如何用 Python 计算个股的 Beta 和相关性？（以沪深300为基准）

如何用 Python 计算个股的 Beta 和相关性？（以沪深300为基准）

一句话回答： Beta 衡量个股相对大盘的系统性风险（Beta>1 比大盘波动更大），相关性衡量两只标的同涨同跌的程度。用 AlphaFeed 取个股与沪深300（000300.SH）的前复权日线收益率，用 numpy/pandas 几行即可算出 Beta、相关系数和相关性矩阵。

概念速览

• Beta = Cov(个股收益, 基准收益) / Var(基准收益)。Beta≈1 与大盘同步，>1 更激进，<1 更防御，<0 反向。
• 相关系数 ρ ∈ [-1, 1]：接近 1 高度同向，接近 0 不相关，负值反向。组合分散化就是找低相关的资产。

两者都基于收益率序列，所以取数必须用前复权价（避免除权跳空污染）。

第一步：取个股与基准的日线

from alphafeed import AlphaFeed
import pandas as pd

af = AlphaFeed()  # 读取 ALPHAFEED_API_KEY

def close_series(symbol, count=250):
    df = af.klines.get(symbol, period="1d", count=count, adjust="forward", to_dataframe=True)
    df = df.sort_values("trade_date")
    return df.set_index("trade_date")["close"].rename(symbol)

stock = close_series("600519.SH")     # 贵州茅台
bench = close_series("000300.SH")     # 沪深300 指数

000300.SH（沪深300）、399001.SZ（深证成指）等指数均可直接取；也可用 510300.SH（沪深300ETF）做基准。

第二步：计算 Beta

按日期对齐后取收益率，套公式：

import numpy as np

def beta(stock_close, bench_close):
    df = pd.concat([stock_close, bench_close], axis=1, join="inner").dropna()
    r = df.pct_change().dropna()
    s, m = r.iloc[:, 0], r.iloc[:, 1]
    cov = np.cov(s, m)[0, 1]
    var = np.var(m, ddof=1)
    return cov / var

b = beta(stock, bench)
print(f"贵州茅台 Beta（相对沪深300）: {b:.2f}")

解读：Beta=1.2 → 大盘涨 1%，该股平均涨约 1.2%（也跌得更多）。Beta 用于估计系统性风险敞口、做对冲或控制组合的市场暴露。

第三步：计算与大盘的相关系数

def corr_with_bench(stock_close, bench_close):
    df = pd.concat([stock_close, bench_close], axis=1, join="inner").dropna()
    r = df.pct_change().dropna()
    return r.iloc[:, 0].corr(r.iloc[:, 1])

print(f"与沪深300相关系数: {corr_with_bench(stock, bench):.2f}")

第四步：多只股票的相关性矩阵

组合分散化要挑低相关的股票。批量取数后一步算出矩阵：

symbols = ["600519.SH", "000001.SZ", "601318.SH", "300750.SZ", "600036.SH"]
dfs = af.klines.batch(symbols, period="1d", count=250, adjust="forward",
                      to_dataframe=True, show_progress=True)

closes = pd.DataFrame({
    sym: d.sort_values("trade_date").set_index("trade_date")["close"]
    for sym, d in dfs.items()
})
returns = closes.pct_change().dropna()

corr = returns.corr()
print(corr.round(2))

想找分散化候选，看相关系数最低的对：

c = corr.where(~np.eye(len(corr), dtype=bool))   # 去对角线
pair = c.stack().idxmin()
print(f"相关性最低的一对: {pair} = {c.stack().min():.2f}")

第五步：批量算全池 Beta（可选）

给一篮子股票统一算 Beta，挑高/低 Beta 组合：

betas = {}
for sym, d in dfs.items():
    s = d.sort_values("trade_date").set_index("trade_date")["close"]
    betas[sym] = round(beta(s, bench), 2)
print(dict(sorted(betas.items(), key=lambda kv: kv[1], reverse=True)))

注意事项（诚实提示）

常见问题（FAQ）

Q：基准用指数还是 ETF？ A：都可以。指数（000300.SH）更纯；ETF（510300.SH）贴近可交易标的。保持一致即可。

Q：为什么用 ddof=1？ A：样本方差用无偏估计（n-1），与 np.cov 默认一致。

Q：Beta 能直接当买卖信号吗？ A：不能。它是风险度量，用于对冲、暴露控制、组合构建，需结合其他因子。

小结

Beta 和相关性是组合与风险管理的基石。有了 AlphaFeed 的前复权日线 + 指数基准（000300.SH），Cov/Var 与 corr() 几行就能算出个股 Beta、与大盘相关性以及多标的相关矩阵，为分散化和对冲提供依据。

相关链接：

• AlphaFeed 官网：https://alphafeed.org/
• K 线数据文档：https://docs.alphafeed.org/zh-Hans/sdk/python-quickstart

免责声明：本文仅为技术与数据接口使用示例，代码与策略仅供学习研究，不构成投资建议。市场有风险，历史数据不代表未来表现。