QuantStats: análisis de cartera para cuantos

Biblioteca QuantStats Python que realiza perfiles de cartera, lo que permite a los gestores cuantitativos y de cartera comprender mejor su rendimiento proporcionándoles análisis detallados y métricas de riesgo.

Registro de cambios »

QuantStats se compone de 3 módulos principales:

quantstats.stats : para calcular varias métricas de rendimiento, como el índice de Sharpe, la tasa de ganancias, la volatilidad, etc.
quantstats.plots : para visualizar el rendimiento, reducciones, estadísticas continuas, rentabilidades mensuales, etc.
quantstats.reports : para generar informes de métricas, trazado por lotes y crear hojas de corte que se pueden guardar como un archivo HTML.

A continuación se muestra un ejemplo de una hoja rasgable simple que analiza una estrategia:

Inicio rápido

 % 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 ()

Producción:

 0.8135304438803402

Visualice el rendimiento de las acciones

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

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

Producción:

Trama instantánea

Creando un informe

Puede crear 7 hojas de informes diferentes:

qs.reports.metrics(mode='basic|full", ...) - muestra métricas básicas/completas
qs.reports.plots(mode='basic|full", ...) - muestra gráficos básicos/completos
qs.reports.basic(...) - muestra métricas y gráficos básicos
qs.reports.full(...) - muestra métricas y gráficos completos
qs.reports.html(...) - genera un informe completo como html

Creemos una hoja HTML

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

La salida generará algo como esto:

Hoja HTML

(ver archivo html original)

Para ver una lista completa de los métodos disponibles, ejecute

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

 ['avg_loss',
 'avg_return',
 'avg_win',
 'mejor',
 'cagr',
 'calmar',
 'ratio_sentido_común',
 'comp',
 'comparar',
 'compsum',
 'valor_condicional_en_riesgo',
 'pérdidas_consecutivas',
 'victorias_consecutivas',
 'índice_cpc',
 'cvar',
 'drawdown_details',
 'retorno_esperado',
 'déficit_esperado',
 'exposición',
 'relación_ganancia_a_dolor',
 'media_geométrica',
 'ghpr',
 'griegos',
 'volatilidad_implícita',
 'proporción_información',
 'kelly_criterio',
 'curtosis',
 'max_drawdown',
 'devoluciones_mensuales',
 'outlier_loss_ratio',
 'outlier_win_ratio',
 'valores atípicos',
 'relación_beneficio',
 'factor_beneficio',
 'relación_beneficio',
 'r2',
 'r_cuadrado',
 'rar',
 'factor_recuperación',
 'eliminar_valores atípicos',
 'riesgo_de_ruina',
 'riesgo_retorno_ratio',
 'rolling_greeks',
 'error',
 'nítido',
 'sesgar',
 'sortino',
 'sortino_ajustado',
 'relación_cola',
 'to_drawdown_series',
 'úlcera_índice',
 'úlcera_rendimiento_index',
 'upí',
 'utilidades',
 'valor_en_riesgo',
 'var',
 'volatilidad',
 'relación_ganancias_pérdida',
 'tasa_ganancia',
 'el peor']

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

 ['devoluciones_diarias',
 'distribución',
 'reducción',
 'drawdowns_periods',
 'ganancias',
 'histograma',
 'log_returns',
 'mapa_calormensual',
 'devoluciones',
 'rolling_beta',
 'rolling_sharpe',
 'rolling_sortino',
 'volatilidad_rodante',
 'instantánea',
 'rendimientos_anuales']

*** Documentación completa próximamente ***

Mientras tanto, puedes obtener información sobre los parámetros opcionales para cada método utilizando el método help de Python:

 help ( qs . stats . conditional_value_at_risk )

 Ayuda sobre la función conditional_value_at_risk en el módulo quantstats.stats:

valor_condicional_en_riesgo(devoluciones, sigma=1, confianza=0,99)
    calcula el valor en riesgo diario condicional (también conocido como déficit esperado)
    cuantifica la cantidad de riesgo de cola de una inversión

Instalación

Instalar usando pip :

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

Instalar usando conda :

$ conda install -c ranaroussi quantstats

Requisitos

Pitón >= 3.5+
pandas (probado para funcionar con >=0.24.0)
numeroso >= 1.15.0
cipy >= 1.2.0
matplotlib >= 3.0.0
nacido en el mar >= 0.9.0
tabular >= 0.8.0
yfinanzas >= 0.1.38
plotly >= 3.4.1 (opcional, para usar plots.to_plotly() )

¿Preguntas?

Esta es una biblioteca nueva... Si encuentra un error, abra un problema en este repositorio.

Si desea contribuir, un excelente lugar para buscar son los problemas marcados con Se busca ayuda.

Problemas conocidos

Por alguna razón, no pude encontrar una manera de decirle a Seaborn que no devuelva el mapa de calor de retornos mensuales cuando se le indique que lo guarde, por lo que incluso si guarda el gráfico (pasando savefig={...} ), seguirá mostrándolo. .