欢迎使用RiskQuantLib¶
RiskQuantLib是金融工程中著名的衍生品定价库Quantlib的一个衍生库，但不同于QuantLib，RiskQuantLib是一个金融数据分析脚手架。RiskQuantLib提供默认的python类文件，作为金融工具的模板类，并且在给定继承规则和其他信息的条件下，允许使用者通过RiskQuantLib自动创建更多自定义的python类。RiskQuantLib也提供自动化工具，来为创建的python类自动添加属性。
为什么我应该使用RiskQuantLib？¶
RiskQuantLib提供了方便的工具来供金融分析师进行对象化编程。
RiskQuantLib是基于QuantLib实现的，你可以使用QuantLib的内置函数，并且可以很好地与RiskQuantLib相结合。
RiskQuantLib是一个脚手架，这意味着他可以为每一个数据分析项目单独新建一个工程，在新建工程之后，RiskQuantLib将会成为新工程的一部分，你可以更改工程中RiskQuantLib的源代码，使得RiskQuantLib符合当前工程的需要。
RiskQuantLib适用于不同的市场，所有的金融工具模板类是由使用者自定义的，这使得RiskQuantLib使用者有极大的自由度。
RiskQuantLib使得数据的处理流程彼此分开。使用RiskQuantLib，可以将数据存储，数据输入，数据分析，以及数据输出彼此隔离。你甚至可以在数据输入之前提前开始编写数据处理逻辑，而不是等待数据输入之后，再进行分析。
RiskQuantLib提供工程模板管理功能，使用者可以编写符合自己数据处理习惯的工程模板，比如股票收益分析，然后将这个模板保存为模板工程，与其他人分享。或者在遇见下一个相似的数据分析项目时，使用已有的模板工程来初始化新的工程。
谁适合使用RiskQuantLib？¶
RiskQuantLib是为了使金融分析师更快速，更方便地进行数据分析而设计的。任何金融分析师，金融相关专业的学生，量化交易员都可以使用RiskQuantLib。当需要处理多种金融工具时，RiskQuantLib尤为有用。
注意: RiskQuantLib并不是为大数据分析而设计的，RiskQuantLib牺牲了运行速度和内存空间来换取更快的代码开发速度。
一个例子¶
假设你是一家著名的国际投行的员工。一天，你的老板叫你去办公室，他告诉你他想要投资一个家族基金，名为Archegos。如果你选择接受这份任务，老板将需要你通过数据研究，来计算这项投资的风险。
三思后的冒险，和鲁莽截然不同。
你调查了一番，从彭博获取了一些数据，但是这些数据只告诉你了Archegos的一些股票持仓，其中有一些中概股，比如腾讯或者阿里巴巴。你获取的第一个数据表格看起来像这样：
Index |
Holding Mkt Value |
Stock |
|---|---|---|
0 |
239018292 |
TCEHY US Equity |
1 |
710281723 |
ABC US Equity |
2 |
7497233 |
HIYJ US Equity |
3 |
179321234 |
SPACEX US Equity |
4 |
83249 |
HE US Equity |
在这之后，你决定下载一些股票在过去三年的每日收盘价，你的第二个数据表看起来像这样：
Date |
HIYJ US Equity |
U7HJ US Equity |
HE US Equity |
|---|---|---|---|
2020-01-01 |
23.9 |
nan |
9.8 |
2020-01-02 |
nan |
12.8 |
9.5 |
2020-01-03 |
21.9 |
13.1 |
9.3 |
2020-01-04 |
22.1 |
13.2 |
9.7 |
2020-01-05 |
22.4 |
12.9 |
9.8 |
… |
… |
… |
… |
你决定计算Archegos股票持仓的历史波动率，你开始一段python编程计算，看起来像这样：:
df_stock_holding = pd.read_excel(path_one)
df_stock_close = pd.read_excel(path_two)
如果你不使用RiskQuantLib，你可能这样做：:
df_std = df_stock_close.std()
std_of_archegos_stock_holdings = df_std[df_stock_holding.columns.to_list()]
现在你对于自己的结果非常满意，似乎股票的部分风险已经可以被解释，至少在某种程度上，可以被解释。在下午，你的老板又告诉你，他知道Archegos还持有两支著名基金，名为H和JK，他告诉你这是重大非公开信息，所以你可能无法仅凭自己找到这两支基金的单位净值，幸运的是，你的老板通过某种手段找到了这些信息，这就是你拿到的第三个数据表格，他看起来像这样：
Index |
Net Asset Value |
Fund |
|---|---|---|
0 |
2.39 |
H |
1 |
7.22 |
JK |
2 |
0.98 |
UIH |
… |
… |
… |
Archegos对于这两支基金的持仓份额是你的第四个数据表，它看起来像这样：
Index |
Holding Shares |
Fund |
|---|---|---|
0 |
20000000 |
H |
1 |
45000000 |
JK |
… |
… |
… |
你的同事曾经进行过一个关于单位净值的极端回撤的研究，他告诉你，你可以使用1.5%作为单日99%置信度的VaR（在险价值），所以你听从了他的建议，你这样计算风险指标：:
df_fund_holding = pd.read_excel(path_four)
df_fund_nav = pd.read_excel(path_three)
df_fund = pd.merge(df_fund_holding, df_fund_nav, on = 'Fund', how = 'left')
df_fund['Total Holding'] = df_fund['Holding Shares'] * df_fund['Net Asset Value']
df_fund['VaR'] = df_fund['Total Holding'] * 0.015
因为Archegos很少公布他们的持仓，可以说现在你已经使用了所有可以使用的信息。所以你对于结果也是有一些自信的，你去找你的老板，等待被表扬，但你的老板勃然大怒，他用了很久平复自己的心情，然后告诉你你忘了很多重要的事情：
股票的收盘价包含很多空值，空值应该被处理，而且不应该用上一个非空值填充，因为如果你用上一个非空值填充，会导致计算出的波动性相比真实波动性偏小。
老板想要的是关于Archegos风险的结论，而不是一堆风险指标。
你使用的股价是错误的，因为没有考虑到分红的影响。
Archegos买入并持仓这两支基金的唯一原因是Archegos可以利用它们来加杠杆，购买更多的股票，比如TCEHY US Equity。这两支基金起到了通道作用，你应该对这两支基金的持仓进行深入研究，而不是停留在表面。
事情现在变得越发复杂，你决定使用RiskQuantLib。首先，你需要新建一个文件夹，来作为数据分析项目的工程文件夹。新建的文件夹名为’Archegos_Risk’，然后你打开了命令终端，通过以下命令来创建一个RiskQuantLib工程：:
newRQL Archegos_Risk
在此步操作之后，你的文件夹看起来像这样：:
--Archegos_Risk
--Cache
--Data
--Result
--RiskQuantLib
--Src
--build.bat
--build.py
--config.py
--debug.bat
--main.py
打开 config.py，你对文件进行编辑，使得它看起来像这样：
#!/usr/bin/python
# coding = utf-8
#-|instrument: security, company, index, interest
#-|instrument: bond@security, stock@security, derivative@security, fund@security
#-|instrument: future@derivative, option@derivative
#-|instrument-DefaultInstrumentType: security@Security, company@Company, index@Index, interest@Interest
#-|instrument-DefaultInstrumentType: bond@Bond, stock@Stock, derivative@Derivative, fund@Fund
#-|instrument-DefaultInstrumentType: future@Future, option@Option
#-|attribute: fund.netAssetValue@number, fund.amount@number, fund.varPercentage@number
#-|attribute: stock.mktValue@number, stock.closeSeries@series
注意到你只是在默认的参数信息后面增加了两行。你关闭这个源文件，然后通过以下终端命令来编译你的RiskQuantLib工程：:
python build.py
在此之后，你打开 RiskQuantLib.Instrument.Security.Fund.fund 以便于新增一个你自定义的类函数：:
def calVaR(self):
self.VaR = self.netAssetValue * self.amount * self.varPercentage
接着，你打开 RiskQuantLib.Instrument.Security.Stock.stock 来新增一个自定义类函数：:
def calVaRPercentage(self):
from RiskQuantLib.Tool.mathTool import percentageOfSeries
self.varPercentage = percentageOfSeries(self.closeSeries.dropna().values(),99)
def calVaR(self):
self.VaR = self.mktValue * self.varPercentage
注意：所有这些操作是在数据输入之前发生的，此时你并不知道数据的形状，列名等信息。
接着进入你的项目工程文件夹根目录，打开 main.py，我们开始分析过程：:
from RiskQuantLib.Module import *
# Read files
df_stock_holding = pd.read_excel(path_one)
df_stock_close = pd.read_excel(path_two)
df_fund_holding = pd.read_excel(path_four)
df_fund_nav = pd.read_excel(path_three)
# Initialize RQL list object
fund_holdings = fundList()
stock_holdings = stockList()
# Add securities to list
fund_holdings.addFundSeries(df_fund_holding['Fund'],df_fund_holding['Fund'])
stock_holdings.addStockSeries(df_stock_holding['Stock'],df_stock_holding['Stock'])
# Set input
fund_holdings.setNetAssetValue(df_fund_nav['Fund'],df_fund_nav['Net Asset Value'])
fund_holdings.setAmount(df_fund_holding['Fund'],df_fund_holding['Holding Shares'])
stock_holdings.setMktValue(df_stock_holding['Stock'],df_stock_holding['Holding Mkt Value'])
stock_holdings.setCloseSeries(df_stock_close)
[fund.setVarPercentage(0.15) for fund in fund_holdings]
# Calculation
fund_holdings.execFunc('calVaR')
stock_holdings.execFunc('calVaRPercentage')
stock_holdings.execFunc('calVaR')
现在，你的python源码变得更加易于阅读和修改了，不是么？你决定继续分析过程，接下来的一步是将你的结果保存为excel文件，所以你这样做：:
# Data output
result = stock_holdings + fund_holdings
df_result = pd.DataFrame(result[['code','VaR']])
df_result.to_excel(path)
到现在为止，相比于用pandas进行数据分析，使用RiskQuantLib似乎更加麻烦。但是如果你注意到，在使用RiskQuantLib时，数据的输入，数据的处理，数据的输出是彼此独立的。改变其中的任何一个是不会影响到其他部分的运行的。（比如更改了输入文件的列名，你只需要对应更改RiskQuantLib输入部分的代码，分析和输出部分的代码完全不需要改动。）让我们来仔细看看源码，以便于了解这一点：
数据输入：¶
main.py:
from RiskQuantLib.Module import *
# Read files
df_stock_holding = pd.read_excel(path_one)
df_stock_close = pd.read_excel(path_two)
df_fund_holding = pd.read_excel(path_four)
df_fund_nav = pd.read_excel(path_three)
# Initialize RQL list object
fund_holdings = fundList()
stock_holdings = stockList()
# Add securities to list
fund_holdings.addFundSeries(df_fund_holding['Fund'],df_fund_holding['Fund'])
stock_holdings.addStockSeries(df_stock_holding['Stock'],df_stock_holding['Stock'])
# Set input
fund_holdings.setNetAssetValue(df_fund_nav['Fund'],df_fund_nav['Net Asset Value'])
fund_holdings.setAmount(df_fund_holding['Fund'],df_fund_holding['Holding Shares'])
stock_holdings.setMktValue(df_stock_holding['Stock'],df_stock_holding['Holding Mkt Value'])
stock_holdings.setCloseSeries(df_stock_close)
[fund.setVarPercentage(0.15) for fund in fund_holdings]
数据分析¶
RiskQuantLib.Instrument.Security.Fund.fund:
def calVaR(self):
self.VaR = self.netAssetValue * self.amount * self.varPercentage
RiskQuantLib.Instrument.Security.Stock.stock
def calVaRPercentage(self):
from RiskQuantLib.Tool.mathTool import percentageOfSeries
self.varPercentage = percentageOfSeries(self.closeSeries.dropna().values(),99)
def calVaR(self):
self.VaR = self.mktValue * self.varPercentage
main.py
# Calculation
fund_holdings.execFunc('calVaR')
stock_holdings.execFunc('calVaRPercentage')
stock_holdings.execFunc('calVaR')
数据输出¶
main.py
# Data output
result = stock_holdings + fund_holdings
df_result = pd.DataFrame(result[['code','VaR']])
df_result.to_excel(path)
当所有这些做完后，你可以将这个工程项目保存为模板。保存为模板的终端命令是这样的：:
saveRQL Archegos_Risk
如果之后几天，你的老板又希望你分析另一只基金，你可以用这个已经存在的模板工程来初始化新的工程，你可以这样使用：:
tplRQL Archegos_Risk target_path
这是RiskQuantLib的一个简单介绍，其中包含的内容包括 创建一个项目，编译你的项目，分离数据处理流程，将项目保存为模板，以及 用保存的模板初始化新项目。 你可能注意到了，我们并没有完全解决之前老板给我们的所有问题。为了解决这些问题，RiskQuantLib提供了很多高级函数。你可以参考RiskQuantLib的类文件说明来获取更多信息。