aifinlab/fund-risk-analyzer

基金风险分析器 (Fund Risk Analyzer)

专业基金风险识别与量化分析工具，帮助用户全面评估基金风险特征。

功能概述

• VaR/CVaR计算: 历史模拟法、参数法、蒙特卡洛模拟
• 最大回撤分析: 历史最大回撤、回撤持续期、回撤恢复时间
• 风险指标计算: 夏普比率、索提诺比率、特雷诺比率、卡玛比率
• Beta/Alpha分析: 系统性风险、超额收益能力
• 波动率分解: 上行/下行波动率、系统性/非系统性风险
• 尾部风险: 偏度、峰度、极端风险预警
• 风险归因: 风险来源分解

使用方法

命令行调用

# 全面风险分析
fund-risk --code 000001 --period 252

# VaR计算
fund-risk --code 000001 --var --confidence 0.95

# 对比风险指标
fund-risk --compare 000001,000002,000003

# 风险预警检查
fund-risk --code 000001 --alert

Python API

from fund_risk_analyzer import FundRiskAnalyzer

analyzer = FundRiskAnalyzer()

# 全面风险分析
risk_report = analyzer.analyze('000001', period=252)

# VaR计算
var_result = analyzer.calculate_var('000001', confidence=0.95, method='historical')

# 风险预警
alerts = analyzer.check_risk_alerts('000001')

风险指标说明

收益风险指标

| 指标 | 说明 | 计算公式 | 解读 | |:---|:---|:---|:---| | 夏普比率 | 单位总风险超额收益 | (Rp - Rf) / σp | >1优秀，<0较差 | | 索提诺比率 | 单位下行风险超额收益 | (Rp - Rf) / σd | 只看下跌波动 | | 特雷诺比率 | 单位系统性风险超额收益 | (Rp - Rf) / βp | 衡量选股能力 | | 卡玛比率 | 收益与最大回撤比 | Rp / |最大回撤| | >2优秀 |

市场风险指标

| 指标 | 说明 | 计算公式 | 解读 | |:---|:---|:---|:---| | Beta | 相对市场波动 | Cov(Rp,Rm) / Var(Rm) | >1波动大于市场 | | Alpha | 超额收益 | Rp - [Rf + β(Rm-Rf)] | >0有超额收益 | | R² | 风险解释度 | | >0.8高度相关 |

极端风险指标

| 指标 | 说明 | 计算方法 | 解读 | |:---|:---|:---|:---| | VaR | 置信度下的最大损失 | 历史分位数 | 95%VaR=-5%表示95%概率损失不超5% | | CVaR | 超过VaR的平均损失 | 尾部平均 | 比VaR更保守 | | 最大回撤 | 峰值到谷底最大跌幅 | max(1 - 净值/峰值) | 越小越好 |

输出格式

风险分析报告

{
  "fund_code": "000001",
  "fund_name": "华夏成长混合",
  "analysis_date": "2026-03-21",
  "period_days": 252,
  "risk_metrics": {
    "volatility": {
      "total": 18.5,
      "upside": 12.3,
      "downside": 15.2,
      "systematic": 14.8,
      "unsystematic": 8.2
    },
    "returns": {
      "annual_return": 25.3,
      "risk_free_rate": 2.5
    },
    "risk_adjusted": {
      "sharpe_ratio": 1.23,
      "sortino_ratio": 1.50,
      "treynor_ratio": 0.15,
      "calmar_ratio": 1.66
    },
    "market_risk": {
      "beta": 1.15,
      "alpha": 3.2,
      "r_squared": 0.82
    },
    "extreme_risk": {
      "var_95": -2.85,
      "var_99": -4.52,
      "cvar_95": -3.65,
      "cvar_99": -5.88,
      "max_drawdown": -15.2,
      "max_drawdown_duration": 45
    },
    "tail_risk": {
      "skewness": -0.35,
      "kurtosis": 3.25,
      "tail_ratio": 1.23
    }
  },
  "risk_assessment": {
    "overall_risk_level": "中高",
    "risk_score": 72,
    "confidence": "中等"
  },
  "risk_alerts": [
    {
      "type": "volatility",
      "level": "warning",
      "message": "波动率高于同类平均"
    }
  ]
}

风险等级划分

| 风险等级 | 风险评分 | 波动率 | 最大回撤 | 适合人群 | |:---|:---:|:---:|:---:|:---| | 低风险 | 0-30 | <10% | <5% | 保守型 | | 中低风险 | 30-50 | 10-15% | 5-10% | 稳健型 | | 中等风险 | 50-70 | 15-20% | 10-15% | 平衡型 | | 中高风险 | 70-85 | 20-25% | 15-20% | 进取型 | | 高风险 | 85-100 | >25% | >20% | 激进型 |

VaR计算方法

1. 历史模拟法 (Historical Simulation)

VaR = 收益率序列的(1-置信度)分位数
优点: 无需假设分布
缺点: 依赖历史数据质量

2. 参数法 (Parametric / Variance-Covariance)

VaR = μ - z * σ
其中: μ=均值, σ=标准差, z=标准正态分位数
优点: 计算简单
缺点: 假设正态分布

3. 蒙特卡洛模拟 (Monte Carlo)

1. 拟合收益率分布参数
2. 随机生成大量收益率路径
3. 计算组合价值分布
4. 取分位数作为VaR
优点: 灵活性强
缺点: 计算量大

示例

示例1: 全面风险分析

输入:

分析基金000001的风险指标

输出:

📊 华夏成长混合 (000001) - 风险分析报告

收益风险指标:
  夏普比率: 1.23 ⭐⭐⭐⭐ (优秀)
  索提诺比率: 1.50 ⭐⭐⭐⭐⭐ (非常优秀)
  卡玛比率: 1.66 ⭐⭐⭐⭐ (优秀)

市场风险指标:
  Beta系数: 1.15 (波动大于市场)
  Alpha超额收益: 3.2% (有超额收益)

极端风险指标:
  95% VaR: -2.85% (日度)
  99% VaR: -4.52% (日度)
  最大回撤: -15.2% (持续45天)

风险等级: 中高风险 (72/100)

示例2: 风险预警

输入:

检查基金000001的风险预警

输出:

⚠️ 风险预警 - 华夏成长混合 (000001)

🔴 高风险预警:
  • 波动率(22.5%)高于历史均值15%
  • 当前回撤(-12.3%)接近最大回撤阈值

🟡 中风险提醒:
  • Beta系数(1.25)较高，市场敏感
  • 尾部风险上升，偏度为负

✅ 正常指标:
  • 夏普比率正常
  • 流动性风险可控

建议: 关注市场波动，适当降低仓位

注意事项

1. VaR基于历史数据，不代表未来极端风险
2. 风险指标应综合多个维度评估
3. 不同市场环境下风险特征可能变化
4. 建议定期(月度/季度)更新风险分析
5. 风险分析仅供参考，不构成投资建议

依赖

numpy>=1.20.0
scipy>=1.7.0
pandas>=1.3.0
matplotlib>=3.4.0

作者

FinClaw - 上海财经大学金融研究工具