分类
最佳红利优惠线交易平台

常见的金融分析方法

PLUS会员专享价 现在开通PLUS会员享限时特惠 >>

马骏、孙天印:气候转型风险和物理风险的分析方法和应用——以煤电和按揭贷款为例

在应对气候变化的经济转型过程中,政府采取的应对措施可能会对一些企业(尤其是能源、交通、制造和建筑行业的企业)产生重大影响。这些企业所受的影响最终会传导给与之有资金往来的金融机构。同理,如果气候变化导致的自然灾害越来越频繁,破坏力越来越大,位于气候灾害集中地区的企业的资产和运营就会受到影响,进而增加与之关联的金融机构的风险。根据英国智库Economist Intelligence Unit (EIU)、英格兰央行以及贝莱德(BlackRock)等机构的估算,在不同情景下,气候物理风险所导致的经济和金融损失可能高达数千亿、数万亿乃至数十万亿美元(EIU 2015, 常见的金融分析方法 PRA Bank of England 常见的金融分析方法 2015, BlackRock 2019)。

为了更好地预估由于气候因素导致的潜在损失,防范和化解其对金融稳定的影响,近年来,国际社会开始呼吁金融机构在进行投资决策时应该把气候因素导致的相关风险纳入考虑范围。在这个领域,二十国集团(G20)绿色金融研究小组(G20 GFSG 2017)、央行和监管机构绿色金融网络(NGFS)和气候相关财务信息披露工作组(TCFD)是最有影响力的组织。特别是在近期,NGFS发布了一系列与气候风险相关的报告。2019年4月,NGFS发布了第一份综合报告《A Call for Action-Climate Change as a Source of Financial Risk》,明确指出了气候变化已经成为金融风险的重要来源。2020年5月,NGFS发布了《面向监管者的将气候和环境相关风险纳入审慎监管的指南》(Guide for Supervisors - Integrating Climate-Related and Environmental Risks Into Prudential Supervision),号召监管机构将气候和环境相关风险纳入审慎监管的考量,并提供了一些具体的做法和建议。2020年6月,NGFS发布了《面向央行和监管机构的气候情景分析指南》(Guide to Climate Scenario Analysis for Central Banks and Supervisors),为央行和监管机构提供了较详细的气候风险情景分析的方法学参考。2020年9月,NGFS即将发布《金融机构环境风险分析综述》(Overview of Environmental Risk Analysis by Financial Institutions)和《金融机构环境风险分析案例集》(Case Studies of Environmental Risk Analysis Methodologies)两份重量级的报告,展示全球金融业在环境风险分析领域方法学开发和应用方面的最新进展。

气候风险分析的方法学研究进展

联合国环境规划署金融倡议组织(UNEP FI)联合奥纬咨询公司(Oliver Wyman)开发了一种转型风险分析模型,被16家国际银行尝试用来分析它们面临的转型风险。部分银行分析的结果显示,到2040年在2度情景下,这些银行给公用事业贷款的违约率可能比基准情景(假设没有应对气候变化的措施)高2.3到2.4倍。英国剑桥大学也开发了一套分析模型,用来评估转型因素影响下的资产减值。他们对德国燃气管道基础设施的分析得出,在2度情景下,燃气管道公司的估值可能比基准情况下低70%。

气候风险分析方法和应用

气候转型风险分析方法和应用案例

如图1所示,气候转型风险模型包括5个模块(步骤)。第一步是设置气候情景。气候情景的设置是风险分析的前提,金融机构在不同气候情景下面临的风险大小的差异,正是气候风险的体现。情景设置一般会包括一个基准情景和若干个转型情景。基准情景是指无额外因素干扰的对照参考情景。对于煤电案例而言,在该情景下,假设煤电需求不会下降、不会引入碳交易和碳税机制、新能源发电成本的下降不会影响煤电的售价以及煤电项目的融资成本不会上升。换句话说,不考虑气候相关的能源转型,煤电企业会按照现有既定的趋势发展。转型情景一般以《巴黎协定》为导向,以全球或各个国家设定的减排目标为基准,假设实现控制全球2度或1.5度温升的碳排放路径目标或是国家自主减排目标(Nationally Determined Contributions,简称NDCs)的气候情景。第二步是评估行业和宏观经济影响。这一步基于上述气候情景,利用宏观经济计量模型或综合评价模型来评估在基准和转型情景下行业特别是高碳行业和宏观经济指标的发展变化。第三步是分析对微观企业的财务影响。这一步把行业和宏观经济层面的影响转化为微观企业受到的影响。具体而言,这些影响体现在财务报表上的各种财务指标的变化上。第四步是评估金融机构的风险。标的企业的财务指标发生变化之后会影响其金融风险的指标,包括贷款违约率和估值等,进而影响与其有金融业务往来的金融机构的风险。第五步是分析系统性金融风险的影响。单个金融机构风险指标的变化会传导转化成系统性监管指标的变化,这些监管指标包括银行业的核心资本充足率(CET1-ratio)、保险行业的偿付能力充足率(Solvency ratio)和养老金的备付金比率(Coverage ratio)等,是监管机构衡量金融子行业以及金融业整体稳健程度的重要参考。

气候物理风险分析方法和应用案例

我们所做的物理风险分析的总体思路是:用灾害损失估算模型预测在未来气候变化情景下,台风灾害加剧对房产价值和居民收入造成的减损,然后用违约率模型来计算房产价值减损、居民收入下降等因素导致的按揭违约率上升的幅度。如图3所示,黑色实线部分是基准情景下的按揭贷款违约率,本文假设这个数值未来保持不变。实线是极端加剧效应情景下的违约率。虚线代表中度和轻度的气候变化加剧效应下的灾害情景。此外,我们把三种气候加剧效应与气候变化的两种发展路径相结合得出六种组合的情景,再基于这六种情景分别进行分析。从结果来看,在极端情景下(考虑IPCC RCP8.5排放路径以及气候变化的极端加剧效应)(棕色线),到2050年房贷违约率相比基准情景可能上升2.5倍;即使在中度情景下(考虑IPCC RCP8.5排放路径,气候变化的中度加剧效应;或考虑IPCC RCP6.0排放路径,气候变化的极端加剧效应)(蓝色实线和绿色虚线),违约率也会比基准情景高一倍以上。

总结

本文刊发于《清华金融评论》2020年9月刊,2020年9月5日出刊,编辑:秦婷

Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.

【譯】Python 金融:演算法交易 (2)常見的金融分析方法

摘要: 本文翻譯自2018年最熱門的Python金融教程 Python For Finance: Algorithmic Trading 。 本教程由以下五部分內容構成: Python金融入門 常見的金融分析方法 簡單的動量策略開發 回溯測試策略 評.

簡單的 每日百分比變化 不考慮紅利和其他因素,而是指在一天的交易中股票價值變化的百分比。每日百分比變化的計算很簡單,只需使用 Pandas 包中的 pct_change() 函式。

很好,你知道了如何計算每日百分比變化,但如果想要知道月度或季度的收益率,該怎麼辦呢?在這種情況下,讓我們回顧本教程第一部分中介紹的 resample() 函式。

使用 pct_change() 相當方便,但也讓人困惑到底每日的百分比是如何計算的。這也是為什麼人們會使用 Pandas 的 shift() 函式來代替 pct_change() 。用 daily_close 除以 常见的金融分析方法 daily_close.shift(1) ,然後再減 1 ,就得到了每日百分比變化。然而,使用這一函式會使計算得到的資料框的開頭存在缺失值 NA 。

提示:在IPython控制檯中嘗試使用 Pandas 的 shift() 函式計算每日對數收益率。(如果你找不到答案,試一下這行程式碼: daily_log_returns_shift = np.log(daily_close / daily_close.shift(1)) )。

做為參考,每日百分比變化的計算公式為: ,其中 是價格, 是時間(這裡是天), 是收益率。

此外,讓我們來繪製每日百分比變化 daily_pct_change 的分佈。

以上分佈看起來非常對稱且像中心在0.00附近的正態分佈。儘管如此,你還是需要對 daily_pct_change 使用 describe() 函式,以確保正確解讀了直方圖。從統計摘要的結果中知道,其均值非常接近0.00,標準差是0.02。同時,檢視百分位數,瞭解有多少資料點落在-0.010672, 0.001677 和 0.014306之間。

累積日收益率有助於定期確定投資價值。可以使用每日百分比變化的數值來計算累積日收益率,只需將其加上 1 並計算累積的乘積。

注意仍舊可以使用 Matplotlib 快速繪製 cum_daily_return 的曲線;只需對其加上 plot() 函式即可,可選擇使用引數 figsize 設定圖片大小。

非常簡單,不是嗎?現在,如果你不想使用日回報率,而是用月回報率,那麼對 cum_daily_return 使用 resample() 函式就可輕鬆實現月度水平的統計:

讓我們開始吧!首先從雅虎財經中獲取更多的資料。通過建立一個 get() 函式可以輕鬆地實現這一點。該函式將股票程式碼列表 tickers 以及開始和結束日期作為輸入引數。第二個函式 data() 將 ticker 作為輸入,用於獲取 startdate 和 enddate 日期之間的股票資料並將其返回。將 tickers 列表中的元素通過 map() 函式對映,獲取所有股票的資料並將它們合併在一個數據框中。

以下程式碼獲取了 Apple、Microsoft、IBM 和 Google 的股票資料,並將它們合併在一個大的資料框中。

注意這一程式碼源自 “常见的金融分析方法 Mastering Pandas for Finance” 一書,並且在本教程中根據新的標準進行了升級。還是要注意,因為開發人員仍在研究從雅虎財經API中獲取資料的更持久的修復方案,你可能還是需要匯入 fix_yahoo_finance 包。可以從 此處 找到安裝說明或者檢視這篇教程的 Jupyter notebook 。

另一類有用的圖是散點矩陣圖。使用 pandas 庫能夠輕易實現它。在程式碼中加入 scatter_matrix() 函式就可以繪製散點矩陣圖。將 daily_pct_change 作為引數傳遞給該函式,在對角線上使用核密度估計(KDE)做圖。另外,使用 alpha 引數設定透明度, figsize 引數設定圖片大小。

注意如果你在本地執行程式碼,可能需要使用 plotting 模組來繪製散點矩陣圖(例如 pd.plotting.scatter_matrix() )。而且,最好要知道核密度估計圖估算了隨機變數的概率密度函式。

在Pandas中有許多函式都可以計算移動視窗,比如 rolling_mean() 、 rolling_std() …… 在 這裡 檢視這些函式。

然而,注意這些函式大多數將被棄用,所以最好將 rolling() 函式和 mean() 常见的金融分析方法 、 std() …… 結合使用,當然也依賴於實際要計算的移動視窗的種類。

提示:在IPython控制檯中嘗試Pandas包中其他標準的移動視窗函式,比如 rolling_max() 、 rolling_var() 或者 rolling_median() 。注意也可以結合使用 rolling() 和 max() 常见的金融分析方法 、 var() 或 median() 常见的金融分析方法 來得到相同的結果。

當然,你可能沒能真正理解這一切。也許使用 Matplotlib 做一幅簡單的圖,可以幫助你理解移動平均值及其實際的含義:

波動率計算

對數收益率的歷史移動標準差,也就是歷史移動波動率,可能更令人感興趣。也可以使用 pd.rolling_std(data, window=x) * math.sqrt(window) 來計算。

注意視窗的大小能夠改變整體的結果:如果擴大視窗(也就是讓 min_periods 變大),結果將變得不那麼有代表性。如果縮小視窗,結果將更接近於標準差。

普通最小二乘迴歸

要做到這一點,你必須使用 statsmodels 庫,它不僅提供了用於估算多種統計模型的類和函式,還能讓你進行統計檢驗以及統計的資料探索。

注意你確實可以使用Pandas實現OLS迴歸,但是在將來的版本中其 ols 模組將被棄用。所以最明智的做法是使用 statsmodels 包。

注意在合併 AAPL 和 MSFT 收益率資料時,使用了 [1:] 切片,這樣就沒有缺失值來擾亂你的模型了。

Dep. Variable 指出哪個變數是模型的響應。

Model 是擬閤中使用的模型,在本案例中是 OLS 。

另外, Method 指出模型引數是如何被計算的。在本案例中被設定為 Least Squares 。

觀測量的數目( No. Observations )。注意你也可以使用Pandas包中的 info() 函式得到它,只要在 常见的金融分析方法 IPython 控制檯中執行 return_data.info() 。

殘差的自由度( DF Residuals )

DF Model 指模型引數的數目,注意它並不包括程式碼中定義的 X 的常數項。

R-squared 是決定係數。這個分數表明迴歸線接近真實資料點的程度。在本例中,結果是 0.281,用百分比表示該分數是 28.1% 。當決定係數是 0% 時,表明模型完全不能解釋響應資料在其均值附近的變異性。當然,當分數為 100% 時情況恰恰相反。

Adj. R-squared 分數乍看上去和 R-squared 的數值差不多。然而,該度量背後的計算是基於觀測量的數目和殘差的自由度調整了 R-squared 的值。在本例中這一調整沒有起到多少作用,致使兩者的結果相近。

Prob (F-statistic) 指得到上述 F-statistic 結果的概率,假設零假設認為它們是無關的。

最後, BIC 或者是貝葉斯資訊準則,類似於上述 AIC ,但是它用更多的引數更嚴格地懲罰模型。

std err 是係數估計的標準誤差。

Omnibus 是 Omnibus D’Angostino 檢驗,它為偏斜和峰度的存在提供了組合的統計檢驗。

Prob(Omnibus) 將 Omnibus 度量轉變成了概率。

其次, Skew 或偏斜,測量資料關於均值的對稱性。

Durbin-Watson 是對自相關的存在的檢驗, Jarque-Bera (JB) 是另一項對偏斜和峰度(kurtosis)的檢驗。也可以將其結果轉換成概率,即為 Prob (JB) 。

常见的金融分析方法

常见方法1:拆解法

  1. 把总获客数,按四个渠道拆解,发现A渠道获客最少。得到结论1:因为A渠道少了,所以总获客少了。
  2. 把A渠道的获客,按获客流程拆解,拆解为展示页-落地页-转化三步,发现是转化环节少了,得到结论:因为A渠道的转化环节出了问题,所以总获客少了。
  3. 小结:因为A渠道转化环节出问题,这是获客少的原因。
  • 我也没改文案呀?
  • 投放经费也没少呀?
  • 前后只差1天,为啥差异这么大?
  • 为啥只有A变差了,其他又不变呢?

常见方法2:相关系数法

  • 相关系数0.99算不算大
  • 相关系数0.9算不算大
  • 相关系数0.8算不算大
  • 相关系数0.7算不算大
  • 反正相关系数足够大,就算是相关了!
  1. 中国GDP年年涨
  2. 我家门前的树年年涨
  3. 把两个数据带进去,算出相关系数0.99
  4. 所以我家门前的树是中国的龙脉!

所有的统计学方法都有类似的问题,只能解释数据本身的关系,解释不了现实中的关系。更本质地看:是否所有业务行为,外部因素都能量化?完全不是。比如消费者对品牌的信任,比如产品体验好坏,比如文案感受,是很难量化到一个稳定、可靠的指标的。因此,用统计学方法,可以大范围地筛选过滤指标,但是很难推理出真实因果。

常见方法3:趋势分析法

  1. 原因发生在结果以前
  2. 原因发生以后,结果发生
  3. 原因持续期间,结果持续
  4. 原因消失以后,结果消失

BUT,这么干有个很大的问题,就是无法剔除杂糅因素,只能观察到影响最大的那个因素。更无法看到隐藏在背后的深层因素。比如观察外因的时候,只能观察到天气、限行这种明显的因素;观察内因的时候,只能观察到降价这种因素。其他小因素根本观察不到。

常见方法4:控制变量法

  1. 很难找到一模一样的两组人,完全剔除杂糅因素。
  2. 很难穷尽目标用户类型,因此测来测去可能都是同一类人的意见。
  3. 测试环境很难完全封闭,特别是要测试的是大促销、新品这种热门话题。
  4. 很难在合法合规的情况下,完全搞差异化方案,涉嫌价格歧视与欺骗消费者,《反垄断法》和工商局都不是吃干饭的。
  5. 消费者永远是趋利的,他们会自己想办法突破测试屏蔽,最后选优惠最大的方案。

为什么常见方法不管用

因为本质上,企业经营是个社会科学问题,不是自然科学问题。自然科学领域,是有一些物理、化学、数学等基础原理支撑的,这些原理是稳定、科学、可量化的,因此可以通过数据统计+科学实验,慢慢地发现背后的自然规律。社会科学问题完全不是这样!社会科学问题本身就是多因素共同影响,容易被人操控改变,感性且冲动的。因此在社会科学领域,很难直接套用自然科学的方法解决问题。

再加上,企业里上班的人,都是有立场、有态度、有企图的。当他们张嘴问:“这个问题到底是因为什么产生的?”或者问“这个功劳到底是因为什么出来的?”的时候,他们的潜意识里装的就是:功劳是我的,多少得蹭一点,锅都是别人的,硬甩也得甩出去。因此即使有靠谱的方法,大家也不见得就愿意用,即使有结论,大家也会找其他理由搪塞。

常见的金融分析方法

fans

plus

PLUS会员专享价 现在开通PLUS会员享限时特惠 >>

企业价

重逢价

sam

您购买此商品可享受专属价

机械工业出版社京东自营官方旗舰店

  • 出版社: 机械工业出版社
  • ISBN:9787111589983
  • 版次:1
  • 商品编码:12339870
  • 品牌:机工出版
  • 包装:平装
  • 丛书名: 数据科学与工程技术丛书
  • 开本:16开
  • 出版时间:2018-04-01
  • 用纸:胶版纸
  • 页数:240

品质生活

注:本站商品信息均来自于合作方,其真实性、准确性和合法性由信息拥有者(合作方)负责。本站不提供任何保证,并不承担任何法律责任。

京东价:京东价为商品的销售价,是您最终决定是否购买商品的依据。

划线价:商品展示的划横线价格为参考价,并非原价,该价格可能是品牌专柜标价、商品吊牌价或由品牌供应商提供的正品零售价(如厂商指导价、建议零售价等)或其他真实有依据的价格;由于地区、时间的差异性和市场行情波动,品牌专柜标价、商品吊牌价等可能会与您购物时展示的不一致,该价格仅供您参考。

折扣:如无特殊说明,折扣指销售商在原价、或划线价(如品牌专柜标价、商品吊牌价、厂商指导价、厂商建议零售价)等某一价格基础上计算出的优惠比例或优惠金额;如有疑问,您可在购买前联系销售商进行咨询。

异常问题:商品促销信息以商品详情页“促销”栏中的信息为准;商品的具体售价以订单结算页价格为准;如您发现活动商品售价或促销信息有异常,建议购买前先联系销售商咨询。