siat 3.10.132__py3-none-any.whl → 3.11.1__py3-none-any.whl

build/lib/build/lib/siat/var_model_validation.py

@@ -1,444 +0,0 @@
-# -*- coding: utf-8 -*-
-"""
-本模块功能：检验VaR(在险价值)模型计算结果的有效性
-所属工具包：证券投资分析工具SIAT 
-SIAT：Security Investment Analysis Tool
-创建日期：2019年7月16日
-最新修订日期：2019年8月19日
-作者：王德宏 (WANG Dehong, Peter)
-作者单位：北京外国语大学国际商学院
-作者邮件：wdehong2000@163.com
-版权所有：王德宏
-用途限制：仅限研究与教学使用，不可商用！商用需要额外授权。
-特别声明：作者不对使用本工具进行证券投资导致的任何损益负责！
-"""
-
-#==============================================================================
-#统一屏蔽一般性警告
-import warnings; warnings.filterwarnings("ignore")        
-from siat.common import *
-from siat.translate import *
-from siat.security_prices import *
-from siat.security_price2 import *
-#==============================================================================
-#==============================================================================
-def calc_ret(price_series,groupsize=1):
-    """
-    功能：计算日收益率，根据分组大小，计算组内累计收益率
-    输入参数：价格序列数据框，分组大小(默认为1，即不分组)
-    输出：带分组的收益率序列，数据框
-    """  
-
-    #仅用于测试
-    #price_series=get_price(['AAPL'],[1],'2019-1-1','2019-8-18')       
-    #groupsize=3
-        
-    #计算日收益率
-    import pandas as pd
-    #rets=pd.DataFrame(price_series['Value'].pct_change())
-    rets=pd.DataFrame(price_series['Close'].pct_change())
-    
-    import numpy as np
-    if groupsize >1:        
-        group=np.arange(1,groupsize)        
-        colname=rets.columns.to_list()[0]
-        for i in group:
-            #print(i)
-            newcol="Shift"+i.astype('str')
-            rets[newcol]=rets[colname].shift(i)            
-    rets=rets.dropna()
-    rets['Ret']=rets.apply(lambda row:np.product(1+row),axis=1)-1 
-
-    #ret_group=pd.DataFrame(rets['Ret'])  
-    ret_group=rets['Ret']        
-    return ret_group        
-        
-        
-if __name__ =="__main__":
-    p=get_prices_portfolio(['AAPL','MSFT'],[1,1],'2019-1-1','2019-8-18')
-    rg=calc_ret(p,5)            
-        
-        
-#==============================================================================
-def VaR_normal_standard(position,ret_series,future_days=1,alpha=0.99):
-    
-    """
-    标准正太法VaR基本算法
-    输入参数：当前持有头寸金额，收益率序列(非百分比)，未来持有时间(天)，置信度
-    输出参数：VaR(金额，单位与当前头寸的金额单位相同)，负数
-    """
-    import numpy as np
-    from scipy import stats
-    
-    #注意：这里z为负数
-    z=stats.norm.ppf(1-alpha)
-    miu_daily=np.mean(ret_series)
-    #print("DEBUG: miu_daily",miu_daily)
-    miu_days=np.power(miu_daily+1,future_days)-1
-    sigma_daily=np.std(ret_series) 
-    #print("DEBUG: sigma_daily",sigma_daily)
-    sigma_days=np.sqrt(future_days)*sigma_daily
-    
-    ratio=miu_days+z*sigma_days
-    #print("DEBUG: ratio",ratio)
-    #损失份额最多100%全损
-    if np.abs(ratio) > 1.0: ratio=-1.0
-    VaR_days=position*ratio
-    return -abs(VaR_days)
-
-
-if __name__ == "__main__":
-    price=get_prices_portfolio(['AAPL'],[1],'2019-1-1','2019-8-8')
-    position=price['Close'][-1]
-    ret=calc_ret(price)
-    VaR=VaR_normal_standard(position,ret)
-#==============================================================================
-def VaR_normal_modified(position,ret_series,future_days=1,alpha=0.99):
-    """
-    功能：VaR基本算法，修正正态法
-    #输入参数：持有头寸金额，日收益率序列，未来持有日期，置信度
-    #输出参数：VaR(金额)
-    """
-    from scipy import stats
-    import numpy as np
-
-    z=np.abs(stats.norm.ppf(1-alpha))
-    S=stats.skew(ret_series)
-    K=stats.kurtosis(ret_series)
-    
-    t1=1/6*(np.power(z,2)-1)*S
-    t2=1/24*(np.power(z,3)-3*z)*K
-    t3=1/36*(2*np.power(z,3)-5*z)*np.power(S,2)
-    t=z+t1+t2-t3
-    
-    miu_daily=np.mean(ret_series)
-    miu_days=np.power(miu_daily+1,future_days)-1
-    sigma_daily=np.std(ret_series)    
-    sigma_days=np.sqrt(future_days)*sigma_daily
-    
-    #最多100%全损
-    ratio=miu_days+t*sigma_days
-    if np.abs(ratio) > 1.0: ratio=-1.0
-    VaR_days=position*ratio
-    return -abs(VaR_days)
-#==============================================================================
-def VaR_historical_1d(position,ret_series,alpha=0.99):
-    """
-    功能：计算VaR基本算法，历史模拟法，持有1天
-    输入参数：持有头寸金额，历史日收益率序列，置信度
-    输出：持有一天的VaR(金额)
-    """
-    import numpy as np
-    n=len(ret_series)
-    t=int(n*(1-alpha))
-    SR=np.sort(ret_series)
-    A=SR[t-1]   #SR的第一个元素的序号是0
-    VaR_1d=position*A
-    return -abs(VaR_1d)
-#==============================================================================
-def VaR_montecarlo(position,ret_series, \
-                future_days=1,alpha=0.99,random=10000):
-    """
-    功能：计算VaR基本算法，蒙特卡洛模拟法，持有多日
-    输入参数：当前头寸金额，历史日收益率序列，未来持有天数，置信度，重复模拟次数
-    注：重复模拟次数越多，准确率就越高，但耗时也越多
-    输出：持有多天的VaR(金额)
-    """
-    import numpy as np
-    #取得历史日收益率的均值和标准差
-    miu=np.mean(ret_series)
-    sigma=np.std(ret_series)
-    #生成随机数序列
-    np.random.seed(12345)
-    #按照历史日收益率的均值和标准差重复模拟一定次数，生成新的日收益率序列
-    RR=np.random.normal(miu,sigma,random)
-    #基于新的日收益率序列，使用标准正态法计算VaR
-    VaR_days=VaR_normal_standard(position,RR,future_days,alpha)
-    
-    #最多100%全损
-    if abs(VaR_days) > position: VaR_days=-position
-    
-    return -abs(VaR_days)
-#==============================================================================
-def calc_VaR_1d(position,ret_series,alpha=0.99,model="montecarlo", \
-                random=10000):
-    """
-    功能：计算一个期间的VaR，允许指定不同的模型
-    输入参数：当前头寸，各个期间的收益率序列，置信度，模型，模拟次数(仅适用于蒙特卡洛模型)
-    输出：VaR金额
-    """
-    
-    future_days=1
-    #判断模型选择
-    modeltype=model.lower()
-    if modeltype in ['normal_standard','normal standard','ns']:
-        #标准正态法
-        mtype='normal_standard'
-        VaR=VaR_normal_standard(position,ret_series,future_days,alpha)
-    elif modeltype in ['normal_modified','normal modified','nm']:
-        #修正正态法
-        mtype='normal_modified'
-        VaR=VaR_normal_modified(position,ret_series,future_days,alpha)
-    elif modeltype in ['historical','historic','history','hist']:
-        #历史模拟法
-        mtype='historical'
-        VaR=VaR_historical_1d(position,ret_series,alpha)
-    elif modeltype in ['montecarlo','monte carlo','monte_carlo','mc']:
-        #蒙特卡洛模拟法
-        mtype='montecarlo'
-        VaR=VaR_montecarlo(position,ret_series,future_days,alpha,random)
-    else:
-        print("Error #1(calc_VaR_1d): Type of model unsupported")        
-        print("Variable(s):",model)
-        print("Models supported: normal_standard, normal_modificed, historical, montecarlo")
-        return None
-
-    return mtype,VaR
-    
-
-if __name__ == "__main__":
-    tickerlist=['AAPL','MSFT']
-    sharelist=[1,2]
-    start='2019-1-1'
-    end='2019-6-30'     
-    price=get_prices_portfolio(tickerlist,sharelist,start,end)
-    
-    groupsize=5
-    ret=calc_ret(price,groupsize)
-    
-    position=price['Close'][-1]
-    alpha=0.99
-    type,VaR=calc_VaR_1d(position,ret,alpha,model="montecarlo")
-    ratio=abs(VaR/position)
-    
-    threshhold_expected=round(len(ret)*(1-alpha),2)
-    threshhold_actual=len(ret[ret['Ret']<-ratio])
-
-
-#==============================================================================
-
-
-
-def backtest_VaR(tickerlist,sharelist,today,future_days=1, \
-                alpha=0.99,pastyears=1,model="montecarlo",random=10000):
-    """
-    功能：检验VaR模型的有效性，历史回溯测试
-    输入参数：股票代码列表，持有股数列表，当前日期，预期持有天数，置信度，
-    使用历史书据的年数，模型类型，模拟次数(仅适用于蒙特卡洛法)
-    """
-    
-    #检查当前日期的合理性
-    if not check_date(today): return
-    
-    #计算开始日期
-    startdate=get_start_date(today,pastyears)
-    import pandas as pd
-    enddate=pd.to_datetime(today)
-    
-    #下载股价数据
-    price=get_prices_portfolio(tickerlist,sharelist,startdate,enddate)
-    #计算收益率，以future_days作为分组大小
-    ret=calc_ret(price,future_days)
-    
-    #计算当前持有的头寸
-    position=price['Close'][-1]
-    #计算VaR
-    type,VaR=calc_VaR_1d(position,ret,alpha,model)
-    #计算VaR比率
-    ratio=abs(VaR/position)
-    
-    #预期：收益率低于VaR比率的期数（天数或组数）
-    threshhold_expected=round(len(ret)*(1-alpha),2)
-    #实际：收益率低于VaR比率的期数（天数或组数）
-    threshhold_actual=len(ret[ret<-ratio])
-    alpha_actual=1-threshhold_actual/len(ret)
-    
-    #结果判读
-    if abs(alpha_actual-alpha) < 0.001:
-        result="准确"
-    elif alpha_actual < alpha:
-        result="低估"
-    else: 
-        result="高估"
-    
-    #打印结果
-    """
-    print("\n======= VaR模型：回溯测试 =======")
-    #print("投资组合          :",ticker_name(tickerlist))
-    print("投资组合          :",end='')
-    print_list(ticker_name(tickerlist,'bond'))
-    
-    print("成分股票配置      :",sharelist)
-    print("持有日期          :",today)
-    print("当前头寸          :",format(round(position,2),','))
-    print("预计持有天数      :",future_days,"天")
-    print("置信度水平        : ",alpha*100,"%",sep='')
-    print("使用的历史样本数据:",pastyears,"年")
-    print("使用的VaR模型     :",type)
-    
-    print("\n*** 在险价值 ***")
-    print("VaR金额:",format(round(VaR,2),','))
-    print("VaR比率: ",round(ratio*100,2),"%",sep='')
-    
-    print("\n*** 回溯测试 ***")
-    print("期望的置信度水平       : ",alpha*100,"%",sep='')
-    print("损失超过VaR的预期天数  :",threshhold_expected,'天')
-    print("损失超过VaR的实际天数  :",threshhold_actual,'天')  
-    print("实际的置信度水平       : ",round(alpha_actual*100,2),"%",sep='')
-    print("模型验证的回溯测试结果 :",result)
-    """
-    
-    titletxt="VaR模型：回溯测试"
-    import datetime as dt; todaydt=dt.date.today()
-    footnote="数据来源：新浪/stooq，"+str(todaydt)
-    ticker_name_list=list2str(ticker_name(tickerlist,'bond'))
-    shares=sharelist
-    if len(sharelist)==1: shares=sharelist[0]
-    
-    data_dict={'持有资产：':ticker_name_list, \
-               '资产配置：':shares, \
-               '持有日期：':today, \
-               '预计持有天数：':str(future_days)+'天', \
-               '置信度：':str(alpha*100)+'%', \
-               "使用的历史样本数据：":str(pastyears)+"年", \
-               "使用的VaR模型：":type, \
-                   
-               "*** 在险价值 ***":'', \
-               "VaR金额：":format(round(VaR,2),','), \
-               "VaR比率：":str(round(ratio*100,2))+"%", \
-               
-               "*** 回溯测试 ***":'', \
-               "期望的置信度水平：":str(alpha*100)+"%", \
-               "损失超过VaR的预期天数：":str(threshhold_expected)+'天', \
-               "损失超过VaR的实际天数：":str(threshhold_actual)+'天', \
-               "实际的置信度水平：":str(round(alpha_actual*100,2))+"%", \
-               "模型验证的回溯测试结果：":result}
-    
-    print2CSS(data_dict,titletxt=titletxt,footnote=footnote)
-    
-    
-    return
-    
-if __name__ == "__main__": 
-    tickerlist=['AAPL']
-    sharelist=[1]
-    backtest_VaR(tickerlist,sharelist,'2019-8-8',1, \
-                 pastyears=1,model="montecarlo")
-    backtest_VaR(tickerlist,sharelist,'2019-8-8',1, \
-                 pastyears=1,model="normal_standard")    
-    backtest_VaR(tickerlist,sharelist,'2019-8-8',1, \
-                 pastyears=1,model="normal_modified") 
-    backtest_VaR(tickerlist,sharelist,'2019-8-8',1, \
-                 pastyears=1,model="historical")     
-
-#==============================================================================
-def backtest_VaR_portfolio(portfolio,today,future_days=1, \
-                alpha=0.99,pastyears=1,model="montecarlo",random=10000):
-    """
-    功能：检验VaR模型的有效性，历史回溯测试
-    输入参数：股票代码列表，持有股数列表，当前日期，预期持有天数，置信度，
-    使用历史书据的年数，模型类型，模拟次数(仅适用于蒙特卡洛法)
-    """
-    
-    #检查当前日期的合理性
-    if not check_date(today): return
-    
-    #解构投资组合
-    _,_,tickerlist,sharelist,ticker_type=decompose_portfolio(portfolio)
-    
-    #计算开始日期
-    startdate=get_start_date(today,pastyears)
-    import pandas as pd
-    enddate=pd.to_datetime(today)
-    
-    #下载股价数据
-    price=get_prices_portfolio(tickerlist,sharelist,startdate,enddate)
-    #计算收益率，以future_days作为分组大小
-    ret=calc_ret(price,future_days)
-    
-    #计算当前持有的头寸
-    position=price['Close'][-1]
-    #计算VaR
-    type,VaR=calc_VaR_1d(position,ret,alpha,model)
-    #计算VaR比率
-    ratio=abs(VaR/position)
-    
-    #预期：收益率低于VaR比率的期数（天数或组数）
-    threshhold_expected=round(len(ret)*(1-alpha),2)
-    #实际：收益率低于VaR比率的期数（天数或组数）
-    threshhold_actual=len(ret[ret<-ratio])
-    alpha_actual=1-threshhold_actual/len(ret)
-    
-    #结果判读
-    if abs(alpha_actual-alpha) < 0.001:
-        result="准确"
-    elif alpha_actual < alpha:
-        result="低估"
-    else: 
-        result="高估"
-    
-    #打印结果
-    """
-    print("\n======= VaR模型：回溯测试 =======")
-    print("投资组合          :",tickerlist)
-    print("成分股票配置      :",sharelist)
-    print("持有日期          :",today)
-    print("当前头寸          :",format(round(position,2),','))
-    print("预计持有天数      :",future_days,"天")
-    print("置信度水平        : ",alpha*100,"%",sep='')
-    print("使用的历史样本数据:",pastyears,"年")
-    print("使用的VaR模型     :",type)
-    
-    print("\n*** 在险价值 ***")
-    print("VaR金额:",format(round(VaR,2),','))
-    print("VaR比率: ",round(ratio*100,2),"%",sep='')
-    
-    print("\n*** 回溯测试 ***")
-    print("期望的置信度水平       : ",alpha*100,"%",sep='')
-    print("损失超过VaR的预期天数  :",threshhold_expected,'天')
-    print("损失超过VaR的实际天数  :",threshhold_actual,'天')  
-    print("实际的置信度水平       : ",round(alpha_actual*100,2),"%",sep='')
-    print("模型验证的回溯测试结果 :",result)
-    """
-    
-    titletxt="VaR模型：回溯测试"
-    import datetime as dt; todaydt=dt.date.today()
-    footnote="数据来源：新浪/stooq，"+str(todaydt)
-    
-    data_dict={'投资组合：':portfolio_name(portfolio), \
-               '持有日期：':today, \
-               "当前头寸：":format(round(position,2),','), \
-               '预计持有天数：':str(future_days)+'天', \
-               '置信度水平：':str(alpha*100)+'%', \
-               "使用的历史样本数据：":str(pastyears)+"年", \
-               "使用的VaR模型：":type, \
-                   
-               "*** 在险价值 ***":'', \
-               "VaR金额：":format(round(VaR,2),','), \
-               "VaR比率：":str(round(ratio*100,2))+"%", \
-               
-               "*** 回溯测试 ***":'', \
-               "期望的置信度水平：":str(alpha*100)+"%", \
-               "损失超过VaR的预期天数：":str(threshhold_expected)+'天', \
-               "损失超过VaR的实际天数：":str(threshhold_actual)+'天', \
-               "实际的置信度水平：":str(round(alpha_actual*100,2))+"%", \
-               "模型验证的回溯测试结果：":result}
-    
-    print2CSS(data_dict,titletxt=titletxt,footnote=footnote)
-    
-    
-    return
-    
-if __name__ == "__main__": 
-    tickerlist=['AAPL']
-    sharelist=[1]
-    backtest_VaR(tickerlist,sharelist,'2019-8-8',1, \
-                 pastyears=1,model="montecarlo")
-    backtest_VaR(tickerlist,sharelist,'2019-8-8',1, \
-                 pastyears=1,model="normal_standard")    
-    backtest_VaR(tickerlist,sharelist,'2019-8-8',1, \
-                 pastyears=1,model="normal_modified") 
-    backtest_VaR(tickerlist,sharelist,'2019-8-8',1, \
-                 pastyears=1,model="historical")     
-
-#==============================================================================