import pandas as pd import numpy as np import statsmodels.api as sm from scipy.stats import zscore import matplotlib.pyplot as plt import seaborn as sns # 멀티 팩터 포트폴리오. # 퀄리티: 자기자본이익률(ROE), 매출총이익(GPA), 영업활동현금흐름(CFO) # 밸류: PER, PBR, PSR, PCR, DY # 모멘텀: 12개월 수익률, K-Ratio # 각 섹터별 아웃라이어를 제거한 후 순위와 z-score를 구하는 함수 def col_clean(df, cutoff=0.01, asc=False): q_low = df.quantile(cutoff) q_hi = df.quantile(1 - cutoff) # 이상치 데이터 제거 df_trim = df[(df > q_low) & (df < q_hi)] df_z_score = df_trim.rank(axis=0, ascending=asc).apply( zscore, nan_policy='omit') return df_z_score def plot_rank(df): ax = sns.relplot(data=df, x='rank', y=1, col='variable', hue='invest', size='size', sizes=(10, 100), style='invest', markers={'Y': 'X','N': 'o'}, palette={'Y': 'red','N': 'grey'}, kind='scatter') ax.set(xlabel=None) ax.set(ylabel=None) plt.show() def get_multi_factor_top(qc, count): ticker_list = qc.get_ticker_list() fs_list = qc.get_fs_list() value_list = qc.get_value_list() price_list = qc.get_price_list(12) sector_list = qc.get_sector_list() # 퀄리티 지표 계산 fs_list = fs_list.sort_values(['종목코드', '계정', '기준일']) fs_list['ttm'] = fs_list.groupby(['종목코드', '계정'], as_index=False)['값'].rolling( window=4, min_periods=4).sum()['값'] fs_list_clean = fs_list.copy() fs_list_clean['ttm'] = np.where(fs_list_clean['계정'].isin(['자산', '자본']), fs_list_clean['ttm'] / 4, fs_list_clean['ttm']) fs_list_clean = fs_list_clean.groupby(['종목코드', '계정']).tail(1) fs_list_pivot = fs_list_clean.pivot(index='종목코드', columns='계정', values='ttm') fs_list_pivot['ROE'] = fs_list_pivot['당기순이익'] / fs_list_pivot['자본'] fs_list_pivot['GPA'] = fs_list_pivot['매출총이익'] / fs_list_pivot['자산'] fs_list_pivot['CFO'] = fs_list_pivot['영업활동으로인한현금흐름'] / fs_list_pivot['자산'] fs_list_pivot.round(4).head() value_list.loc[value_list['값'] <= 0, '값'] = np.nan value_pivot = value_list.pivot(index='종목코드', columns='지표', values='값') value_pivot.head() # 가치 지표 계산 # 음수를 제거하고 행으로 긴 형태로 변경 price_pivot = price_list.pivot(index='날짜', columns='종목코드', values='종가') ret_list = pd.DataFrame(data=(price_pivot.iloc[-1] / price_pivot.iloc[0]) - 1, columns=['12M']) ret = price_pivot.pct_change().iloc[1:] ret_cum = np.log(1 + ret).cumsum() x = np.array(range(len(ret))) k_ratio = {} for i in range(0, len(ticker_list)): ticker = ticker_list.loc[i, '종목코드'] try: y = ret_cum.loc[:, price_pivot.columns == ticker] reg = sm.OLS(y, x).fit() res = float(reg.params / reg.bse) except: res = np.nan k_ratio[ticker] = res k_ratio_bind = pd.DataFrame.from_dict(k_ratio, orient='index').reset_index() k_ratio_bind.columns = ['종목코드', 'K_ratio'] k_ratio_bind.head() # 가격 테이블을 이용해서 최근 12개월 수익률을 구하고 # 로그 누적 수익률을 통해 각 종목별 K-Ratio를 계산 data_bind = ticker_list[['종목코드', '종목명']].merge( sector_list[['CMP_CD', 'SEC_NM_KOR']], how='left', left_on='종목코드', right_on='CMP_CD').merge( fs_list_pivot[['ROE', 'GPA', 'CFO']], how='left', on='종목코드').merge(value_pivot, how='left', on='종목코드').merge(ret_list, how='left', on='종목코드').merge(k_ratio_bind, how='left', on='종목코드') data_bind.loc[data_bind['SEC_NM_KOR'].isnull(), 'SEC_NM_KOR'] = '기타' data_bind = data_bind.drop(['CMP_CD'], axis=1) data_bind.round(4).head() # 종목코드와 섹터정보(SEC_NM_KOR)를 인덱스로 설정한 후, 섹터에 따른 그룹을 묶어준다. data_bind_group = data_bind.set_index(['종목코드', 'SEC_NM_KOR']).groupby('SEC_NM_KOR', as_index=False) data_bind_group.head(1).round(4) # 퀄리티 지표의 z-score를 계산 # 퀄리티 지표에 해당하는 열(ROE, GPA, CFO) 선택해서 col_clean() 적용한 후 순위의 z-score 계산 # sum() 함수를 통해 z-score의 합을 구하며, to_frame() 메소드를 통해 데이터프레임 형태로 변경 z_quality = data_bind_group[['ROE', 'GPA', 'CFO' ]].apply(lambda x: col_clean(x, 0.01, False)).sum( axis=1, skipna=False).to_frame('z_quality') # data_bind 테이블과 합치며, z_quality 열에는 퀄리티 지표의 z-score가 표시 data_bind = data_bind.merge(z_quality, how='left', on=['종목코드', 'SEC_NM_KOR']) data_bind.round(4).head() # 가치 지표의 z-score 계산 # 가치 지표에 해당하는 열(PBR, PCR, PER, PSR) 선택해서 col_clean() 적용, 오름차순 value_1 = data_bind_group[['PBR', 'PCR', 'PER', 'PSR']].apply(lambda x: col_clean(x, 0.01, True)) # DY(배당수익률)의 경우 내림차순으로 계산 value_2 = data_bind_group[['DY']].apply(lambda x: col_clean(x, 0.01, False)) # 두 결과를 합쳐 z-score의 합을 구한 후, 데이터프레임 형태로 변경 z_value = value_1.merge(value_2, on=['종목코드', 'SEC_NM_KOR' ]).sum(axis=1, skipna=False).to_frame('z_value') # data_bind 테이블과 합치며, z_value 열에는 밸류 지표의 z-score가 표시 data_bind = data_bind.merge(z_value, how='left', on=['종목코드', 'SEC_NM_KOR']) data_bind.round(4).head() # 모멘텀 지표의 z-score 계산 # 모멘텀 지표에 해당하는 열(12M, K_ratio) 선택 후 col_clean() 적용 z_momentum = data_bind_group[[ '12M', 'K_ratio' ]].apply(lambda x: col_clean(x, 0.01, False)).sum( axis=1, skipna=False).to_frame('z_momentum') # data_bind 테이블과 합치며, z_momentum 열에는 모멘텀 지표의 z-score가 표시 data_bind = data_bind.merge(z_momentum, how='left', on=['종목코드', 'SEC_NM_KOR']) data_bind.round(4).head() # 팩터 분포를 시각화 data_z = data_bind[['z_quality', 'z_value', 'z_momentum']].copy() fig, axes = plt.subplots(3, 1, figsize=(10, 6), sharex=True, sharey=True) for n, ax in enumerate(axes.flatten()): ax.hist(data_z.iloc[:, n]) ax.set_title(data_z.columns[n], size=12) fig.tight_layout() # plt.show() # 팩터 분포가 동일하지 않으니 z-score를 다시 계산해서 분포의 넓이를 비슷하게 맞춤 # 종목 코드와 각 팩터의 z-score만 선택한 후, 종목 코드를 인덱스로 설정 # apply()를 통해서 z-score 다시 계산 data_bind_final = data_bind[['종목코드', 'z_quality', 'z_value', 'z_momentum' ]].set_index('종목코드').apply(zscore, nan_policy='omit') # 열 이름 설정 data_bind_final.columns = ['quality', 'value', 'momentum'] # plt.rc('font', family='Malgun Gothic') # plt.rc('axes', unicode_minus=False) # fig, axes = plt.subplots(3, 1, figsize=(10, 6), sharex=True, sharey=True) for n, ax in enumerate(axes.flatten()): ax.hist(data_bind_final.iloc[:, n]) ax.set_title(data_bind_final.columns[n], size=12) fig.tight_layout() # plt.show() # 각 팩터간 상관 관계 확인 mask = np.triu(data_bind_final.corr()) fig, ax = plt.subplots(figsize=(10, 6)) sns.heatmap(data_bind_final.corr(), annot=True, mask=mask, annot_kws={"size": 16}, vmin=0, vmax=1, center=0.5, cmap='coolwarm', square=True) ax.invert_yaxis() # plt.show() # 각 팩터간 상관관계가 매우 낮으며, 여러 팩터를 동시에 고려함으로써 분산효과를 기대할 수 있다. # 이제 계산된 팩터들을 토대로 최종 포트폴리오를 구성해 보자. # 각 팩터를 동일 비중으로 설정. 0.2, 0.4, 0.4 등 중요하다고 생각되는 팩터에 비중을 다르게도 지정할 수 있음 wts = [0.3, 0.3, 0.3] # 위에서 설정한 비율을 반영해서 데이터프레임 형태로 변경 data_bind_final_sum = (data_bind_final * wts).sum(axis=1, skipna=False).to_frame() data_bind_final_sum.columns = ['qvm'] # 기본 테이블(data_bind)과 합침 port_qvm = data_bind.merge(data_bind_final_sum, on='종목코드') # 최종 z-score의 합(qvm) 기준 순위가 20위 이내인 경우 투자 종목에 해당하니 Y로 표시, 나머진 N port_qvm['invest'] = np.where(port_qvm['qvm'].rank() <= count, 'Y', 'N') # round()는 DataFrame 객체 내의 요소를 반올림하는 메서드 return port_qvm[port_qvm['invest'] == 'Y'].round(4) # 이하 선택된 종목과 선택되지 않은 종목들 간의 특성을 그리기 위한 코드 # data_melt = port_qvm.melt(id_vars='invest', # value_vars=[ # 'ROE', 'GPA', 'CFO', 'PER', 'PBR', 'PCR', 'PSR', # 'DY', '12M', 'K_ratio' # ]) # # data_melt['size'] = data_melt['invest'].map({'Y': 100, 'N': 10}) # data_melt.head() # # hist_quality = data_melt[data_melt['variable'].isin(['ROE', 'GPA', # 'CFO'])].copy() # hist_quality['rank'] = hist_quality.groupby('variable')['value'].rank( # ascending=False) # plot_rank(hist_quality) # # hist_value = data_melt[data_melt['variable'].isin( # ['PER', 'PBR', 'PCR', 'PSR', 'DY'])].copy() # hist_value['value'] = np.where(hist_value['variable'] == 'DY', # 1 / hist_value['value'], hist_value['value']) # hist_value['rank'] = hist_value.groupby('variable')['value'].rank() # plot_rank(hist_value) # # hist_momentum = data_melt[data_melt['variable'].isin(['12M', 'K_ratio'])].copy() # hist_momentum['rank'] = hist_momentum.groupby('variable')['value'].rank(ascending = False) # plot_rank(hist_momentum) # # port_qvm[port_qvm['invest'] == 'Y']['종목코드'].to_excel('model.xlsx', index=False)