贝塔值（beta）的线性回归方法实践#

前言#

在巴菲特都不用beta值，你还用？!中介绍了多种beta值的计算方法，但这些计算方法还是比较偏向于理论而非实际应用。 本文将利用Python和Tushare的股票日线数据来计算线性回归的贝塔值（beta）。 因为这里涉及到Python编程工具的使用，在运行使用的过程中需要一些编程的基础。

线性回归(Linear Regression)#

首先，我们先来分析一下公式的组成部分。贝塔值（beta）等于大市和股票之间的协方差除以大市的方差。 那格力电器（000651）和上证指数（000001）为例：

  1. 我们首先调用Tushare的API 获取股票数据；

  2. 再通过python计算出其股票价格每日的百分比变化；

  3. 利用python中的numpy库计算协方差和方差值；

  4. 最后计算贝塔值（beta）。

调用Tushare的API 获取股票数据#

import tushare as ts
import pandas as pd

pro = ts.pro_api('xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx') #这里需要填写你注册好的Tushare的TOKEN凭证

因为获取股票数据和大盘指数的接口并不相同，所以要分开来获取：

#先建立一个字典，用来存储股票、指数对应的价格
all_data = {}

#获取大盘5年的日线数据
all_data['000001'] = pro.index_daily(ts_code='000001.SH', start_date='20170101', end_date='20190110')
#获取个股5年的日线数据
all_data['000651'] = pro.daily(ts_code='000651.SZ', start_date='20170101', end_date='20190110')

计算日线数据百分比变化#

#用for循环提取股票、大盘的收盘价格并转换为dataframe的形式
price = pd.DataFrame({tic: data['close']
                    for tic, data in all_data.items()})
#计算股票价格每日变化
returns = price.pct_change()[1:]

到目前为止，我们已经成功获取了个股和大盘的每日收盘价格并计算其百分比。

计算协方差和方差值#

import numpy as np

m = returns['000001.SH'] #指数数据
s = returns['000651.SZ'] #个股数据

covariance = np.cov(s,m)[0][1]  # 计算两者的协方差
variance = np.var(m) # 计算指数的方差

计算贝塔值（beta）#

beta = covariance / variance
print(beta)

完整代码#

import tushare as ts
import pandas as pd
import numpy as np

pro = ts.pro_api('xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx') #这里需要填写你注册好的Tushare的TOKEN凭证

all_data = {}
all_data['000001'] = pro.index_daily(ts_code='000001.SH', start_date='20140101', end_date='20190110')
all_data['000651'] = pro.daily(ts_code='000651.SZ', start_date='20140101', end_date='20190110')

price = pd.DataFrame({tic: data['close']
                    for tic, data in all_data.items()})
returns = price.pct_change()[1:]

m = returns['000001'] #指数数据
s = returns['000651'] #个股数据

covariance = np.cov(s,m)[0][1]  # 计算两者的协方差
variance = np.var(m) # 计算指数的方差
beta = covariance / variance
print('beta值为：',beta)

结果#

上图为最终的运行效果，我们通过线性回归的方法得出贝塔值（beta）为1.1075675