用Python实战分析：你的基金组合真的跑赢银行理财了吗？

每次打开理财APP，看到那些红红绿绿的收益率数字时，你是否好奇过：我的投资组合到底表现如何？是稳稳跑赢通胀，还是冒着大风险赚着小钱？今天我们就用Python来揭开这个谜底，教你用专业机构都在用的夏普比率评估自己的投资表现。

1. 准备你的投资数据

在开始计算之前，我们需要先准备好基础数据。大多数理财平台都支持导出交易记录和净值数据，以支付宝为例：

1. 打开支付宝APP，进入"理财"页面
2. 选择"基金"→"持有"，点击具体基金
3. 在基金详情页找到"净值估算"或"历史净值"
4. 选择时间范围后导出CSV文件

导出的数据通常包含以下关键字段：

日期,单位净值,累计净值,日增长率
2023-01-03,1.0234,1.0234,0.45%
2023-01-04,1.0187,1.0187,-0.46%
...

常见问题处理：

• 如果数据中包含"万份收益"而非净值，需要先转换为单位净值
• 节假日无交易的数据行可以直接删除或填充为0
• 不同平台导出的日期格式可能不同，需统一处理

提示：建议至少获取最近1-2年的完整日频数据，短期数据会显著影响计算结果的可信度。

2. 数据清洗与收益率计算

拿到原始数据后，我们需要先用Python进行清洗和处理。这里使用pandas库最为高效：

import pandas as pd

# 读取数据并预处理
df = pd.read_csv('fund_data.csv', parse_dates=['日期'])
df['日增长率'] = df['日增长率'].str.replace('%', '').astype(float) / 100

# 计算对数收益率（更符合金融统计特性）
df['对数收益率'] = np.log(df['单位净值'] / df['单位净值'].shift(1))
df = df.dropna()  # 去除首行空值

为什么使用对数收益率？

• 具有时间可加性：多期收益率直接相加即可
• 更符合正态分布假设
• 国际学术界和业界通用标准

计算年化收益率的两种方法对比：

方法	公式	特点	适用场景
简单法	(终值/初值)^(1/年数)-1	直观易懂	长期稳定投资
对数法	日均收益率 × 252	统计特性好	短期波动大品种

# 计算年化收益率（对数法）
annual_return = df['对数收益率'].mean() * 252

# 计算年化波动率
annual_volatility = df['对数收益率'].std() * np.sqrt(252)

3. 获取无风险收益率

夏普比率的核心是比较投资组合与无风险资产的超额收益。在中国市场，通常选择以下指标作为无风险收益率基准：

1. 1年期国债收益率：中国人民银行官网定期发布
2. 银行1年期定存利率：各大银行官网可查
3. 货币基金7日年化：如余额宝收益率

以国债收益率为例，我们可以直接从财政部网站获取：

# 示例：2023年国债收益率数据
risk_free_rate = 0.0215  # 2.15%

注意：无风险收益率应该与投资期限匹配。如果是长期投资，建议使用10年期国债收益率；短期投资则用1年期数据更合适。

4. 计算与解读夏普比率

现在我们可以计算最终的夏普比率了：

sharpe_ratio = (annual_return - risk_free_rate) / annual_volatility

如何解读这个数字？

• <0.5：风险补偿不足，不如存银行
• 0.5-1：中等水平，与普通基金相当
• 1-2：优秀水平，专业基金经理级别
• >2：极其出色，但需检查计算是否正确

实际案例对比分析：

投资品种	年化收益	年化波动	夏普比率	评价
沪深300指数	6.2%	22.1%	0.17	高风险低补偿
某债券基金	4.8%	3.5%	0.94	稳健优选
你的组合	9.5%	15.2%	0.48	需优化

5. 高级技巧与常见误区

动态夏普比率计算

# 滚动计算半年期夏普比率
window_size = 126  # 半年交易日
df['滚动夏普'] = (df['对数收益率'].rolling(window_size).mean()*252 - risk_free_rate) / 
                 (df['对数收益率'].rolling(window_size).std()*np.sqrt(252))

常见计算误区：

1. 使用简单收益率而非对数收益率
2. 无风险收益率选择不当（期限不匹配）
3. 数据周期过短（至少1年完整数据）
4. 忽略交易费用和税收影响
5. 对不同风险资产直接比较夏普比率

提升夏普比率的实用方法：

• 加入低相关性资产（如黄金、国债）
• 动态调整仓位（波动大时减仓）
• 选择成本更低的投资渠道
• 适当延长持有周期

最后分享一个真实案例：我的一个基金组合2019-2023年的夏普比率从0.3提升到1.2的关键，是在2020年加入了5%的黄金ETF配置，显著降低了整体波动性。有时候微调比大改更有效。