Python揭秘 | 大类资产关联之谜：隐藏的投资良机-工具盒子

在投资的世界中，稳健收益一直是投资者追求的目标。而低相关资产配置则是实现这一目标的关键法则之一。

今天，我们将探讨如何利用 Python 计算资产相关性，并利用这些知识来优化投资组合，从而实现稳健收益。

什么是资产相关性？

资产相关性是指不同资产之间的价格变动关系。相关性系数的取值范围是 -1 到 1，具体含义如下：

1 ：完全正相关，两个资产价格总是同涨同跌。
-1 ：完全负相关，两个资产价格总是一个涨一个跌。
0 ：无相关性，两个资产的价格变动没有固定的关系。

在投资组合管理中,资产之间的相关性是一个关键因素。

相关性越低，意味着资产之间的价格波动规律越不一致，这有利于降低投资组合的整体风险。

相反，如果投资组合中的资产高度相关，当某一资产发生下跌时，其他资产也很可能会随之下跌，从而导致整体投资组合的大幅亏损。

因此，合理配置低相关资产，是实现稳健收益的关键法则之一。

通过选择低相关性甚至负相关的资产，可以有效分散投资风险，实现更稳健的收益。

数据获取与处理

这里我们可以利用上一篇文章中的AKShare库，获取数据：

## 从上到下依次获取：沪深300、中证500、创业板、美股纳斯达克、美股标普500、标普油气指数、豆粕（商品）、香港恒生指数
import akshare as ak
import datetime
import pandas as pd

hs300_df = ak.stock_zh_index_daily(symbol="sh000300")
zz500_df = ak.stock_zh_index_daily(symbol="sh000905")
cyb_df = ak.stock_zh_index_daily(symbol="sz399006")
nasdaq_df = ak.index_us_stock_sina(symbol=".IXIC")
bp500_df = ak.index_us_stock_sina(symbol=".INX")
oil_df = ak.index_us_stock_sina(symbol="XOP")
doupo_df = ak.futures_main_sina(symbol="M0")
hsi_df = ak.stock_hk_index_daily_em(symbol="HSI")

其中，以沪深300 为例，得到的数据格式如下图所示：

记录了日期、开盘价、收盘价、最高价、最低价和成交量，计算相关性需要用到日期和收盘价

这里没有选择使用国内相关的ETF作为代替，是因为国内ETF的跟踪性不够精准。

处理不同品种的开盘日期问题

由于需要处理不同商品，不同国家的股票，因此需要设计一个dataframe 去存储数据 ，实际上使用了一个字典列表

    dataframe_list = [
        {'df': hs300_df, 'name': 'hs300'},
        {'df': zz500_df, 'name': 'zz500'},
        {'df': cyb_df, 'name': 'cyb'},
        {'df': nasdaq_df, 'name': 'nasdaq'},
        {'df': bp500_df, 'name': 'bp500'},
        {'df': oil_df, 'name': 'oil'},
        {'df': doupo_df, 'name': 'doupo'},
        {'df': hsi_df, 'name': 'hsi'},
    ]

这个字典列表中记录了每个股票、商品的数据和名称

市场开盘的时间也略微有所差距（各个国家的节假日不同），因此需要获取不同品种的相同日期：

这里定义一个get_same_date函数

## 定义起始日期和节数日期
begin_date = datetime.date(2000, 11, 30)
end_date = datetime.date.today()

def get_same_date(dataframe_list):
    delta = datetime.timedelta(days=1)
    date = begin_date
    total_date = []
    while date <= end_date:
        times = 0
        for dataframe in dataframe_list:
            if date in dataframe['df']['date'].values:
                times += 1
        if times == len(dataframe_list):
            total_date.append(date)
        date += delta

 return pd.DataFrame(total_date, columns=["date"])

这里使用一个比较浅显易懂的方案：

通过对不同品种的时间进行对比，对于某一个日期而言，如果这些品种都在该日期有交易的话，就保存这个日期，反之就不保存了。

获取日收益率

根据刚才得到的日期，获取每个股票的收盘价：

def get_daily_close_price(dataframe_list):
    same_date = get_same_date(dataframe_list)
    daily_close_price = same_date.copy(deep=True)
    # init
    for dataframe in dataframe_list:
        daily_close_price[dataframe['name']] = 0
        tmp_df = dataframe['df']
        row = 0
        for date in same_date['date'].values:
            tmp = tmp_df[tmp_df['date'] == date]
            close_price = tmp['close'].values[0]
            daily_close_price.loc[row, dataframe['name']] = close_price
            row += 1

    return daily_close_price

通过收盘价计算日收益率：

def get_daily_changes(df):
    daily_changes = df.copy(deep=True)
    daily_changes.iloc[1:, 1:] = daily_changes.iloc[1:, 1:].div(daily_changes.iloc[:-1, 1:].values, axis=0) - 1
    daily_changes.iloc[0, 1:] = 0
    return daily_changes

计算相关性矩阵

调用上述函数实现相关性矩阵，这里直接使用dataframe自带的**corr()**函数计算相关性系数矩阵

    daily_close_price = get_daily_close_price(dataframe_list)
    daily_changes = get_daily_changes(daily_close_price)
    stock_name = [item['name'] for item in dataframe_list]
    corr = daily_changes[stock_name].corr()
    print(corr)

通过上述代码，我们可以得到上述股票或商品的相关性系数