Python量化实战：从单日收益率到累计净值曲线的完整构建

1. 理解收益率的基本概念

在量化投资的世界里，收益率是我们衡量投资表现最基础的指标。想象一下，你昨天用100元买入一只股票，今天涨到了105元，那么这5元的盈利就是你的收益，而收益率就是5元相对于100元的比例，也就是5%。

简单收益率（Simple Return）的计算公式非常直观：

code复制简单收益率 = (当前价格 - 前期价格) / 前期价格

在Python中，我们可以用pandas的pct_change()方法轻松计算简单收益率。这个方法会自动计算当前值与前一值的百分比变化，非常适合处理时间序列数据。

对数收益率（Log Return）则是另一种表达方式，它的计算公式是：

code复制对数收益率 = ln(当前价格) - ln(前期价格)

为什么需要两种收益率计算方法呢？简单收益率更符合我们的直觉，而对数收益率在数学处理上有独特的优势。举个生活中的例子，就像我们用摄氏度和华氏度测量温度一样，两种收益率各有适用的场景。

2. 两种收益率的Python实现

2.1 准备数据环境

首先，我们需要准备好Python环境和数据。我推荐使用Jupyter Notebook进行这类分析，因为可以实时看到每一步的结果。

python复制import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

# 读取股票数据
data = pd.read_csv('stock_data.csv', index_col=0, parse_dates=True)
data.head()

2.2 计算简单收益率

简单收益率的计算在pandas中非常简单：

python复制data['simple_return'] = data['close'].pct_change()

这里有几个实用技巧：

1. pct_change()默认计算与前一天的百分比变化
2. 可以设置periods参数计算更长周期的变化，比如pct_change(5)计算5天的变化
3. 第一天的收益率会是NaN，因为没有前一天的数据

2.3 计算对数收益率

对数收益率的计算同样直接：

python复制data['log_return'] = np.log(data['close'] / data['close'].shift(1))

或者使用另一种等效写法：

python复制data['log_return'] = np.log(data['close']).diff()

这两种写法得到的结果完全相同，可以根据个人喜好选择。

3. 收益率特性的深入探讨

3.1 简单收益率的特性

简单收益率最大的特点是直观易懂。比如20元涨到30元，收益率就是50%，这个计算方式与我们日常生活中的理解完全一致。

但是简单收益率在长期计算时有个缺点：它不具备可加性。也就是说，5天的收益率不能简单相加得到5天的总收益率，而是需要累乘：

python复制total_return = (1 + r1) * (1 + r2) * ... * (1 + rn) - 1

3.2 对数收益率的优势

对数收益率最大的优势就是具有可加性。这在长期分析中特别有用：

python复制# 5天的对数收益率总和等于这5天的总对数收益率
total_log_return = log_r1 + log_r2 + ... + log_r5

这种可加性使得对数收益率在构建资产净值曲线时特别方便。我们可以通过累加对数收益率，再取指数，就能得到净值曲线。

4. 构建累计净值曲线

4.1 使用对数收益率构建净值

对数收益率的可加性使得净值计算变得非常简单：

python复制data['cumulative_log'] = np.exp(data['log_return'].cumsum())

这个操作背后的数学原理是：

code复制净值 = exp(对数收益率之和)

4.2 使用简单收益率构建净值

虽然简单收益率不具备可加性，但我们仍然可以通过累乘来计算净值：

python复制data['cumulative_simple'] = (1 + data['simple_return']).cumprod()

4.3 两种方法的等价性

有趣的是，虽然计算方法不同，但两种方法得到的净值曲线是完全一致的。这是因为：

code复制exp(ln(Pt/P0)) = Pt/P0

这个数学等式保证了两种方法的等价性。在实际操作中，我通常会同时计算两种净值曲线，作为互相验证的手段。

5. 完整实战案例

让我们通过一个完整的例子来演示整个过程。假设我们有一只股票的历史价格数据：

python复制# 生成示例数据
np.random.seed(42)
dates = pd.date_range('2023-01-01', periods=100)
prices = 100 * np.exp(np.random.normal(0, 0.02, 100).cumsum())
data = pd.DataFrame({'close': prices}, index=dates)

# 计算收益率
data['simple_return'] = data['close'].pct_change()
data['log_return'] = np.log(data['close']).diff()

# 计算净值
data['cumulative_log'] = np.exp(data['log_return'].cumsum())
data['cumulative_simple'] = (1 + data['simple_return']).cumprod()

# 绘制净值曲线
plt.figure(figsize=(12, 6))
plt.plot(data.index, data['cumulative_log'], label='Log Return')
plt.plot(data.index, data['cumulative_simple'], '--', label='Simple Return')
plt.title('Cumulative Return Comparison')
plt.legend()
plt.show()

6. 实际应用中的注意事项

在真实项目中，有几个关键点需要注意：

1. 数据质量：确保价格数据没有缺失或异常值
2. 复权处理：股票分红配股会影响价格，需要复权处理
3. 交易成本：实际投资中需要考虑交易成本的影响
4. 时间窗口：不同时间尺度的收益率可能有不同的统计特性

我曾经在一个项目中忽略了复权处理，导致收益率计算出现了偏差。后来通过添加复权因子修正了这个问题：

python复制# 复权处理示例
data['adjusted_close'] = data['close'] * data['adjust_factor']