量化投资中收益率的计算方法

简介: 量化投资中收益率的计算方法

不同的平台,不同的交易策略,计算收益率的方法很可能不同。


方法一:简单收益率

          用最终资金减去初始资金就是所获得的盈利,然后用盈利除以初始资金就是收益率。这种方式比较简单直接,非常符合个人投资者的模式,最开始用了多少资金,最后变成了多少资金,比较清晰,也比较经典。缺点在于没有考虑资金成本和时间成本。


方法二:净值收益法

        在A时期用money_A获得了盈利profit_A,在B时期用money_B获得了盈利profit_B,在C时期用money_C获得了盈利profit_C,则可以计算出来在A、B、C三个时期的收益率:

   

rate_A=profit_A/money_A
          rate_B=profit_B/money_B
          rate_C=profit_A/money_C

         实际的收益率并非是简单地三个收益率的平均值。


        可以想象自己经营的是一个资金,最初始的净值是1,那么,最初投入money_A,获得的份额是money_A/1,在A时期结束的时候,总的资金是money_A+profit_A,总的份额是money_A,那么,基金的净值为(money_A+profit_A)/money_A;关键时刻到了,A时期结束,投资者赎回全部的资金(假设基金不会被解散),这个时候基金的净值不变,但是份额变为0;到了B时期,投资者投入money_B,那么,获得的份额为money_B/((money_A+profit_A)/money_A),资金总额变为money_B,到了B时期结束,基金份额保持不变,但是资金总额变为money_B+profit_B,基金的净值变为

(money_B+profit_B)/(money_B/((money_A+profit_A)/money_A)),基金的收益率就是基金的净值减去1;那么,到了C时刻呢,同样的推理方法,得到基金的净值为:(money_A+profit_A)*(money_B+profit_B)*(money_C+profit_C)/(money_A*money_B*money_C).  

       更一般的推广,N个时期的基金净值,在N个时期,投入的资金分别是money_N,获得的盈利或者亏损是profit_N,每个时期结束都会把资金全部赎回来,那么,N时期结束后的基金净值是:

                     

(money_A+profit_A)*(money_B+profit_B)*…………(money_N+pforit_N)
        fund_nv=-----------------------------------------------------------------------------
                                             money_A*money_B*…………………………money_N

把这个公式进行简化,那么,就变成这样的一个公式:

fund_nv=(1+rate_A)*(1+rate_B)*(1+rate_C)

这就是简单地复利收益率。

**********************************************************************************

在分析这个净值收益率的时候,默认每笔交易是不存在加减仓的,如果存在加减仓的情况下,这个收益率的普遍公式会变成什么样呢?

方法三:内部报酬率法

      内部报酬率法根据每个交易周期的投入金额和收益状况来计算,借用上一个的三个时期,额外增加假设:

     三个时期每个的长度为10,中间间隔为20,那么,就存在这样一个收益率:

 

0=-money_A+pnl_1/(1+r)^1+pnl_2/(1+r)^2+pnl_3/(1+r)^3+……+pnl_10/(1+r)^10+
        money_A/(1+r)^11+pnl_12/(1+r)^12+…………………………+pnl_30/(1+r)^30+  
       -money_B/(1+r)^31+pnl_32/(1+r)^32+pnl_33/(1+r)^33+pnl_34/(1+r)^34+……+pnl_40/(1+r)^40+
        money_B/(1+r)^41+pnl_42/(1+r)^42+…………………………+pnl_50/(1+r)^50+
       -money_C+pnl_51/(1+r)^51+pnl_52/(1+r)^52+pnl_53/(1+r)^53+……+pnl_60/(1+r)^60+
        money_A/(1+r)^61

      根据这个公式计算出来的r就是内部报酬率.  


      这个内部报酬率的计算既考虑了时间价值,考虑了资金价值,同时也可以对比必要的收益率,是一个比较合理的指标。


      但是计算会比较复杂。


纯粹个人见解,欢迎指点。



目录
相关文章
|
网络协议 关系型数据库 MySQL
mysql8.0远程连接权限设置
mysql8.0远程连接权限设置
529 0
|
人工智能 算法 安全
智能灾害预警系统:自然灾害的早期检测与响应
【10月更文挑战第26天】智能灾害预警系统利用大数据、物联网、云计算和人工智能等技术,实现对自然灾害的早期检测与预警。本文介绍其技术原理、应用现状及未来发展趋势,探讨如何提高预测精度、促进跨学科融合创新,推动灾害风险管理的科学化和社会化进程。
1621 2
Yii2.0框架中如何进行路由设置?它支持哪些路由规则?
Yii2.0框架中如何进行路由设置?它支持哪些路由规则?
721 0
|
3月前
|
存储 自然语言处理 搜索推荐
从音频与照片生成数字人视频:阿里云百炼工作流打造“超级数字人”全流程解析
阿里云百炼上线通义万相2.2数字人视频生成模型S2V,支持音频+单张人像生成个性化数字人视频。结合Qwen-TTS、Qwen-Image与IMS智能剪辑,打造从内容生成到视频输出的全自动“超级数字人”工作流,大幅提升制作效率与质量。
1188 2
|
6月前
|
消息中间件 缓存 小程序
婚恋交友相亲公众号app小程序系统源码「脱单神器」婚恋平台全套代码 - 支持快速二次开发
这是一套基于SpringBoot + Vue3开发的婚恋交友系统,支持微信公众号、Uniapp小程序和APP端。系统包含实名认证、智能匹配、视频相亲、会员体系等功能,适用于婚恋社交平台和相亲交友应用。后端采用SpringBoot 3.x与MyBatis-Plus,前端使用Vue3与Uniapp,支持快速部署和二次开发。适合技术团队或有经验的个人创业者使用。
451 8
|
存储 人工智能 弹性计算
通义万相AI绘画创作评测及图文搭建教程
【7月更文挑战第4天】阿里云的通义万相是AI绘画模型,结合ECS、OSS和API服务,提供无缝创作环境。用户上传图片至OSS,模型通过签名URL下载图片,然后生成AI艺术作品。模型服务具有高性能、易集成的特点,适用于多种场景如设计、广告等。用户可按指示在阿里云官网注册、充值、开通服务并部署。项目评测显示,其集成便捷、响应快、泛化能力强,但仍有改进空间,如增加图像控制选项和批量处理能力。相对于竞品,通义万相在成本、易用性和应用场景上有竞争力,值得推荐。
12095 9
|
存储 人工智能 搜索推荐
RAG系统的7个检索指标:信息检索任务准确性评估指南
大型语言模型(LLMs)在生成式AI领域备受关注,但其知识局限性和幻觉问题仍具挑战。检索增强生成(RAG)通过引入外部知识和上下文,有效解决了这些问题,并成为2024年最具影响力的AI技术之一。RAG评估需超越简单的实现方式,建立有效的性能度量标准。本文重点讨论了七个核心检索指标,包括准确率、精确率、召回率、F1分数、平均倒数排名(MRR)、平均精确率均值(MAP)和归一化折损累积增益(nDCG),为评估和优化RAG系统提供了重要依据。这些指标不仅在RAG中发挥作用,还广泛应用于搜索引擎、电子商务、推荐系统等领域。
6386 2
RAG系统的7个检索指标:信息检索任务准确性评估指南
|
存储 NoSQL 关系型数据库
MongoDB非关系型数据库实战
【5月更文挑战第6天】MongoDB,流行的NoSQL数据库,以其灵活的数据模型和高性能备受青睐。本文介绍了MongoDB的基础,包括文档型数据库特性、安装配置、数据操作。通过电商订单管理的实战案例,展示了MongoDB在处理复杂数据结构和大规模数据时的优势,适用于电商、游戏、视频直播等场景。MongoDB的索引、全文搜索和地理空间功能进一步增强了其实用性。注意性能优化和扩展性以确保系统稳定性和可靠性。
|
jenkins Java 程序员
实战:向GitHub提交代码时触发Jenkins自动构建
当我们提交代码到GitHub后,可以在Jenkins上执行构建,但是每次都要动手去执行略显麻烦,今天我们就来实战Jenkins的自动构建功能,每次提交代码到GitHub后,Jenkins会进行自动构建
1134 0
实战:向GitHub提交代码时触发Jenkins自动构建
|
IDE 编译器 Linux
你应该搞懂的 C 语言头文件路径问题
聊聊系统路径位置,绝对路径与相对路径,正斜杠 `/` 与 反斜杠 `\` 使用说明 ...... by 矜辰所致
628 0
你应该搞懂的 C 语言头文件路径问题