QuantStats: análise de portfólio para quants

Biblioteca QuantStats Python que realiza perfis de portfólio, permitindo que quants e gerentes de portfólio entendam melhor seu desempenho, fornecendo-lhes análises aprofundadas e métricas de risco.

Registro de alterações »

QuantStats é composto por 3 módulos principais:

quantstats.stats - para calcular várias métricas de desempenho, como índice de Sharpe, taxa de ganho, volatilidade, etc.
quantstats.plots - para visualizar desempenho, rebaixamentos, estatísticas contínuas, retornos mensais, etc.
quantstats.reports - para gerar relatórios de métricas, plotagem em lote e criação de folhas rasgadas que podem ser salvas como um arquivo HTML.

Aqui está um exemplo de uma folha rasgada simples analisando uma estratégia:

Início 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 ()

Saída:

 0,8135304438803402

Visualize o desempenho das ações

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

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

Saída:

Gráfico de instantâneo

Criando um relatório

Você pode criar sete provas de publicação de relatórios diferentes:

qs.reports.metrics(mode='basic|full", ...) - mostra métricas básicas/completas
qs.reports.plots(mode='basic|full", ...) - mostra gráficos básicos/completos
qs.reports.basic(...) - mostra métricas e gráficos básicos
qs.reports.full(...) - mostra métricas e gráficos completos
qs.reports.html(...) - gera um relatório completo em html

Vamos criar uma prova de publicação em HTML

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

A saída irá gerar algo assim:

Folha de publicação HTML

(ver arquivo html original)

Para ver uma lista completa de métodos disponíveis, execute

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

 ['média_perda',
 'avg_return',
 'avg_win',
 'melhor',
 'cagr',
 'calma',
 'common_sense_ratio',
 'comp',
 'comparar',
 'compsum',
 'valor_condicional_em_risco',
 'perdas_consecutivas',
 'vitórias_consecutivas',
 'índice_cpc',
 'cvar',
 'drawdown_details',
 'retorno_esperado',
 'falta_esperada',
 'exposição',
 'ganho_para_proporção_de_dor',
 'média_geométrica',
 'ghpr',
 'gregos',
 'volatilidade_implícita',
 'relação_informação',
 'critério_kelly',
 'curtose',
 'max_drawdown',
 'retornos_mensais',
 'proporção_perda_outlier',
 'outlier_win_ratio',
 'outliers',
 'taxa_de_pagamento',
 'fator_lucro',
 'proporção_lucro',
 'r2',
 'r_quadrado',
 'rar',
 'fator_de recuperação',
 'remover_outliers',
 'risco_de_ruína',
 'risco_retorno_razão',
 'rolling_greeks',
 'ror',
 'afiado',
 'inclinado',
 'sortino',
 'ajustado_sortino',
 'proporção_cauda',
 'to_drawdown_series',
 'índice_úlcera',
 'úlcera_desempenho_índice',
 'upi',
 'utilitários',
 'valor_em_risco',
 'var',
 'volatilidade',
 'proporção_de_perda_de_vitória',
 'win_rate',
 'pior']

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

 ['retornos_diários',
 'distribuição',
 'rebaixamento',
 'períodos_de saques',
 'ganhos',
 'histograma',
 'log_returns',
 'mapa_calor_mensal',
 'retorna',
 'rolling_beta',
 'rolamento_sharpe',
 'rolling_sortino',
 'rolling_volatility',
 'instantâneo',
 'retornos_anuais']

*** Documentação completa em breve ***

Enquanto isso, você pode obter insights sobre parâmetros opcionais para cada método, usando o método help do Python:

 help ( qs . stats . conditional_value_at_risk )

 Ajuda sobre a função condicional_value_at_risk no módulo quantstats.stats:

condicional_value_at_risk(retornos, sigma=1, confiança=0,99)
    calcula o valor em risco diário condicional (também conhecido como déficit esperado)
    quantifica a quantidade de risco de cauda de um investimento

Instalação

Instale usando pip :

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

Instale usando conda :

$ conda install -c ranaroussi quantstats

Requisitos

Pitão >= 3,5+
pandas (testado para funcionar com >=0.24.0)
entorpecido >= 1.15.0
scipy >= 1.2.0
matplotlib >= 3.0.0
nascido no mar >= 0,9.0
tabular >= 0.8.0
yfinance >= 0.1.38
plotly >= 3.4.1 (opcional, para usar plots.to_plotly() )

Questões?

Esta é uma nova biblioteca... Se você encontrar um bug, abra um problema neste repositório.

Se você quiser contribuir, um ótimo lugar para procurar são os problemas marcados com procura-se ajuda.

Problemas conhecidos

Por alguma razão, não consegui encontrar uma maneira de dizer ao seaborn para não retornar o mapa de calor dos retornos mensais quando instruído a salvar - então, mesmo se você salvar o gráfico (passando savefig={...} ), ele ainda mostrará o gráfico .