2023-03-19 06:05:20 来源 : 生财之路
引言
卡玛比率(Calmar Ratio) 与夏普比率类似，本来是用来衡量基金业绩表现的指标，描述的是收益和最大回撤之间的关系。计算方式比较简单，为年化收益率与历史最大回撤之间的比率。Calmar比率数值越大，基金的业绩表现越好；反之，基金的业绩表现越差。和夏普比率不同的是，卡玛比率是用最大回撤衡量风险，用年化收益率衡量收益。相比标准差，最大回撤能更准确地衡量基金的风险，尤其控制回撤的能力，因此这个指标又被称为夏普比率的“进阶版”。下面基于沪深京A股数据，使用区间（如20、60、120、200日）收益率和区间最大回撤的比值来衡量Calmar比率，根据结果进行排序，筛选区间强势股。以下选股标的仅供学习参考，不构成任何投资建议，交易有风险，投资需谨慎。
数据获取
(相关资料图)
下面使用公众号开发的qstock包获取A股市场全部个股的收盘价作为分析样本，qstock基于多线程优点是获取数据非常快，缺点是某些线程可能卡死导致某些个股获取数据失败。大家也可以使用akshare接口替代。
import qstock as qsimport pandas as pd#获取沪深全市场A股代码codes=qs.get_code()#获取沪深全市场A股2020年以来后复权价格数据#剔除观察值不足250交易日个股#当网络不太稳定时，可能获取不到全部数据或报错prices=qs.get_price(code_list=codes,start="20210101",fqt=2)[-250:].dropna(axis=1)
运行结果：84%|███████████████████████ | 4283/5116 [01:17<00:15, 55.30it/s]
prices.tail()
由于网络或其他原因，使用多线程只获取了4283只个股收盘价数据（占比84%），剔除观测值少于250的样本只剩3626只个股。如果想获取全部A股数据，可以使用akshare接口，但时间比较长，约30分钟左右，具体看get_price2函数。
#如果无法获取全部A股数据，可以使用akshare接口，但时间比较长，约30分钟左右from tqdm import tqdmimport akshare as akdef get_price2(code_list, start="20210101", end="20230207", freq="d", fqt=1):"""code_list输入股票list列表如code_list=["中国平安","贵州茅台","工业富联"]def run(code):try:temp = ak.stock_zh_a_hist(symbol="300114", period="daily", start_date=start, end_date=end, adjust="hfq")temp[str(code)]=temp["收盘"]data_list.append(temp[str(code)])pbar.update()except:passdata_list = []for code in tqdm(code_list):try:run(code)except:continue# 转换为dataframedf = pd.concat(data_list, axis=1)return df#使用akshare接口获取全部收盘价数据#prices2=get_price2(codes)
Calmar比率计算与探索性分析
先以250个交易日为区间考察一下截面价格动量（期间累计收益率）与风险（期间最大回撤）的统计分布特点和相关关系。
#计算kama比率：即期间收益率除以最大回撤def calmar(s):ret=(s/s.iloc[0]-1).iloc[-1]drawdown=(1-s/s.cummax()).max()kama=ret/drawdownreturn kamadata=prices[-250:].dropna(axis=1)rets=data.apply(lambda s:(s/s[0]-1)[-1])drawdowns=data.apply(lambda s:(1-s/s.cummax()).max())calmars=data.apply(lambda s:calmar(s))calmar_df=pd.concat([rets.to_frame("rets"),drawdowns.to_frame("drawdowns"),calmars.to_frame("calmars")],axis=1)#注意，这里东方财富数据端口存在一些问题，招商南油后复权价格存在负数，剔除出样本calmar_df=calmar_df[-(calmar_df["drawdowns"]>=1)]calmar_df.describe()
过去250个交易日，3625个样本里，收益率中位数为-6%，75%分位数为8.8%，最大值253%，最小值为-58.9%，呈现“二八法则”现象，赚钱的个股占少数。最大回撤最大为67.9%，意味着你买入某只股票一直持有250个交易日，最大可能亏损67.9%，最小亏损是3.08%。下面一起来看下哪些个股近一年的最大回撤在10%以内。基本上都是些银行股、还有高速公路等大盘股，这些个股最大回撤低，期间收益率自然也高不起来，毕竟要获得高的收益就得承受一定的高风险。正如佛说，“要想享受鱼肉的鲜美，就得接受鱼刺的纠缠。”
calmar_df[calmar_df["drawdowns"]<0.10]
箱线图显示，Calmars比率有较多离群值，主要是因为当最大回撤很小时，计算得到的比值会比较大。
qs.box(calmar_df)
以区间累计收益率为y轴，最大回撤为x轴，可以看出二者并非简单的线性关系，收益率越高，一般最大回撤也越高，但最大回撤越高的时候，可能收益率越低。由此可见，要想获得高收益需要承担一定的高风险，但是承担高风险不必然带来高收益。所以遇到亏损死扛并非是一个好的投资决策。
qs.scatter(x="drawdowns",y="rets",data=calmar_df)
以区间累计收益率为y轴，Calmars为x轴，二者呈现出正向关系（这是因为计算Calmars比率时收益率为分子）。因此使用Calmar比率可以一定程度上筛选出某期间的强势股，当然该指标也有局限性，尤其是当期间最大回撤很小时，得到的比率比较大，但不代表该股价格上很强势。
qs.scatter(x="calmars",y="rets",data=calmar_df)
个股Calmars指标排名
下面以20、60、120、200日区间为例，计算A股的Calmars比率并排序筛选收益率高回撤小的强势个股，这里相当于假设基金买入持有某只个股，然后对该基金的业绩进行评价。
#计算多个期间序列的kama比率并排序def stock_calmar(data,w_list=[20,60,120,200]):df=data.copy()result=pd.DataFrame()for w in w_list:temp=df[-w:].dropna(axis=1).apply(lambda s:calmar(s))result[str(w)+"日"]=temp.sort_values(ascending=False)[:50].indexreturn resultresult=stock_calmar(prices)result
榜上名单大都是近期涨势较好的强势股，根据动量交易策略（强者恒强），再结合个股基本面，可以构建投资组合。
结果可视化
下面使用qstock的可视化模块对部分结果进行可视化展示。
qs.kline(qs.get_data("世运电路")[-20:])
qs.kline(qs.get_data("奥联电子")[-60:])
qs.kline(qs.get_data("惠城环保")[-120:])
qs.kline(qs.get_data("招商南油")[-200:])
# 强势股云图w_data=qs.ret_top_list(result)qs.chart_wordcloud(w_data,title=None)
