.signaldigger.performance import calc_signal_ic

ic_data = calc_signal_ic(signal_data,by_group=False)
ic_data.head()

group_ic_data = calc_signal_ic(signal_data,by_group=True)
group_ic_data.head()

calc_ic_stats_table

• jaqs_fxdayu.research.signaldigger.performance.calc_ic_stats_table(ic_data)

简要描述：

• 根据每日ic计算总体ic统计结果

参数:

字段	必选	类型	说明
ic_data	是	pandas.DataFrame	trade_date为index,ic为columns。可通过calc_signal_ic计算得到

返回:

总体ic统计结果

示例：

from jaqs_fxdayu.research.signaldigger.performance import calc_ic_stats_table

calc_ic_stats_table(ic_data)

mean_information_coefficient

• jaqs_fxdayu.research.signaldigger.performance.mean_information_coefficient(ic, by_time=None, by_group=False)

简要描述：

• 输入ic,计算平均ic

参数:

字段	必选	类型	说明
ic	是	pandas.DataFrame	trade_date为index,ic为columns。可通过calc_signal_ic计算得到。注意：当by_group=True时，index需要为trade_date+group的MultiIndex（可以通过calc_signal_ic计算得到（设置by_group=True））
by_time	否	str	支持pandas.TimeGrouper中的日期划分，如"M"（按月）,"A"（全部时段）,"Q"（按季度），"W"（按周）。默认求每日ic的所有样本的平均值
by_group	否	bool	是否分组进行平均计算，默认为False

返回:

平均ic

示例：

示例一：按每3周求平均ic

from jaqs_fxdayu.research.signaldigger.performance import mean_information_coefficient

mean_information_coefficient(ic_data, by_time='3w')

示例二：分组求每组的月平均ic

mean_information_coefficient(group_ic_data, by_group=True, by_time="M")

calc_period_wise_weighted_signal_return

• jaqs_fxdayu.research.signaldigger.performance.calc_period_wise_weighted_signal_return(signal_data, weight_method)

简要描述：

• 根据signal_data构建投资组合，计算投资组合的每日调仓收益

参数:

字段	必选	类型	说明
signal_data	是	pandas.DataFrame	trade_date+symbol为MultiIndex,columns至少包含signal(因子)、return(持有期相对/绝对收益)
weight_method	是	str	支持四种投资组合构建方式：'equal_weight'(对signal_data中的每一只股票等资金买入), 'long_only'（只做多signal值为正的股票，并按signal的大小加权构建多头组合）, 'short_only'（只做空signal值为负的股票，并按signal的大小加权构建空头组合）,'long_short'（做多signal为正，做空signal为负的股票，按signal的大小加权）

返回:

投资组合的每日调仓收益

示例：

from jaqs_fxdayu.research.signaldigger.performance import calc_period_wise_weighted_signal_return

daily_return = calc_period_wise_weighted_signal_return(signal_data, weight_method="long_only")
daily_return.head()

regress_period_wise_signal_return

• jaqs_fxdayu.research.signaldigger.performance.regress_period_wise_signal_return(signal_data)

简要描述：

• 对signal_data中的signal和return进行横截面回归（OLS）,计算每期的因子收益（回归系数）

参数:

字段	必选	类型	说明
signal_data	是	pandas.DataFrame	trade_date+symbol为MultiIndex,columns至少包含signal(因子)、return(持有期相对/绝对收益)

返回:

每期的因子收益（回归系数）

示例：

from jaqs_fxdayu.research.signaldigger.performance import regress_period_wise_signal_return

regress_period_wise_signal_return(signal_data).head()

calc_quantile_return_mean_std

• jaqs_fxdayu.research.signaldigger.performance.calc_quantile_return_mean_std(signal_data, time_series=False)

简要描述：

• 将股票按quantile分组分别等权买入持有，计算每组的平均持有收益（每日）和持有收益的标准差

参数:

字段	必选	类型	说明
signal_data	是	pandas.DataFrame	trade_date+symbol为MultiIndex,columns至少包含signal(因子)、return(持有期相对/绝对收益)、quantile(按因子值分组)
time_series	否	bool	是否展示每组每天的收益，默认为False

返回:

每组（quantile）的平均持有收益（每日）和持有收益的标准差

示例：

示例一：展示每组的平均持有收益（每日）和持有收益的标准差（time_series=False）

返回pandas.DataFrame

from jaqs_fxdayu.research.signaldigger.performance import calc_quantile_return_mean_std

calc_quantile_return_mean_std(signal_data, time_series=False)

示例二：展示每组每日的持有收益和持有收益的标准差（time_series=True）

返回dict

result = calc_quantile_return_mean_std(signal_data, time_series=True)
print(result.keys())
result[1].head()

dict_keys([1, 2, 3, 4, 5])

price2ret

• jaqs_fxdayu.research.signaldigger.performance.price2ret(prices, period=5, axis=None, compound=True)

简要描述：

• 将价格序列转化为定期调仓收益序列

参数:

字段	必选	类型	说明
price	是	pandas.DataFrame/pandas.Series	时间为索引的价格表
period	否	int	调仓周期，默认为5
axis	否	int	{0, 1, None}，将表格按某个维度进行收益计算（横向/纵向）,默认纵向计算
compound	否	bool	收益计算是否为复利。单利：（相对表格第一行的收益）；复利（相对上一期的收益），默认为True 复利模式

返回:

收益序列

示例：

prices = dv.get_ts("close_adj")
prices.head()

from jaqs_fxdayu.research.signaldigger.performance import price2ret

ret = price2ret(prices, period=5, compound=True)
ret.dropna().head()

ret2cum

• jaqs_fxdayu.research.signaldigger.performance.ret2cum(ret, compound=True, axis=None)

简要描述：

• 将收益序列转化为累积收益序列

参数:

字段	必选	类型	说明
ret	是	pandas.DataFrame/pandas.Series	时间为索引的收益表
compound	否	bool	收益计算是否为复利。单利：（每期累加的收益）；复利（每期累乘的收益），默认为True 复利模式
axis	否	int	{0, 1, None}，将表格按某个维度进行收益计算（横向/纵向）,默认纵向计算

返回:

累积收益序列

示例：

from jaqs_fxdayu.research.signaldigger.performance import ret2cum

cum = ret2cum(ret, compound=True)
cum.dropna().head()

cum2ret

• jaqs_fxdayu.research.signaldigger.performance.cum2ret(cum, period=1, axis=None, compound=True)

简要描述：

• 将累积收益序列转化为收益序列

参数:

字段	必选	类型	说明
cum	是	pandas.DataFrame/pandas.Series	时间为索引的累积收益表
period	否	int	通常为1。累积收益的累积间隔周期。默认为1
compound	否	bool	收益计算是否为复利。单利：（每期累加的收益）；复利（每期累乘的收益），默认为True 复利模式
axis	否	int	{0, 1, None}，将表格按某个维度进行收益计算（横向/纵向）,默认纵向计算

返回:

收益序列

示例：

from jaqs_fxdayu.research.signaldigger.performance import cum2ret

cum2ret(cum, period=1,compound=True).dropna().head()

calc_performance_metrics

• jaqs_fxdayu.research.signaldigger.performance.calc_performance_metrics(ser, cum_return=False, compound=True)

简要描述：

• 根据收益计算常见绩效——annualized return, volatility and sharpe

参数:

字段	必选	类型	说明
ser	是	pandas.DataFrame/pandas.Series	时间为索引的收益/累积收益表。注意：只能有一列值，不支持多列收益的计算
cum_return	否	bool	收益是否为累积收益，默认为否（False）
compound	否	bool	收益计算是否为复利。单利：（每期累加的收益）；复利（每期累乘的收益），默认为True 复利模式

返回:

绩效表

示例：

from jaqs_fxdayu.research.signaldigger.performance import calc_performance_metrics

# 多头组合的每日收益
daily_return = calc_period_wise_weighted_signal_return(signal_data, weight_method="long_only")
# 该收益的绩效表现
calc_performance_metrics(daily_return, cum_return=False, compound=True)

{'ann_ret': 0.055395156268065238,
 'ann_vol': 0.4356857810045196,
 'sharpe': 0.12714474211287285}

period_wise_ret_to_cum

• jaqs_fxdayu.research.signaldigger.performance.period_wise_ret_to_cum(ret, period, compound=True)

简要描述：

• 从按period周期调仓的选股方案的每日收益中计算累积收益。计算方式如下：
• 以某个调仓周期为n天的选股方案为例：将资金等分为n分，每天取其中一份买入当天的选股并持有到5天后卖出，最后的组合累积收益。

参数:

字段	必选	类型	说明
ret	是	pandas.DataFrame/pandas.Series	时间为索引的收益表。
period	是	int	调仓周期
compound	否	bool	收益计算是否为复利。单利：（每期累加的收益）；复利（每期累乘的收益），默认为True 复利模式

返回:

累积收益

示例：

daily_return.head() # 每一天对应的收益代表买入股票15天后卖出的收益。如20170503的return表示20170503买入股票并在20170518卖出的收益

from jaqs_fxdayu.research.signaldigger.performance import period_wise_ret_to_cum

period_wise_ret_to_cum(daily_return, period=15, compound=True).head()