企业官网建设流程全解析

以下代码是在计算每只股票相对等权股票池的多日滚动CAPM beta

def compute_market_beta(returns, window=BETA_WINDOW, minp=BETA_MINP): """60d trailing CAPM beta of each stock vs the equal-weight universe.""" r_mkt = returns.mean(axis=1) var = r_mkt.rolling(window, min_periods=minp).var() cov = returns.rolling(window, min_periods=minp).cov(r_mkt) return cov.div(var, axis=0)

实现了如下功能：

1. 用等权股票池的横截面平均收益作为市场收益；

2. 计算市场收益的滚动方差；

3. 计算每只股票与市场收益的滚动协方差；

4. 协方差除以方差，得到每只股票的滚动 beta。

金融上，它度量的是个股对“等权市场组合”的系统性风险暴露。核心公式是：

其中是个股收益，是市场组合收益。

代码用 pandas 的滚动协方差除以滚动方差，得到随时间变化的 beta。

这里进一步分析其计算逻辑，适应场景，以及可能需要注意或修正的事项。

1 代码逻辑

1.1 输入假设

这里先对输入假设进行分析

returns是一个DataFrame：

- 行：日期或时间序列

- 列：股票

- 值：收益率，不是价格

window=BETA_WINDOW：滚动窗口，例如 60 个交易日。

minp=BETA_MINP：窗口内最少需要的有效观测数，用于控制 NaN。

1.2 计算逻辑

这里进一步分析代码的计算逻辑

r_mkt = returns.mean(axis=1)

按行求均值，得到每一天的市场收益。

如果 returns有 N 只股票，那么：

这相当于一个每日再平衡的等权组合。

注意它不等于市值加权指数，也不是真正的市场组合。

var = r_mkt.rolling(window, min_periods=minp).var()

对市场收益 r_mkt做滚动方差：

pandas 默认ddof=1，即样本方差。

min_periods控制窗口内至少有多少个非 NaN 值才计算。

cov = returns.rolling(window, min_periods=minp).cov(r_mkt)

对每一只股票收益与市场收益 r_mkt做滚动协方差：

返回结果通常是一个DataFrame，列与原returns相同，表示每只股票在每个日期的滚动协方差。

return cov.div(var, axis=0)

把每只股票的滚动协方差除以市场滚动方差：

axis=0表示按行索引对齐，也就是按日期对齐。

因为var是Series，索引为日期，所以每一行所有股票都除以当天的市场方差。

最终返回一个 beta 矩阵：
- 行：日期
- 列：股票
- 值：该股票当天的滚动 CAPM beta

2. 金融相关

这里从金融的角度，分析以上计算逻辑。

2.1 CAPM与beta

CAPM 的基本形式：

或者：

其中：

-：无风险利率；

-：市场风险溢价；

-：股票 i 对市场风险的暴露。

beta 的定义：

也可以写成：

含义说明如下

-：股票与市场同步波动；

-：进攻型、周期型，市场涨跌时波动更大；

-：防御型，波动小于市场；

-：与市场反向；

-：理论上无系统性风险暴露。

2.2 beta 是OLS回归斜率

如果把个股收益对市场收益做单变量回归：

那么 OLS 估计的斜率就是：

这正是代码中cov / var做的事。

因此，这段代码本质上是在做滚动单因子回归，但没有显式估计alpha。

2.3 滚动beta的意义

rolling(window=60)表示用过去 60 个交易日的数据估计beta，即：

这叫做时变beta或滚动历史beta。

金融含义：

- 短窗口：对近期市场变化更敏感，但噪声大；

- 长窗口：更稳定，但对结构变化反应慢；

- 60 日约等于一个季度，是常见折中。

2.4 市场组合代理

理论上，CAPM 中的市场组合应包括所有可投资资产，并按市值加权。

现实中无法直接观测，所以常用指数代理。

这段代码用：

r_mkt = returns.mean(axis=1)

即等权股票池作为市场代理。

这意味着：

- 每只股票权重相同；

- 小盘股、波动大的股票权重可能被高估；

- 与真实市值加权市场组合有差异；

- 如果股票池本身就是当前股票池，还可能存在幸存者偏差。

2.5 beta的用途

beta经常可能用于如下用途。

计算股权资本成本：；

组合风险管理：组合 beta 是成分股 beta 的加权平均；

市场中性策略：根据 beta 调整多空敞口；

对冲：用股指期货对冲时，合约数量与组合 beta 有关；

绩效归因：区分 alpha 和市场 beta 收益；

因子模型：作为市场因子暴露。

3. 潜在问题

3.1 等权假设问题

等权市场包含个股自身，可能造成偏差

因为：

所以：

个股与市场协方差中包含了自身方差项。

若股票池很小，beta 会被高估。更严谨的做法是：

- 使用外部市场指数；

- 或计算市场收益时排除该股票自身；

- 或使用市值加权。

3.2 缺失值处理可能不一致

returns.mean(axis=1)

默认skipna=True，所以某天某些股票缺失时，市场收益由剩余股票平均得到。

但 returns.rolling(...).cov(r_mkt)对每只股票与市场收益计算协方差时，会忽略该股票自身的 NaN。

这样可能出现：

- 市场方差var使用了某些日期；

- 个股协方差cov使用了另一些日期；

- 分子分母样本不完全一致。

更严谨的做法是：

对每只股票，

先把该股票收益与市场收益对齐、dropna()，

再计算同一组样本上的协方差和方差。

3.3 无风险利率问题

CAPM 严格使用超额收益：

代码直接使用原始收益。

若日频无风险利率变化很小，近似可以接受；但严谨的资产定价应使用超额收益。

3.4 历史beta不等于未来beta

滚动 beta 是历史估计。

beta 会随公司杠杆、行业、宏观环境变化。实际中常用：

- Blume 调整：；

- 贝叶斯收缩；

- 多因子模型；

- DCC-GARCH、Kalman 滤波等动态 beta 方法。

3.5 非同步交易与微观结构

不同市场、不同时区、停牌、涨跌停、流动性差，

都会导致收益率不同步，从而低估或高估 beta。

3.6 异常值与窗口选择

极端收益会显著影响协方差和方差。可考虑：

- winsorize；

- 使用稳健回归；

- 调整窗口长度；

- 使用指数加权

3.7 beta不需要年化

beta 是斜率，频率一致时，日频、周频、月频估计的理论 beta 相同。

把收益年化不会改变 beta，因为协方差和方差同比例缩放。

4 更严谨实现

如果希望分子分母使用完全相同的样本，可以这样写：

import pandas as pd def compute_market_beta(returns, window=60, minp=30): r_mkt = returns.mean(axis=1) betas = {} for col in returns.columns: sub = pd.concat([returns[col], r_mkt], axis=1).dropna() sub.columns = ['stock', 'mkt'] cov = sub['stock'].rolling(window, min_periods=minp).cov(sub['mkt']) var = sub['mkt'].rolling(window, min_periods=minp).var() betas[col] = cov / var return pd.DataFrame(betas)

如果要排除自身影响，可以计算除该股票外的等权市场收益：

sum_ret = returns.sum(axis=1) count = returns.notna().sum(axis=1) for col in returns.columns: r_mkt_ex = (sum_ret - returns[col]) / (count - returns[col].notna()) # 再用 r_mkt_ex 与 returns[col] 计算滚动 beta

reference

---

滚动单因子回归的计算和代码示例

https://blog.csdn.net/liliang199/article/details/165297581