风险和绩效计算（Empyrical）指标库

把附件的 Empyrical.dos 放在 [home]/modules 目录下，[home] 目录由系统配置参数 home 决定，可以通过 getHomeDir() 函数查看。

有关模块使用的更多细节，请参见：模块。

对一个向量直接使用 Empyrical 模块中的 sharpeRatio 函数进行计算：

use Empyrical
ret = 0.072 0.0697 0.08 0.74 1.49 0.9 0.26 0.9 0.35 0.63
x = sharpeRatio(ret);

用户经常需要在数据表中对多组数据在每组内进行计算。在以下例子中，我们构造了一个包含2个股票的数据表：

close = 7.2 6.97 7.08 6.74 6.49 5.9 6.26 5.9 5.35 5.63 3.81 3.935 4.04 3.74 3.7 3.33 3.64 3.31 2.69 2.72
date = (2023.03.02 + 0..4 join 7..11).take(20)
symbol = take(`F,10) join take(`GPRO,10)
t = table(symbol, date, close)

对其中每只股票使用 Empyrical 模块中的 simpleReturns 函数进行计算收益：

update t set ret = simpleReturns(close) context by symbol

某些函数会返回多个列的结果，例如函数 alphaBeta。

直接使用的例子：

use Empyrical

ret = 0.072 0.0697 0.08 0.74 1.49 0.9 0.26 0.9 0.35 0.63
factorret = 0.702 0.97 0.708 1.74 0.49 0.09 1.26 0.59 1.35 0.063
alpha, beta = alphaBeta(ret, factorret);

在 SQL 语句中使用的例子：

use Empyrical

ret = 0.072 0.0697 0.08 0.74 1.49 0.9 0.26 0.9 0.35 0.63 0.702 0.97 0.708 1.74 0.49 0.09 1.26 0.59 1.35 0.063 
factorret = 0.702 0.97 0.708 1.74 0.49 0.09 1.26 0.59 1.35 0.063 0.072 0.0697 0.08 0.74 1.49 0.9 0.26 0.9 0.35 0.63
symbol = take(`F,10) join take(`GPRO,10)
date = (2022.03.02 + 0..4 join 7..11).take(20)
t = table(symbol as sym, date as dt, ret, factorret) 
select sym,alphaBeta(ret, factorret) as `alpha`beta from t context by sym

/*
sym  alpha                beta              
---- -------------------- ------------------
F    2.936093190579921E62 -0.276883617899559
F    2.936093190579921E62 -0.276883617899559
...   
*/

在 DolphinDB 中：

use Empyrical

ret= 0.072 0.0697 0.08 0.74 1.49 0.9 0.26 0.9 0.35 0.63
ret = take(ret, 10000000)
timer x = rollSharpeRatio(ret, windows =10)

对一个长度为 10000000 的向量直接使用 Empyrical 模块中的 rollSharpeRatio 函数，耗时为 300.135ms。

与之对应的 Python 代码如下：

import numpy as np
import empyrical as em
import time
ret = np.array([0.072, 0.0697, 0.08, 0.74, 1.49, 0.9, 0.26, 0.9, 0.35, 0.63])
ret = np.tile(ret,10000000)
start_time = time.time()
x = em.roll_sharpe_ratio(ret, 10)
print("--- %s seconds ---" % (time.time() - start_time))

Python Empyrical 库中的 roll_sharpe_ratio 函数耗时为 25965.46ms，是 DolphinDB Empyrical module 中的 rollSharpeRatio 函数的 86 倍。

• 性能测试数据为2019年1月3日至2022年7月1日全部A股的日频收益数据以及模拟因子数据及持有份额比例，总记录数为3,452,106 条。附录提供了测试文件的部分样例数据。解压后放置于[home]下。
• 计算逻辑为按照股票代码进行分组计算各指标。
• 为了测试函数计算性能，DolphinDB 和 Python 测试代码都是单线程运行。
• 如需测试 computeExposure、perfAttrib 函数，需额外提供风险因子及投资组合仓位数据，本教程提供模拟数据 factors，可以依据需要进行下载。

测试结果如下表所示：

从测试结果分析可知：

• DolphinDB Empyrical module 中的函数计算性能大部分都超过了 Python Empyrical 库，最大的性能差距达到 70 倍，普遍性能差距在 9 倍左右。

Python pandas 测试核心代码

grouped = returns.groupby('SecurityID')
cum_returns = grouped['ret'].apply(lambda x: em.cum_returns(x))

DolphinDB 测试核心代码

cumReturns = 
    select SecurityID, DateTime, cumReturns(ret) as cumReturns
    from returns
    context by SecurityID

若 Python Empyrical 的输入向量开始包含空值，会将空值带入函数中进行计算。Empyrical 模块采用了相同的策略。

对一个滚动/累积窗口长度为 k 的函数，每组最初的 (k-1) 个位置的结果均为空。这一点 Empyrical 模块与 Python 中 Empyrical 库的结果一致。

DolphinDB 代码与结果：

ret = NULL NULL 0.08 0.74 1.49 0.9 0.26 0.9 0.35 0.63 0.702 0.97 0.708 1.74
0.49 0.09 1.26 0.59 1.35 0.063 
rollAnnualVolatility(ret, windows =10)

/*
[,,,,,,,,,7.107626186006128,6.650903096572676,6.445987651244765,5.4412961691126505,
7.3080574710383885,6.603612950499143,7.349681897878303,7.448075187590415,
7.475411961892134,7.649430305584855,8.584637604465316]
*/

Python 代码与结果：

ret = np.array([np.nan, np.nan, 0.08, 0.74, 1.49, 0.9, 0.26,
0.9, 0.35, 0.63, 0.702, 0.97, 0.708, 1.74, 0.49, 0.09, 1.26, 0.59, 1.35, 0.063])
print(em.roll_annual_volatility(ret,10))

/*
[7.10762619 6.6509031  6.44598765 5.44129617 7.30805747 6.60361295
 7.3496819  7.44807519 7.47541196 7.64943031 8.5846376 ]
 */

结果有差异的函数：

• alphaBeta, upAlphaBeta, downAlphaBeta, gpdRiskEstimates

原因：

Python Empyrical 中，alphaBeta, upAlphaBeta, downAlphaBeta 结果将 alpha、beta 组合为一个二维数组，后续还需要进一步的处理。如：

而在 DolphinDB 的 Empyrical 模块中，我们利用SQL查询语句可以直接将 alpha、beta 拆分为两列：

select SecurityID, alphaBeta(ret, factorRet) as `alpha`beta
from return1
group by SecurityID

对于gpdRiskEstimates，Python 中输出所有估计系数处于一列，如下图所示：

DolphinDB 的 Empyrical 模块中将不同估计系数分为单独的列，更方便结果展示。