akshare获取数据
#股票组合VaR计算器，蒙特卡洛模拟法，akshare获取数据
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import akshare as ak
from datetime import datetime, timedelta
import seaborn as sns
# 设置中文显示
plt.rcParams["font.family"] = ['SimHei', 'Microsoft YaHei', 'SimSun', 'KaiTi']
plt.rcParams['axes.unicode_minus'] = False # 解决负号显示问题
class StockVaRCalculator:
"""A股股票组合VaR计算器，使用蒙特卡洛模拟法和akshare获取数据"""
def __init__(self, stock_tickers, weights=None, investment_value=1000000,
simulation_days=10, num_simulations=10000, confidence_level=0.99):
"""
初始化股票组合VaR计算器
参数:
stock_tickers: 股票代码列表，使用akshare格式（例如：'sh600000' 表示浦发银行）
weights: 各股票权重，默认为等权重
investment_value: 投资组合总价值（元）
simulation_days: 模拟的天数
num_simulations: 蒙特卡洛模拟次数
confidence_level: VaR计算的置信水平
"""
self.stock_tickers = stock_tickers
self.num_stocks = len(stock_tickers)
# 处理权重
if weights is None:
self.weights = np.ones(self.num_stocks) / self.num_stocks
else:
self.weights = np.array(weights)
# 归一化权重
self.weights = self.weights / np.sum(self.weights)
self.investment_value = investment_value
self.simulation_days = simulation_days
self.num_simulations = num_simulations
self.confidence_level = confidence_level
self.stock_data = None
self.returns = None
self.mean_returns = None
self.cov_matrix = None
self.simulation_results = None
def fetch_stock_data(self, start_date=None, end_date=None):
"""使用akshare获取股票历史数据"""
if end_date is None:
end_date = datetime.now().strftime('%Y%m%d')
if start_date is None:
end_date_obj = datetime.strptime(end_date, '%Y%m%d')
start_date_obj = end_date_obj - timedelta(days=365)
start_date = start_date_obj.strftime('%Y%m%d')
print(f"正在获取{self.stock_tickers}的历史数据，时间范围：{start_date}至{end_date}")
all_data = pd.DataFrame()
for ticker in self.stock_tickers:
try:
# 使用akshare获取股票日线数据
stock_data = ak.stock_zh_a_hist_tx(symbol=ticker,
start_date=start_date, end_date=end_date,
adjust="") # 使用前复权价格
'''
在使用 akshare 获取 A 股历史行情数据时，可以通过设置adjust参数来获取除权后数据。这个参数支持三种取值：
"qfq"：前复权（最常用，保持当前价格不变，调整历史价格）
"hfq"：后复权（保持历史价格不变，调整当前价格）
""：不复权（原始价格）
'''
# 重命名列并添加股票代码
stock_data = stock_data.rename(columns={'日期': 'date', '收盘': 'close'})
stock_data['ticker'] = ticker
stock_data = stock_data[['date', 'ticker', 'close']]
# 转换日期格式
stock_data['date'] = pd.to_datetime(stock_data['date'])
# 添加到总数据中
if all_data.empty:
all_data = stock_data
else:
all_data = pd.concat([all_data, stock_data], ignore_index=True)
print(f"成功获取{ticker}的{len(stock_data)}天数据")
except Exception as e:
print(f"获取{ticker}数据失败: {e}")
# 重塑数据为宽格式
self.stock_data = all_data.pivot(index='date', columns='ticker', values='close')
# 检查数据完整性
if self.stock_data.isnull().any().any():
print("警告：数据包含缺失值，正在进行前向填充")
self.stock_data = self.stock_data.fillna(method='ffill')
# 打印最后一天的股票价格（确认是否合理）
print("最后一天股票价格:")
print(var_calculator.stock_data.iloc[-1])
print(f"数据处理完成，最终数据集包含{len(self.stock_data)}天数据")
# 验证价格合理性（示例：假设A股价格通常<500元）
if (self.stock_data > 500).any().any():
print("警告：检测到异常高价，可能数据单位错误，尝试除以10000")
self.stock_data = self.stock_data / 10000 # 假设单位为"万元"
print(f"**修正后最后一天价格: {self.stock_data.iloc[-1]}")
return self.stock_data
def calculate_returns(self):
"""计算股票收益率"""
if self.stock_data is None:
raise ValueError("请先获取股票数据")
# 计算对数收益率
self.returns = np.log(self.stock_data / self.stock_data.shift(1)).dropna()
# 新增：打印收益率极值（正常应在±10%以内）
print("收益率极值检测:")
print(f"最小日收益率: {self.returns.min().min():.2%}")
print(f"最大日收益率: {self.returns.max().max():.2%}")
# 计算均值和协方差矩阵
self.mean_returns = self.returns.mean()
self.cov_matrix = self.returns.cov()
return self.returns
def run_monte_carlo_simulation(self):
"""运行蒙特卡洛模拟"""
if self.returns is None:
raise ValueError("请先计算收益率")
print(f"正在运行蒙特卡洛模拟，模拟次数：{self.num_simulations}，预测天数：{self.simulation_days}")
# 计算日均值和协方差矩阵
daily_mean = self.mean_returns
daily_cov = self.cov_matrix
# 调整portfolio_sims的维度顺序为 [股票数, 模拟次数, 天数]
portfolio_sims = np.full(shape=(self.num_stocks, self.num_simulations, self.simulation_days),
fill_value=0.0)
initial_prices = self.stock_data.iloc[-1].values # 使用最后一天的价格作为初始价格
for s in range(self.num_simulations):
# 生成相关的随机收益率
daily_returns = np.random.multivariate_normal(
daily_mean,
daily_cov,
self.simulation_days
).T # [股票数, 天数]
# 计算累积收益率（注意：这里使用指数函数将对数收益率转换回价格比率）
cumulative_returns = np.exp(np.cumsum(daily_returns, axis=1))
# 计算模拟价格路径
portfolio_sims[:, s, :] = initial_prices.reshape(-1, 1) * cumulative_returns
self.simulation_results = portfolio_sims
return portfolio_sims
def calculate_portfolio_var(self):
"""计算投资组合的VaR"""
if self.simulation_results is None:
raise ValueError("请先运行蒙特卡洛模拟")
# 计算模拟结束时的投资组合价值
final_values = np.zeros(self.num_simulations)
for s in range(self.num_simulations):
# 获取所有股票在最后一天的价格 [num_stocks]
stock_values = self.simulation_results[:, s, -1]
# 计算每只股票的价值 = 权重 * 初始投资 * 模拟价格/初始价格
portfolio_value = np.sum(self.weights * self.investment_value * stock_values /
self.stock_data.iloc[-1].values)
final_values[s] = portfolio_value
# 计算投资组合价值变化
portfolio_changes = final_values - self.investment_value
# 计算VaR
var_percentile = 100 * (1 - self.confidence_level)
var = -np.percentile(portfolio_changes, var_percentile)
# 计算CVaR (条件VaR)
cvar_mask = portfolio_changes <= -var
cvar = -np.mean(portfolio_changes[cvar_mask]) if np.sum(cvar_mask) > 0 else 0
# 新增：打印模拟结果统计
print("\n模拟结果统计:")
print(f"初始投资组合价值: {self.investment_value:,}元")
print(f"模拟后组合价值范围: 最小值={np.min(final_values):,.2f}元, 最大值={np.max(final_values):,.2f}元")
print(f"组合价值变化范围: 最小值={np.min(portfolio_changes):,.2f}元, 最大值={np.max(portfolio_changes):,.2f}元")
return {
'VaR': var,
'CVaR': cvar,
'VaR_percentage': var / self.investment_value * 100,
'CVaR_percentage': cvar / self.investment_value * 100,
'portfolio_changes': portfolio_changes,
'final_values': final_values
}
def plot_simulation_results(self, var_results):
"""可视化模拟结果"""
plt.figure(figsize=(16, 10))
# 1. 绘制模拟价格路径 - 修正维度顺序
plt.subplot(2, 2, 1)
for i, ticker in enumerate(self.stock_tickers):
plt.plot(self.simulation_results[i, :, :].T, alpha=0.1) # 转置以正确显示时间轴
plt.title(f"{ticker} 价格模拟路径")
plt.xlabel("天数")
plt.ylabel("价格 (元)")
# 2. 绘制投资组合价值分布
plt.subplot(2, 2, 2)
sns.histplot(var_results['final_values'], bins=50, kde=True)
plt.axvline(x=self.investment_value, color='r', linestyle='--', label='初始价值')
plt.axvline(x=self.investment_value - var_results['VaR'], color='g', linestyle='--', label=f'VaR@{self.confidence_level}')
plt.title('投资组合价值分布')
plt.xlabel('组合价值 (元)')
plt.ylabel('频率')
plt.legend()
# 3. 绘制投资组合收益分布
plt.subplot(2, 2, 3)
sns.histplot(var_results['portfolio_changes'], bins=50, kde=True)
var_percentile = 100 * (1 - self.confidence_level)
var_value = -var_results['VaR']
plt.axvline(x=0, color='r', linestyle='--', label='无收益')
plt.axvline(x=var_value, color='g', linestyle='--', label=f'VaR@{self.confidence_level}')
plt.title('投资组合收益分布')
plt.xlabel('收益 (元)')
plt.ylabel('频率')
plt.legend()
# 4. 绘制风险因子热图
plt.subplot(2, 2, 4)
sns.heatmap(self.cov_matrix, annot=True, cmap='coolwarm', fmt='g')
plt.title('股票收益率协方差矩阵')
plt.tight_layout()
plt.show()
def calculate_risk_contribution(self, var_results):
"""计算各股票对投资组合风险的贡献"""
if self.simulation_results is None:
raise ValueError("请先运行蒙特卡洛模拟")
# 计算每只股票的VaR贡献
risk_contributions = {}
for i, ticker in enumerate(self.stock_tickers):
# 计算该股票的权重和波动率
weight = self.weights[i]
volatility = np.sqrt(self.cov_matrix.iloc[i, i])
# 计算边际VaR (假设正态分布)
portfolio_volatility = np.sqrt(np.dot(self.weights, np.dot(self.cov_matrix, self.weights)))
marginal_var = (weight * volatility * self.cov_matrix.iloc[i, :].dot(self.weights)) / (portfolio_volatility ** 2)
# 计算成分VaR
component_var = marginal_var * var_results['VaR']
# 计算百分比贡献
pct_contribution = (component_var / var_results['VaR']) * 100
risk_contributions[ticker] = {
'weight': weight,
'volatility': volatility,
'marginal_var': marginal_var,
'component_var': component_var,
'pct_contribution': pct_contribution
}
return risk_contributions
# 使用示例
if __name__ == "__main__":
# 设置要分析的股票代码（使用akshare格式）
#stock_tickers = ['sh600000', 'sz000001', 'sh601318', 'sz000858', 'sh600519'] # 浦发银行、平安银行、中国平安、五粮液、贵州茅台
stock_tickers = ['sh600938', f'sz000937', 'sh601288', 'sz002555', f'sz000538'] # 浦发银行、平安银行、中国平安、五粮液、贵州茅台
# 设置权重（如果不设置，默认为等权重）
#weights = [0.2, 0.2, 0.2, 0.2, 0.2]
weights = [0.4,0.2,0.2,0.1,0.1]
'''
股票 代码 持仓 持股比例
中国海油 600938 ¥89,775.00 0.399
农业银行 601288 ¥48,276.00 0.215
云南白药 000538 ¥34,020.00 0.151
冀中能源 000937 ¥52,806.00 0.235
三七互娱 002555 ¥14,650.00 0.065
'''
# 初始化计算器
var_calculator = StockVaRCalculator(
stock_tickers=stock_tickers,
weights=weights,
investment_value=1000000, # 100万元投资组合
simulation_days=10, # 预测10天
num_simulations=10000, # 10000次模拟
confidence_level=0.99 # 99%置信水平
)
# 获取数据
var_calculator.fetch_stock_data()
# 计算收益率
var_calculator.calculate_returns()
# 运行蒙特卡洛模拟
var_calculator.run_monte_carlo_simulation()
# 计算VaR
var_results = var_calculator.calculate_portfolio_var()
# 计算风险贡献
risk_contributions = var_calculator.calculate_risk_contribution(var_results)
# 打印收益率统计特征（正常A股日收益率均值约0.03%，标准差约2%）
print("收益率统计:")
print(var_calculator.returns.describe())
# 打印结果
print("\n===== 风险价值计算结果 =====")
print(f"投资组合总价值: {var_calculator.investment_value:,}元")
print(f"{var_calculator.simulation_days}天持有期，{var_calculator.confidence_level*100}%置信水平下:")
print(f"VaR: {var_results['VaR']:,.2f}元 ({var_results['VaR_percentage']:.2f}%)")
print(f"CVaR: {var_results['CVaR']:,.2f}元 ({var_results['CVaR_percentage']:.2f}%)")
print("\n===== 各股票风险贡献 =====")
for ticker, contrib in risk_contributions.items():
print(f"{ticker}: 权重={contrib['weight']:.2%}, 风险贡献={contrib['pct_contribution']:.2f}%")
# 可视化结果
var_calculator.plot_simulation_results(var_results)
'''
成功获取sh600938的243天数据
成功获取sz000937的243天数据
成功获取sh601288的243天数据
成功获取sz002555的243天数据
成功获取sz000538的243天数据
最后一天股票价格:
ticker
sh600938 25.79
sh601288 5.53
sz000538 56.48
sz000937 6.70
sz002555 14.67
Name: 2025-05-30 00:00:00, dtype: float64
数据处理完成，最终数据集包含243天数据
收益率极值检测:
最小日收益率: -10.46%
最大日收益率: 9.55%
正在运行蒙特卡洛模拟，模拟次数：10000，预测天数：10
模拟结果统计:
初始投资组合价值: 1,000,000元
模拟后组合价值范围: 最小值=855,834.29元, 最大值=1,143,978.61元
组合价值变化范围: 最小值=-144,165.71元, 最大值=143,978.61元
收益率统计:
ticker sh600938 sh601288 sz000538 sz000937 sz002555
count 242.000000 242.000000 242.000000 242.000000 242.000000
mean -0.000572 0.000954 0.000252 -0.000769 0.000091
std 0.019611 0.013706 0.013784 0.018998 0.025516
min -0.100268 -0.047677 -0.076738 -0.086876 -0.104602
25% -0.009177 -0.007230 -0.006349 -0.009977 -0.015922
50% 0.000350 0.002075 0.000086 -0.001723 -0.000382
75% 0.008776 0.008864 0.006127 0.008332 0.013346
max 0.078906 0.040574 0.077164 0.074801 0.095478
===== 风险价值计算结果 =====
投资组合总价值: 1,000,000元
10天持有期，99.0%置信水平下:
VaR: 87,123.09元 (8.71%)
CVaR: 99,360.77元 (9.94%)
===== 各股票风险贡献 =====
sh600938: 权重=40.00%, 风险贡献=1.08%
sz000937: 权重=20.00%, 风险贡献=0.14%
sh601288: 权重=20.00%, 风险贡献=0.20%
sz002555: 权重=10.00%, 风险贡献=0.20%
sz000538: 权重=10.00%, 风险贡献=0.24%
'''