当前位置：首页 > news >正文

用Python给基金/股票做个体检：5行代码计算你的持仓年化收益、波动和夏普比率

news 2026/4/20 16:06:39

用Python给基金/股票做个体检：5行代码计算你的持仓年化收益、波动和夏普比率

每次打开理财APP，看到那些花花绿绿的收益率曲线，总觉得少了点什么——我的投资到底算好还是差？风险有多大？今天教你用Python给自己持仓做个专业级"体检"，只需5行核心代码就能算出机构常用的三大指标：年化收益率、年化波动率和夏普比率。

1. 数据准备：从券商报表到分析就绪

假设你已经从券商平台导出持仓历史数据（通常为CSV格式），典型数据结构如下：

日期,单位净值 2023-01-01,1.0000 2023-01-02,1.0123 ... 2023-12-31,1.2467

用pandas加载数据并计算每日收益率：

import pandas as pd # 读取数据并转换日期格式 df = pd.read_csv('fund_data.csv', parse_dates=['日期']) df['日收益率'] = df['单位净值'].pct_change() # 计算每日涨跌幅

注意：如果数据是月度更新的，将后续计算中的252天参数调整为12个月

2. 核心指标计算：三大金刚

2.1 年化收益率：你的钱增值多快

年化收益率是把不同时间段的收益统一折算成年收益，便于横向比较。计算公式为：

annual_return = (df['单位净值'].iloc[-1] / df['单位净值'].iloc[0]) ** (252/len(df)) - 1

原理说明：

iloc[-1]获取最后一天净值，iloc[0]获取初始净值
252是金融市场年交易日数（A股约242天，可调整）
指数部分实现时间加权年化

2.2 年化波动率：你的心跳幅度

波动率衡量收益的震荡幅度，数值越大风险越高：

annual_volatility = df['日收益率'].std() * (252**0.5)

波动率分级参考：

波动范围	风险等级	适合人群
<15%	低风险	保守型投资者
15%-25%	中风险	平衡型投资者
>25%	高风险	激进型投资者

2.3 夏普比率：每份风险换多少收益

夏普比率衡量单位风险获得的超额收益，1.0以上算不错：

risk_free_rate = 0.02 # 假设无风险收益为2% sharpe_ratio = (annual_return - risk_free_rate) / annual_volatility

提示：货币基金年化约2%，十年国债收益率约2.5%，可根据实际情况调整

3. 实战封装：一键生成体检报告

将上述计算封装成函数，输入净值数据即可输出评估结果：

def investment_health_check(nav_series, days_per_year=252, risk_free=0.02): returns = nav_series.pct_change() nav_ratio = nav_series.iloc[-1] / nav_series.iloc[0] annual_return = nav_ratio ** (days_per_year/len(nav_series)) - 1 annual_vol = returns.std() * (days_per_year**0.5) sharpe = (annual_return - risk_free) / annual_vol return { '年化收益率': f"{annual_return:.2%}", '年化波动率': f"{annual_vol:.2%}", '夏普比率': f"{sharpe:.2f}", '收益波动比': f"{annual_return/annual_vol:.2f}" }

使用示例：

health_report = investment_health_check(df['单位净值']) for k, v in health_report.items(): print(f"{k}: {v}")

输出效果：

年化收益率: 18.72% 年化波动率: 22.31% 夏普比率: 0.84 收益波动比: 0.84

4. 进阶技巧：让分析更精准

4.1 处理分红再投资

对于有分红的基金，需要采用复权净值计算：

# 假设dividends是包含分红金额的Series df['复权净值'] = (df['单位净值'] + dividends.cumsum()) / dividends.cumsum().iloc[0]

4.2 不同时间颗粒度的处理

周数据：将252改为52
月数据：使用12并调整波动率计算
分钟级数据：需考虑非交易时段影响

4.3 可视化分析

用matplotlib绘制收益风险散点图：

import matplotlib.pyplot as plt plt.scatter(annual_volatility, annual_return, c=sharpe_ratio, cmap='viridis') plt.colorbar(label='夏普比率') plt.xlabel('年化波动率') plt.ylabel('年化收益率')