练习

一、基础概念与CAPM模型

1.1 风险类型识别

给定以下情景，请区分风险类型：

某航空公司因发动机技术缺陷导致股价暴跌

美联储突然宣布加息200个基点引发股市震荡

某投资者同时持有沃尔玛和亚马逊股票

依赖数据：

companies = ['WMT', 'AMZN']  # 消费与科技行业代表
start_date = '2021-01-01'
end_date = '2022-12-31'

1.4 Beta系数计算

使用yfinance获取阿里巴巴(BABA)与沪深300指数(000300.SS)2021年数据：

# 需导入的库
import yfinance as yf
import statsmodels.api as sm

# 数据参数
symbols = ['BABA', '000300.SS']
start = '2021-01-01'
end = '2022-01-01'
risk_free_rate = 0.015  # 年化无风险利率

二、CAPM模型进阶应用

2.1 有效前沿构建

给定四只ETF的收益率数据：

import numpy as np
returns_matrix = np.array([
    [0.02, 0.015, 0.018, ...],  # SPY 500条日收益
    [0.012, 0.01, 0.008, ...],   # GLD
    [0.025, 0.022, 0.019, ...],  # QQQ
    [0.008, 0.007, 0.006, ...]   # TLT
])  # 完整数据需实际获取

三、套利定价理论（APT）解析

3.2 多因子模型实践

使用Fama-French三因子分析苹果股票：

factor_data = yf.download(['^GSPC', 'IWM', 'EEM'], '2018-01-01', '2023-01-01')['Close']
aapl_returns = yf.download('AAPL', '2018-01-01', '2023-01-01')['Close'].pct_change().dropna()

# 因子构建参数：
size_threshold = 100  # 市值分界点（十亿美元）
value_threshold = 1.2 # 市净率分界点

四、模型对比与实践应用

4.3 收益预测验证

对英伟达(NVDA)进行CAPM预测：

# 数据获取参数
target_stock = 'NVDA'
benchmark_index = '^NDX'  # 纳斯达克100指数
train_period = ['2019-01-01', '2022-01-01']
test_period = ['2022-01-01', '2023-06-01']

五、综合应用

5.1 组合优化实战

构建包含以下资产的优化组合：

assets = ['VTI', 'GLD', 'TLT', 'VNQ']
constraints = {
    'max_individual_weight': 0.4,
    'min_bond_weight': 0.2,
    'max_total_risk': 0.15
}

（注：所有习题需配合yfinance获取实时数据，部分题目存在多种解法）