262 lines
11 KiB
Python
262 lines
11 KiB
Python
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
|
|
import quantcommon
|
|
|
|
# 멀티 팩터 포트폴리오.
|
|
# 퀄리티: 자기자본이익률(ROE), 매출총이익(GPA), 영업활동현금흐름(CFO)
|
|
# 밸류: PER, PBR, PSR, PCR, DY
|
|
# 모멘텀: 12개월 수익률, K-Ratio
|
|
engine = quantcommon.QuantCommon().create_engine()
|
|
|
|
# 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(count):
|
|
qc = quantcommon.QuantCommon()
|
|
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() <= 20, '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)
|
|
|
|
|
|
if __name__ == '__main__':
|
|
top = get_multi_factor_top(20)
|
|
# head() 상위 n개 반환. 기본값은 5
|
|
print(top.head())
|
|
top['종목코드'].to_excel('model.xlsx', index=False) |