基金可视化分析,帮你做基金选择

简介:




前言:当前股市低迷那么基金的表现如何呢我们用大数据对基金的表现做一个可视化分析。


分析工具:ExcelTableau。


分析数据取自晨星基金网2016.3-2016.5发布的数据数据先在Excel中整理好,然后连接到Tableau中做可视化分析。


分析报告做好后分享在Tableau Public

链接为:https://public.tableau.com/profile/yunyun.gu#!/vizhome/FinalHelen/1


 ◆ 


各类基金中有的基金有数据有的基金没有数据剔除没有数据的基金对每一类基金的总体表现作一个比较分析并对标准混合型基金具体数据作一个基本的分析。


首先对总回报率做一个综合分析.得到的可视化分析如图1-1所示。


1-1各类基金中回报率为正的基金只数所占的比率和平均回报率


由图1-1可以知道,大部分基金类中正回报率所占的比率低于50%,部分低于5%,平均回报率50%以上为负,即使为正也相当低,只有商品类基金收益为15%左右。到晨星网上看商品类基金主要是黄金白银的投资。


然后对标准混合型基金做具体的分析,看看选择基金时要考虑那些参数,应该如何考虑。主要观察回报率和风险系数、回报率和夏普率的关系,以及三个月以来基金的变化趋势。


这里先对夏普率做一个介绍:

夏普率的计算公式为

Annual Sharpe Ratio = (annualreturn of a stock - annual return of a risk-free investment)/annualizedstandard deviation of returns of the stock.


即:年度夏普率=(年度股票回报-年度无风险投资回报)/年度股票回报的标准差


具体的夏普率的意义可以查百度百科(http://baike.baidu.com/view/849657.htm)。


第一步:看看风险系数和回报率、夏普率的可视化分析。


2-1标准混合型基金风险系数和回报率、夏普率的关系


2-1是风险系数按从小到大排列,在Tableau中可以动态选择显示基金的只数,感兴趣的可以到https://public.tableau.com/profile/yunyun.gu#!/vizhome/FinalHelen/1上试着改变基金的只数,观察数据的变化。标准混合型基金分析的总数为76个。从图2-1可以看出风险系数高的收益率负得更多,这和股市不景气有关。夏普率和风险系数和收益率的关系无法明显看出,需要做进一步的分析。


第二步:观察回报率和风险系数、回报率和夏普率的趋势线。


2-2是标准混合型基金风险系数和回报率的趋势线,可以清楚的看到回报率和风险系数呈负相关。这和第一步的分析一致。



2-2标准混合型基金风险系数和回报率的趋势线



2-3标准混合型基金的回报率和夏普率的关系


2-3可以看出回报率和夏普率呈正相关的关系,所以在基金其它参数相似的情况下,选夏普率高的较好。


第三步:观察个别基金三个月以来的变化。



2-4标准混合型基金中个别基金的单位净值在三个月以来的变化


2-4中可以具体观察个别基金三个月来的变化趋势,决定选择那个基金。Tableau的好处是在数据表中编辑筛选,选择观察哪些基金,并把几个数据表拖动到仪表板中集中观察。图2-4中集中了4个数据表的数据。数据表、仪表板,然后再组成故事来叙述,是Tableau的特色之一。


基金的选择各人有自己的判断.基金的涨跌是一个整体情况,跌幅很厉害的基金里也不乏赚钱的持有者。


金钱是一把双刃的剑厚德载物财富不是为了享受和炫耀财富是为了仁慈和奉献希望中国多一些为民造福的人

原文发布时间为:2016-07-14

本文来自云栖社区合作伙伴“大数据文摘”,了解相关信息可以关注“BigDataDigest”微信公众号


相关文章
|
2月前
|
人工智能 安全 Java
Spring Boot 中使用 Function 和异步线程池处理列表拆分任务并汇总结果
在Java开发中,处理大规模数据时常常需要将列表拆分为多个子列表进行异步处理并汇总结果。本文介绍如何在Spring Boot中使用Function和异步线程池实现高效且可维护的代码,涵盖结果封装、线程池配置、列表拆分处理及结果汇总等关键步骤。
115 0
|
4月前
|
数据挖掘 测试技术 定位技术
《深入剖析:Python自动化测试框架之unittest与pytest》
unittest 和 pytest 是 Python 自动化测试领域的两大利器。unittest 作为标准库的一部分,像一位严谨的“老工匠”,以面向对象的方式提供标准化、可靠的测试基础,适合初学者和小型项目。其 TestCase 类为核心,setup/teardown 方法确保测试独立性。 pytest 则如一位灵活的“艺术家”,以简洁自由的风格和强大功能脱颖而出。它支持参数化测试、灵活的 fixture 机制,并拥有丰富的插件生态,适合复杂场景和大型项目。两者各有优劣,选择需根据项目需求权衡:unittest 稳定兼容,pytest 灵活高效。掌握二者特性,可助力开发者构建高质量测试框架。
86 12
|
10月前
|
存储 缓存 前端开发
SPA 单页面的优缺点
单页面应用(SPA)优点包括:用户体验流畅、无需刷新页面、减少服务器压力。缺点有:SEO优化困难、初始加载时间长、前端逻辑复杂。
|
11月前
|
安全 量子技术 数据安全/隐私保护
量子计算硬件:超导量子比特的最新进展
【10月更文挑战第30天】量子计算作为信息技术的前沿领域,超导量子比特作为其核心组件,近年来取得了显著进展。本文将探讨超导量子比特的原理、制造、性能提升及未来展望,展示其在量子计算中的重要作用和潜力。
|
开发框架 运维 应用服务中间件
阿里云轻量应用服务器82元和298元与云服务器99元和199元区别及选择参考
目前阿里云推出了几款价格比较实惠的轻量应用服务器和云服务器,轻量应用服务器有2核2G3M 50GB高效云盘,价格为82元1年;2核4G4M 60GB高效云盘,价格为298元1年;经济型e实例2核2G,40G ESSD Entry盘,3M带宽,价格为99元1年;通用算力型u1实例2核4G,80G ESSD Entry盘,5M带宽,价格为199元1年。本文将对这几款轻量应用服务器和云服务器进行对比和测评,分析其性能和适用场景,以供大家选择参考。
阿里云轻量应用服务器82元和298元与云服务器99元和199元区别及选择参考
|
存储 人工智能 测试技术
python自动化测试实战 —— CSDN的Web页面自动化测试
python自动化测试实战 —— CSDN的Web页面自动化测试
444 0
|
数据安全/隐私保护 索引
Kibana安装部署
Kibana安装部署
|
NoSQL Unix 开发工具
【深入解析git和gdb:版本控制与调试利器的终极指南】(上)
【深入解析git和gdb:版本控制与调试利器的终极指南】
271 0
|
移动开发 小程序 API
uniapp条件编译
uniapp条件编译
|
机器学习/深度学习 人工智能 开发框架
大模型为什么是深度学习的未来?
与传统机器学习相比,深度学习是从数据中学习,而大模型则是通过使用大量的模型来训练数据。深度学习可以处理任何类型的数据,例如图片、文本等等;但是这些数据很难用机器完成。大模型可以训练更多类别、多个级别的模型,因此可以处理更广泛的类型。另外:在使用大模型时,可能需要一个更全面或复杂的数学和数值计算的支持。深度学习算法不需要像大模型那样训练大量数量的模型来学习特征之间的联系。深度学习算法是基于神经元的,而大模型是利用大量参数训练神经网络。本文从大模型与深度学习方面入手,解决大模型是否是深度学习的未来的问题。
3591 0
大模型为什么是深度学习的未来?