Empyrical 超简单教你一行代码计算风险指标
Empyrical 是一个知名的金融风险指标库。它能够用于计算年平均回报、最大回撤、Alpha值、Beta值、卡尔马率、Omega率、夏普率等。它还被用于zipline和pyfolio，是Quantopian开发的三件套之一。
下面就教你如何使用 Empyrical 这个风险指标计算神器。
1.准备
开始之前，你要确保Python和pip已经成功安装在电脑上，如果没有，可以访问这篇文章：超详细Python安装指南 进行安装。
(可选1) 如果你用Python的目的是数据分析，可以直接安装Anaconda：Python数据分析与挖掘好帮手—Anaconda，它内置了Python和pip.
(可选2) 此外，推荐大家用VSCode编辑器，它有许多的优点：Python 编程的最好搭档—VSCode 详细指南。
请选择以下任一种方式输入命令安装依赖：
1. Windows 环境 打开 Cmd (开始-运行-CMD)。
2. MacOS 环境 打开 Terminal (command+空格输入Terminal)。
3. 如果你用的是 VSCode编辑器 或 Pycharm，可以直接使用界面下方的Terminal.
pip install empyrical2. Empyrical 基本使用
计算最大回撤，你只需要从 empyrical 库中引入 max_drawdown ，将数据作为参数传入计算，一行代码就能实现：
import numpy as np
from empyrical import max_drawdown
returns = np.array([.01, .02, .03, -.4, -.06, -.02])
# 计算最大回撤
max_drawdown(returns)
# 结果：-0.4472800000000001同样地，如果你需要计算alpha和beta指标：
import numpy as np
from empyrical import alpha_beta
returns = np.array([.01, .02, .03, -.4, -.06, -.02])
benchmark_returns = np.array([.02, .02, .03, -.35, -.05, -.01])
# 计算alpha和Beta值
alpha, beta = alpha_beta(returns, benchmark_returns)
print(alpha, beta)
# 结果：-0.7960672549836803 1.1243025418474892如果你想要计算夏普率，同样也是一行代码就能解决，只不过你需要注意这几个参数的意义：
import numpy as np
from empyrical import sharpe_ratio
returns = np.array([.01, .02, .03, -.4, -.06, -.02])
# 计算夏普率
sr = sharpe_ratio(returns, risk_free=0, period='daily', annualization=None)
print(sr)
# 结果：-6.7377339531573535各个参数的意义如下：
| 参数 | 数据类型 | 意义 |
| returns | pandas.Series | 策略的日回报，非累积。 |
| risk_free | float | 本周期内的无风险利率 |
| period | str, optional | 确定回报数据的周期，默认为天。 |
| annualization | int, optional | 交易日总数（用于计算年化） 如果是daily，则默认为252个交易日。 |
3.更多的指标
Empyrical 能提供使用的指标非常多，这里就不一一介绍了，基本上用法都和夏普率的计算方法差不多，这里介绍他们的方法和参数。
3.1 omega_ratio
empyrical.omega_ratio(returns, risk_free=0.0, required_return=0.0, annualization=252)| 参数 | 数据类型 | 意义 |
| returns | pandas.Series | 策略的日回报，非累积。 |
| risk_free | float | 本周期内的无风险利率 |
| required_return | float, optional | 投资者可接受的最低回报。 |
| annualization | int, optional | 交易日总数（用于计算年化） 如果是daily，则默认为252个交易日。 |
3.2 calmar_ratio
empyrical.calmar_ratio(returns, period='daily', annualization=None)| 参数 | 数据类型 | 意义 |
| returns | pandas.Series | 策略的日回报，非累积。 |
| period | str, optional | 确定回报数据的周期，默认为天。 |
| annualization | int, optional | 交易日总数（用于计算年化）。如果是daily，则默认为252个交易日。 |
3.3 sortino_ratio
empyrical.sortino_ratio(returns, required_return=0, period='daily', annualization=None, _downside_risk=None)| 参数 | 数据类型 | 意义 |
| returns | pandas.Series | 策略的日回报，非累积。 |
| required_return | float | 最小投资回报 |
| period | str, optional | 确定回报数据的周期，默认为天。 |
| annualization | int, optional | 交易日总数（用于计算年化）。如果是daily，则默认为252个交易日。 |
| _downside_risk | float, optional | 给定输入的下跌风险。如果没有提供则自动计算 |
更多的指标及其说明，请查看empyrical源代码的stats.py文件，里面还包含了所有指标的计算逻辑，如果你想了解每个指标的计算方法，可以查看这个文件进行学习：
https://github.com/quantopian/empyrical/blob/master/empyrical/stats.py
我们的文章到此就结束啦，如果你喜欢今天的Python 实战教程，请持续关注Python实用宝典。
有任何问题，可以在公众号后台回复：加群，回答相应红字验证信息，进入互助群询问。
原创不易，希望你能在下面点个赞和在看支持我继续创作，谢谢！
点击下方阅读原文可获得更好的阅读体验
Python实用宝典 (pythondict.com)
不只是一个宝典
欢迎关注公众号：Python实用宝典