利用tushare实现比较VaR方法和ES方法的优劣

import tushare as ts
import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
import math
from math import sqrt, exp, pi, log, pow

        通过tushare可以较快的获取很长一段时间的指数历史数据（tushare详细使用方法可点击此处了解，我的tushareid为452803），这里我们获取的近似为5*250天也就是5年的历史数据，并将数据倒序后合并为了一个表格。

pro = ts.pro_api()
SZ180 = list(pro.index_daily(ts_code='000010.SH',start_date='20160420')['close'])
ZZ500 = list(pro.index_daily(ts_code='000905.SH',start_date='20160420')['close'])
HS300 = list(pro.index_daily(ts_code='000300.SH',start_date='20160420')['close'])
SZ50 = list(pro.index_daily(ts_code='000016.SH',start_date='20160420')['close'])
SZCZ = list(pro.index_daily(ts_code='399001.SZ',start_date='20160420')['close'])
date = list(pro.index_daily(ts_code='399001.SZ',start_date='20160420')['trade_date'])
date.reverse()
SZ180.reverse()
ZZ500.reverse()
HS300.reverse()
SZ50.reverse()
SZCZ.reverse()
rawdata = pd.Dataframe(np.array([SZCZ, SZ180, ZZ500, HS300, SZ50]).T, columns = ['深圳成指', '上证180', '中证500', '沪深300', '上证50'], index = date)

        在我们自己设定好几个股票指数各自的权重之后，利用tushare得到的历史数据我们可以计算历史收益率数据，然后就能轻松的计算得到VaR序列和ES序列了，采取的两种主要方法分别是历史模拟法和正态假设法，前者是利用历史数据寻找分位点，后者则是在正态假设下利用历史数据的均值和方差进行计算。

        先根据VaR和ES的定义，我们定义两个简单函数来寻找一个历史数据列的VaR和ES：

def findVaR(loss):
    loss.sort(reverse = True)
    return loss[4]

def findES(loss):
    loss.sort(reverse = True)
    return (loss[0] + loss[1] + loss[2] + loss[3])/4

        然后历史法代码如下：

def Historymethod(j, weight):
    loss = []
    condition = [[], [], [], [], []]
    sumVaR = 0
    sumES = 0
    VaR = findVaR(porloss[j:j + 500])
    ES = findES(porloss[j:j + 500])
    for k in range(5):
        sumVaR += findVaR(rawloss[k][j: j+500])
        sumES += findES(rawloss[k][j: j+500])
    VaRratio = (sumVaR - VaR)/sumVaR
    ESratio = (sumES - ES)/sumES
    return (VaR, ES, VaRratio, ESratio)

        正态模型法代码如下：

#计算列表协方差
def cov(list1, list2):
    l1 = pd.Series(list1)
    l2 = pd.Series(list2)
    return l1.cov(l2)

#获得收益率序列
def yieldrate(rawlist):
    return np.diff(rawlist)/rawlist[:-1]

def Modelmethod(j, weight):
    sigmasq = 0
    usedata = [[], [], [], [], []]
    usedata[0] = yieldrate(SZCZ[j:j + 501])
    usedata[1] = yieldrate(SZ180[j:j + 501])
    usedata[2] = yieldrate(ZZ500[j:j + 501])
    usedata[3] = yieldrate(HS300[j:j + 501])
    usedata[4] = yieldrate(SZ50[j:j + 501])
    for i in range(5):
        for k in range(5):
            sigmasq += weight[k] * weight[i] * cov(usedata[k], usedata[i])
    VaR = 2.326 * sqrt(sigmasq)
    ES = sqrt(sigmasq) * exp( -2.326 * 2.326 / 2) * 100 /sqrt(2 * pi) 
    return (VaR, ES)

        整体而言，无论是1DayVaR或者是10DayVaR，利用历史数据法以及极值分布方法得到的结果都是相对可靠的，而模型构建法(无论是否利用波动率修正)的表现并不是很好。这也说明利用指数的对数收益率并不符合正态分布，或者说正态分布难以拟合指数的收益率数据。

        总的来说，整体方法的运用并不困难，一开始难住我的是数据来源的获取，tushare很好的帮我解决了这一问题！