python基金(Python基金计算n日净值)

咱们也会有惊骇和贪婪，只不过在他人贪婪的时分咱们惊骇，在他人惊骇的时分咱们贪婪。——巴菲特

导言

继上一篇文章《

Python数说指数定投战略》，今日为咱们共享一篇推文（原文来历：SAMshare），评论一下愈加深化的Ideas，总结来说主要有两点：1） 是否存在最适宜的定投周期？

2） 咱们究竟要设置多少止盈点较为适宜？

什么意思呢？咱们打开来说，

??关于第一点：是否存在最适宜的定投周期？

基金定投作为"懒人理财"的头号玩家，当然得遵循其"懒人"思想，咱们想知道究竟定投多久，才能说大约率地取得较为满足的收益。

这儿有几个点需求理一下：

进场的随机性：由于涉及到实际操作，每个人的进场时刻不尽相同，所以这儿评论最适宜的定投周期，要考虑进场机遇的随机性。指数的异质性：咱们评论的是指数基金，但不同的指数之间，也是或许会存在不一样的性质，这儿也要考虑。人道的缺陷：由于是定投，实际操作的仍是人，所以当定投期完毕时，是否会由于其时是所谓的"上涨"or"跌落"行情而纠结？何为"满足的收益”：怎么判别“满足”呢，不同人对满足的心情不同，怎么界说一个基准。

针对以上的几点，我在自己思考后给出了下面的验证办法：

在指定的定投周期内（定投周期为0.5年的整数倍），遍历一切或许的进场点，卖出点取离场点当月的指数均值，假如收益率大于余额宝定存相同周期时刻内的收益的，即为之"满足"，一同验证多几个指数。

简略解释一下，咱们验证的定投周期，均是0.5年的整数倍，比方定投1年、1.5年、2年等等，买入日期，挑选月初，而卖出点，不会是最终的那个月的月初，而是取其当月的指数均值，比方2019年1月1日开始定投，定投1年，那么卖出点便是2020年2月的指数均值，便是为了避免有的人由于其时股价改变而呈现的纠结心情。

当指数基金定投收益率大于余额宝定存收益率的，记为1，为咱们的正样本，反之则记为0，为咱们的负样本。咱们就来核算一下，不同的定投周期，正负样本的份额关系，看下怎么样的定投周期，具有较大约率的"满足"成果！

??关于第二点：咱们究竟要设置多少止盈点较为适宜？

关于这点，咱们便是为了找出多少的止盈点较为适宜。这个结合咱们上篇文章的内容，咱们知道假如咱们定投的周期越长，收益率当然便是越大的，所以，不同定投周期之间的收益率没有可比性。所以咱们需求指定一个定投周期（权且咱们用第一点得到的"最优"定投周期N来作为咱们的观测周期）。

咱们的验证办法：

在指定的定投周期内，遍历一切或许的进场点，卖出点取离场点当月的指数均值，记载此刻的收益率状况，核算收益率的大约率会集区间，即为咱们的参阅止盈点。

接下来，咱们就针对以上的2个内容，来用python代码验证一波。（：show time～）

是否存在最适宜的定投周期？

1. 导入相关库

1# -*- coding: UTF-8 -*- 2import matplotlib as mpl 3import matplotlib.pyplot as plt 4import pandas as pd 5import numpy as np 6import tushare as ts 7from datetime import datetime 8 9#处理中文显现问题，Mac10%matplotlib inline11from matplotlib.font_manager import FontProperties1213plt.rcParams['figure.figsize'] = (10.0, 4.0) # 设置figure_size尺度14plt.rcParams['image.interpolation'] = 'nearest' # 设置 interpolation style15plt.rcParams['image.cmap'] = 'gray' # 设置 色彩 style16plt.rcParams['savefig.dpi'] = 100 #图片像素17plt.rcParams['figure.dpi'] = 100 #分辨率1819# 使用plotly绘图20import plotly.offline as of21import plotly.graph_objs as go

2. 数据获取

这儿仍是适用Tushare的接口来获取数据，详细代码如下：

1# 设置token 2ts.set_token('your token') 3 4# 初始化接口 5pro = ts.pro_api() 6 7# 获取基本信息 8sh_basic = pro.index_basic(market='SSE') # 上交所 9sz_basic = pro.index_basic(market='SZSE') # 深交所101112# 000001.SH 上证综指13# 399001.SZ 深证成指14data_sh = pro.index_daily(ts_code='000001.SH', start_date='19901219', end_date='20190401')15data_sz = pro.index_daily(ts_code='399001.SZ', start_date='19901219', end_date='20190401')16data_sh.head()

3. 代码封装

对上面提及的验证办法进行逻辑封装：

1def Log_of_AIP(data, n, money): 2 ''' 3 data：测试数据集，即指数前史走势数据 4 n：定投周期，6个月的整数倍，如n=1代表定投6个月 5 money：定投金额 6 ''' 7 8 data = data.loc[:,['open','trade_date']] 9 data['trade_month'] = data['trade_date'].apply(lambda x:str(x)[0:6])10 data['date'] = data['trade_date'].apply(lambda x:datetime.strptime(x,'%Y%m%d'))11 data = data.set_index('date').sort_index()1213 # 假定余额宝的年化收益率为 4%14 data['余额宝利率'] = (4.0/100+1)**(1.0/250)-1 15 data['理财收益_净值'] = (data['余额宝利率']+1).cumprod()1617 # 挑选每个月的第一个买卖日进行定投18 trading_day = data.resample('M', kind='date').first()1920 # 确认循环次数，由于得确保满足定投周期21 try:22 All_Sales = pd.DataFrame()23 for i in range(len(trading_day) - (6*n)):24 # 在定投周期完毕后一个月卖出25 trading_cycle = trading_day.iloc[i:i+6*n+1] 2627 # 核算卖出点 下个月的指数均值28 in_month = data[data['trade_month']==list(trading_cycle['trade_month'][-1:])[0]]29 sales_point = in_month.pivot_table(values='open', index='trade_month').mean().values[0]303132 # 定投指数基金33 AIP = pd.DataFrame(index=trading_cycle.index)34 AIP['定投金额'] = int(money)3536 # 以基金当天的开盘价作为当天买入的价格37 AIP['基金价格'] = trading_cycle['open']38 AIP['购买基金份额'] = AIP['定投金额']/AIP['基金价格']39 AIP['累计基金份额'] = AIP['购买基金份额'].cumsum()4041 # 定时购买理财产品42 AIP['购买理财产品份额'] = AIP['定投金额']/trading_cycle['理财收益_净值']43 AIP['累计理财产品份额'] = AIP['购买理财产品份额'].cumsum()4445 # 累计投入本金46 AIP['累计定投本金'] = AIP['定投金额'].cumsum()4748 # 核算每个买卖日的本息（即本金+利息，公式=当天的份额 X 当天的基金价格）49 result = pd.concat([trading_cycle, AIP], axis=1)50 result['基金本息'] = (result['open'] * result['累计基金份额']).astype('int')51 result['理财本息'] = (result['理财收益_净值'] * result['累计理财产品份额']).astype('int')5253 # 买入点 result['trade_date'][0]54 # 定投周期（月） 6*n55 # 定投投入本金 result['累计定投本金'][-2:-1][0]56 # 基金卖出后本息 result['累计基金份额'][-2:-1][0] * sales_point57 # 余额宝卖出后本息 result['理财本息'][-2:-1][0]585960 Each_Sales = pd.DataFrame([[result['trade_date'][0], 61 6*n, 62 result['累计定投本金'][-2:-1][0],63 result['累计基金份额'][-2:-1][0] * sales_point, 64 result['理财本息'][-2:-1][0]]], 65 columns=['买入点','定投周期(月)', '累计定投本金', '基金卖出后本息', '余额宝卖出后本息'])66 Each_Sales['基金收益率%'] = 100*(Each_Sales['基金卖出后本息'][0]/Each_Sales['累计定投本金'][0] - 1)67 Each_Sales['余额宝收益率%'] = 100*(Each_Sales['余额宝卖出后本息'][0]/Each_Sales['累计定投本金'][0] - 1)68 Each_Sales['LikeOrNot'] = Each_Sales['基金卖出后本息'] > Each_Sales['余额宝卖出后本息'] 69 All_Sales = All_Sales.append(Each_Sales)7071 return All_Sales7273 except:74 print("定投周期大于前史股价走势！请从头设置定投周期。")757677def Rate_of_Like(data, money):78 data= data79 money= money8081 Rate_of_like = pd.DataFrame()82 for i in range(int(len(trading_day)/6)):83 tt = Log_of_AIP(data_sh, i+1, 2000)84 rate = pd.DataFrame([[(i+1)*6, (tt['LikeOrNot'].value_counts()/len(tt))[True]]], 85 columns=['定投周期(月)','定投基金满足占比'])86 Rate_of_like = Rate_of_like.append(rate)87 return Rate_of_like

4. 函数调用&猜测验证

1rate_of_sh = Rate_of_Like(data_sh, 2000)2rate_of_sh.head() 1# 绘拟定投满足概率图 2of.offline.init_notebook_mode(connected=True) 3 4trace1 = go.Scatter( 5 x=rate_of_sh['定投周期(月)'], 6 y=rate_of_sh['定投基金满足占比'], 7 mode = 'lines+markers', 8 name = '定投基金满足的次数占比' 9)10data = go.Data([trace1])1112layout = dict(title = '是否存在最适宜的定投周期？',13 yaxis = dict(showgrid=True, #网格14 zeroline=False, #是否显现基线,即沿着(0,0)画出x轴和y轴15 nticks=20,16 showline=True,17 title='定投基金满足的次数占比'),1819 xaxis = dict(showgrid=True, #网格20 zeroline=False, #是否显现基线,即沿着(0,0)画出x轴和y轴21 nticks=20,22 showline=True,23 title='定投周期(月)')24 )25fig = dict(data=data, layout=layout)26of.plot(fig, filename='rate_of_like')

上面，我仅仅验证了上证综指，从数据中能够看出，当定投周期超出240个月，即20年，咱们取得满足（即定投收益跑赢余额宝定存收益）的基金定投的概率超出80%！

此外，咱们看到，如同定投周期在300个月以上，取得满足的概率居然得到了100%，可是咱们知道这不太符合实际，原因是由于这基本是从上证开盘就开始定投，也不太满足咱们的实际操作。

综上所述：（针对上证综指）

定投周期在50个月之内的，取得满足的概率是一半一半，定投的威力还没表现出来；当定投周期在60个月左右的满足概率与定投60～120个月的满足概率差不多；定投240个月左右的满足概率能够到达80%，定投的威力总算来了！

设置多少止盈点较为适宜？

1. 函数调用

1log = Log_of_AIP(data_sh, 40, 2000) 2log = log.sort_values(['基金收益率%']) 3 4# 转化为密度函数，以10%为一个单位 5log['density'] = log['基金收益率%'].apply(lambda x:int(x/10)) 6log2 = log.pivot_table(values='LikeOrNot', index='density', aggfunc=len).reset_index() 7log2['density2'] = log2['density'].apply(lambda x:str(10*x) +'%~'+str(10*(x+1)) + '%') 8 9# 帕累托图10log2['density3'] = log2['density'].cumsum()11log2['density4'] = log2['density3']/(log2.tail(1).reset_index()['density3'][0])12log2

2. 猜测制作

这儿仅仅贴了其间一个制作代码：

1# 制作收益分布图 2of.offline.init_notebook_mode(connected=True) 3 4trace1 = go.Scatter( 5 x = pd.Series(range(len(log))), 6 y = log['基金收益率%'], 7 mode = 'markers', 8 name = '基金 收益率分布图' 9)1011trace2 = go.Scatter(12 x = pd.Series(range(len(log))),13 y = log['余额宝收益率%'],14 mode = 'markers',15 name = '余额宝 收益率分布图'16)1718data = go.Data([trace1,trace2])1920layout = dict(title = '设置多少止盈点较为适宜？',21 yaxis = dict(showgrid=True, #网格22 zeroline=False, #是否显现基线,即沿着(0,0)画出x轴和y轴23 nticks=20,24 showline=True,25 title='出资收益率%'),2627 xaxis = dict(showgrid=True, #网格28 zeroline=False, #是否显现基线,即沿着(0,0)画出x轴和y轴29 nticks=20,30 showline=True,31 title='迭代次数'32 )33 )34fig = dict(data=data, layout=layout)35of.plot(fig,filename='log')

咱们依照定投最优的周期（240个月）来进行止盈点的核算，从上图能够看出，余额宝在定投240个月后，收益率大约维持在50%左右，而基金大多数的收益率都是大于余额宝的。

依据基金的收益率，我进行了密度转化，能够看出，咱们的收益率，大致都是会集在60～70%之间。

综上所述：（针对上证综指）

定投20年基金，大约率（80%）水平上会取得比余额宝要好得多的收益；定投20年基金，止盈点定在80～90%，产生的或许性为80%；定投20年基金，止盈点定在130～140%，产生的或许性为50%；定投20年基金，止盈点定在200～210%，产生的或许性为20%；

其他战略

此外，我也从网上看到了其他更佳杂乱的出资战略，这儿就先不验证，先放出来给咱们参阅，下次一同验证：

办法一：高抛低吸降本钱

熊市中，不要信任某一次上涨行情或许是新一轮牛市的初步，牛市的到来远远比你幻想的要悠远。关于部分套牢的基金，主张在反弹10%以上时，逐渐卖出，保存一部分底仓。然后遇到跌落，再买回来。这样做，大约率上会降低本钱。

要牢牢记住，反弹多了就减仓，就算你很不幸，卖在了牛市的起步阶段，你也能够在牛市行情建立的时分再买回来。

这样高抛低吸的来回买卖，对自动办理型基金来说，本钱费用太高。主张买入创业板ETF或许中小板ETF，手续费更廉价。

办法二：10%补仓法

不断进行补仓，使亏本份额控制在10%以内，然后一个10%的反弹就解套了。是不是很简略？缺陷便是要有满足的资金。

本文总结

咱们经过上述的验证，大致能够得到下面的定论，当然这个定论是针对上证综指的，按道理我应该看过几个指数，可是授之以鱼不如授之以渔，办法都在代码里，咱们无妨自己着手试试？自己得到一些定论不是来得更有feel不

定投周期在50个月之内的，定投跑赢余额宝的概率是50%；当定投周期在60个月（5年）左右的满足概率与定投60～120个月的满足概率差不多，大约是65%；定投240个月（20年）左右的满足概率能够到达80%，大约率水平上会取得比余额宝要好得多的收益！定投20年基金，止盈点定在80～90%，产生的或许性为80%；定投20年基金，止盈点定在130～140%，产生的或许性为50%；定投20年基金，止盈点定在200～210%，产生的或许性为20%；

Reference

深度实战，当下最好的出资战略 — 复利人生Python在基金定投上的验证

关于Python金融量化

专心于共享Python在金融量化范畴的使用。参加常识星球，能够免费获取30多g的量化出资视频材料、大众号文章Python完好源码、量化出资前沿剖析结构，与博主直接沟通、结识圈内朋友等。