QuantStats: Portfolioanalyse für Quants

QuantStats Python-Bibliothek, die Portfolio-Profilerstellung durchführt und es Quants und Portfoliomanagern ermöglicht, ihre Leistung besser zu verstehen, indem sie ihnen detaillierte Analysen und Risikometriken liefert.

Änderungsprotokoll »

QuantStats besteht aus 3 Hauptmodulen:

quantstats.stats – zur Berechnung verschiedener Leistungsmetriken, wie Sharpe-Ratio, Win-Rate, Volatilität usw.
quantstats.plots – zur Visualisierung von Leistung, Drawdowns, fortlaufenden Statistiken, monatlichen Renditen usw.
quantstats.reports – zum Generieren von Metrikberichten, Batch-Plotting und Erstellen von Tränenblättern, die als HTML-Datei gespeichert werden können.

Hier ist ein Beispiel für ein einfaches Tearsheet zur Analyse einer Strategie:

Schnellstart

 % matplotlib inline
import quantstats as qs

# extend pandas functionality with metrics, etc.
qs . extend_pandas ()

# fetch the daily returns for a stock
stock = qs . utils . download_returns ( 'META' )

# show sharpe ratio
qs . stats . sharpe ( stock )

# or using extend_pandas() :)
stock . sharpe ()

Ausgabe:

 0,8135304438803402

Visualisieren Sie die Aktienperformance

 qs . plots . snapshot ( stock , title = 'Facebook Performance' , show = True )

# can also be called via:
# stock.plot_snapshot(title='Facebook Performance', show=True)

Ausgabe:

Schnappschuss-Plot

Erstellen eines Berichts

Sie können 7 verschiedene Berichts-Tearsheets erstellen:

qs.reports.metrics(mode='basic|full", ...) – zeigt grundlegende/vollständige Metriken an
qs.reports.plots(mode='basic|full", ...) – zeigt grundlegende/vollständige Diagramme
qs.reports.basic(...) – zeigt grundlegende Metriken und Diagramme
qs.reports.full(...) – zeigt vollständige Metriken und Diagramme an
qs.reports.html(...) – generiert einen vollständigen Bericht als HTML

Lassen Sie uns ein HTML-Tearsheet erstellen

( benchmark can be a pandas Series or ticker )
qs . reports . html ( stock , "SPY" )

Die Ausgabe erzeugt etwa Folgendes:

HTML-Tearsheet

(Original-HTML-Datei anzeigen)

Um eine vollständige Liste der verfügbaren Methoden anzuzeigen, führen Sie Folgendes aus:

[ f for f in dir ( qs . stats ) if f [ 0 ] != '_' ]

 ['avg_loss',
 'avg_return',
 'avg_win',
 'am besten',
 'cagr',
 'ruhig',
 'common_sense_ratio',
 'comp',
 'vergleichen',
 'compsum',
 'conditional_value_at_risk',
 'consecutive_losses',
 'consecutive_wins',
 'cpc_index',
 'cvar',
 'drawdown_details',
 'expected_return',
 'expected_shortfall',
 'Belichtung',
 'gain_to_pain_ratio',
 'geometrischer_Mittelwert',
 'ghpr',
 'Griechen',
 'implied_volatility',
 'information_ratio',
 'kelly_criterion',
 'kurtosis',
 'max_drawdown',
 'monthly_returns',
 'outlier_loss_ratio',
 'outlier_win_ratio',
 „Ausreißer“,
 'payoff_ratio',
 'profit_factor',
 'profit_ratio',
 'r2',
 'r_squared',
 'rar',
 'recovery_factor',
 'remove_outliers',
 'risk_of_ruin',
 'risk_return_ratio',
 'rolling_greeks',
 'ror',
 'scharf',
 'schief',
 'sortino',
 'adjusted_sortino',
 'tail_ratio',
 'to_drawdown_series',
 'ulcer_index',
 'ulcer_performance_index',
 'upi',
 'utils',
 'value_at_risk',
 'var',
 „Volatilität“,
 'win_loss_ratio',
 'win_rate',
 'am schlimmsten']

[ f for f in dir ( qs . plots ) if f [ 0 ] != '_' ]

 ['daily_returns',
 'Verteilung',
 'Abzug',
 'drawdowns_periods',
 'Einkommen',
 'Histogramm',
 'log_returns',
 'monthly_heatmap',
 'returns',
 'rolling_beta',
 'rolling_sharpe',
 'rolling_sortino',
 'rolling_volatility',
 'Schnappschuss',
 'yearly_returns']

*** Vollständige Dokumentation folgt in Kürze ***

In der Zwischenzeit können Sie Einblicke in optionale Parameter für jede Methode erhalten, indem Sie die help von Python verwenden:

 help ( qs . stats . conditional_value_at_risk )

 Hilfe zur Funktion „conditional_value_at_risk“ im Modul quantstats.stats:

Conditional_value_at_risk(Rückgabe, Sigma=1, Konfidenz=0,99)
    berechnet den bedingten täglichen Value-at-Risk (auch bekannt als erwarteter Fehlbetrag)
    quantifiziert die Höhe des Tail Risk einer Investition

Installation

Mit pip installieren:

$ pip install quantstats --upgrade --no-cache-dir

Mit conda installieren:

$ conda install -c ranaroussi quantstats

Anforderungen

Python >= 3.5+
Pandas (getestet, um mit >=0.24.0 zu funktionieren)
Numpy >= 1.15.0
scipy >= 1.2.0
matplotlib >= 3.0.0
seegeboren >= 0,9,0
tabellieren >= 0,8,0
yfinance >= 0,1,38
plotly >= 3.4.1 (optional, zur Verwendung von plots.to_plotly() )

Fragen?

Dies ist eine neue Bibliothek. Wenn Sie einen Fehler finden, öffnen Sie bitte ein Problem in diesem Repository.

Wenn Sie einen Beitrag leisten möchten, sind die mit „Hilfe gesucht“ gekennzeichneten Themen eine gute Anlaufstelle.

Bekannte Probleme

Aus irgendeinem Grund konnte ich Seaborn nicht anweisen, die monatliche Rendite-Heatmap nicht zurückzugeben, wenn ich zum Speichern aufgefordert wurde. Selbst wenn Sie das Diagramm speichern (durch Übergabe von savefig={...} ), wird das Diagramm weiterhin angezeigt .