Empyrical 是一個(gè)知名的金融風(fēng)險(xiǎn)指標(biāo)庫(kù)。它能夠用于計(jì)算年平均回報(bào)、最大回撤、Alpha值、Beta值、卡爾馬率、Omega率、夏普率等。它還被用于zipline和pyfolio，是Quantopian開發(fā)的三件套之一。

下面就教你如何使用 Empyrical 這個(gè)風(fēng)險(xiǎn)指標(biāo)計(jì)算神器。

1.準(zhǔn)備

開始之前，你要確保Python和pip已經(jīng)成功安裝在電腦上，如果沒(méi)有，可以訪問(wèn)這篇文章：超詳細(xì)Python安裝指南 進(jìn)行安裝。

**(可選1) **如果你用Python的目的是數(shù)據(jù)分析，可以直接安裝Anaconda：Python數(shù)據(jù)分析與挖掘好幫手—Anaconda，它內(nèi)置了Python和pip.

**(可選2) **此外，推薦大家用VSCode編輯器，它有許多的優(yōu)點(diǎn)：Python 編程的最好搭檔—VSCode 詳細(xì)指南。

請(qǐng)選擇以下任一種方式輸入命令安裝依賴 ：

1. Windows 環(huán)境 打開 Cmd (開始-運(yùn)行-CMD)。
2. MacOS 環(huán)境 打開 Terminal (command+空格輸入Terminal)。
3. 如果你用的是 VSCode編輯器 或 Pycharm，可以直接使用界面下方的Terminal.

pip install empyrical

2. Empyrical 基本使用

計(jì)算最大回撤，你只需要從 empyrical 庫(kù)中引入 max_drawdown ，將數(shù)據(jù)作為參數(shù)傳入計(jì)算，一行代碼就能實(shí)現(xiàn)：

import numpy as np
from empyrical import max_drawdown

returns = np.array([.01, .02, .03, -.4, -.06, -.02])

# 計(jì)算最大回撤
max_drawdown(returns)
# 結(jié)果：-0.4472800000000001

同樣地，如果你需要計(jì)算alpha和beta指標(biāo)：

import numpy as np
from empyrical import alpha_beta

returns = np.array([.01, .02, .03, -.4, -.06, -.02])
benchmark_returns = np.array([.02, .02, .03, -.35, -.05, -.01])

# 計(jì)算alpha和Beta值
alpha, beta = alpha_beta(returns, benchmark_returns)
print(alpha, beta)
# 結(jié)果：-0.7960672549836803 1.1243025418474892

如果你想要計(jì)算夏普率，同樣也是一行代碼就能解決，只不過(guò)你需要注意這幾個(gè)參數(shù)的意義：

import numpy as np
from empyrical import sharpe_ratio

returns = np.array([.01, .02, .03, -.4, -.06, -.02])

# 計(jì)算夏普率
sr = sharpe_ratio(returns, risk_free=0, period='daily', annualization=None)
print(sr)
# 結(jié)果：-6.7377339531573535

各個(gè)參數(shù)的意義如下：

3.更多的指標(biāo)

Empyrical 能提供使用的指標(biāo)非常多，這里就不一一介紹了，基本上用法都和夏普率的計(jì)算方法差不多，這里介紹他們的方法和參數(shù)。

3.1 omega_ratio

empyrical.omega_ratio(returns, risk_free=0.0, required_return=0.0, annualization=252)

3.2 calmar_ratio

empyrical.calmar_ratio(returns, period='daily', annualization=None)

3.3 sortino_ratio

empyrical.sortino_ratio(returns, required_return=0, period='daily', annualization=None, _downside_risk=None)