การหา Max Drawdown ด้วย Python

การทำ portfolio optimization ด้วย google colab III

3 min readApr 12, 2020

มาตรวัดความเสี่ยงที่นักลงทุนมักใช้กันคือค่าความผันผวนหรือส่วนเบี่ยงเบนมาตรฐาน แต่ข้อจำกัดหนึ่งคือ ค่าความผันผวนหรือส่วนเบี่ยงเบนมาตรฐานนั้นไม่จำเป็นต้องเป็นเรื่องเลวร้าย เพราะมันคือส่วนที่เบี่ยงเบนไปจากค่าเฉลี่ย แต่ถ้าเราบอกว่าความเสี่ยงคือความน่าจะเป็นที่จะเสียเงินค่าความผันผวนหรือส่วนเบี่ยงเบนมาตรฐานอาจไม่ใช่ตัวชี้วัดที่ดี

ถ้าเราบอกว่าการลงทุนนี้กรณีเลวร้ายสุดจะเสียเงินเท่าใหร่นั้นแหละคือความเสี่ยง กรณีเลวร้ายสุดจะเสียเงินเท่าใหร่เราเรียกมันว่า Max Drawdown

มาเริ่มกันเลย

สิ่งแรกที่เราต้องทำคือ import liberly เราใช้ numpy กับ pandas ในการจัดการข้อมูล และmatplot สำหรับสร้างกราฟ

# load packages
import pandas as pd
import numpy as np
import pandas_datareader as pdr
import seaborn as sns
from matplotlib import pyplot as plt# not needed, only to prettify the plots.
import matplotlib
from IPython.display import set_matplotlib_formats
%matplotlib inline

ดึงข้อมูล Data

เรามาดึงข้อมูลจาก yahoo โดยใช้ pandas_datareader

from pandas_datareader import data as pdr

import fix_yahoo_finance as yf
yf.pdr_override() # <== that's all it takes :-)

ข้อมูลที่เราจะดึงในครั้งนี้คือ Vanguard Large-Cap Index Fund ETF ที่เป็นกองอิงดัชนี้ที่ใหญ่ที่สุด และprint ข้อมูลมาดู

# ===========
today = "2020-01-01"  # to make static this script.
tckr = 'VV'  # Vanguard Large-Cap Index Fund ETF Shares (VV)# download data
data_1 = pdr.get_data_yahoo(tckr, "2000-01-01", today)
# add frequency needed for some pandas functionalities releated with offsets
data_1 = data_1.asfreq('B')  
data_1.columns = data_1.columns.map(lambda col: col.lower())data_1.head(5)

เราจะเลือกเฉพาะราคาปิดไปคำนวณและเปลี่ยนชื่อคอลัมเล็กน้อย

data_1 = data_1[[ 'close']]
data_1.rename(columns={'close':'large_cap'},inplace=True)
data_1.head()

คำนวณ Max Drawdown วิธีที่ 1

คำนวณหาจุดสูงสุดก่อนหน้า

previous_peeks_1 = data_1.cummax()
previous_peeks_1.plot()
data_1.plot()

เพื่อใครงจุดสูงสุดก่อนหน้าคือเราจะเอาจุดสูงสุดที่เกิดก่อนน้านี้หากค่าใหม่น้อยกว่าเดิมมันจะเลือกค่าจุดสูงสุดก่อนหน้ามาเติม

หลังจากนั้นเราสามารถคำนวณหา drowdown โดยเอาข้อมูลลบด้วยข้าสูงสุดก่อนหน้า

drowdown_1 = (data_1 - previous_peeks_1)/previous_peeks_1

drowdown_1.plot()

หา max drowdown โดยการหาค่าmax ของ drowdown

drowdown_1.min()

ล้อเล่นนะครับจริงๆแล้ว ค่า Max drowdown คือค่า drowdown ที่น้อยที่สุดจึงต้องเป็นค่า min นั้นเอง

drowdown_1.min()
drowdown_1.idxmin()

คำนวณ Max Drawdown วิธีที่ 2 โดยสร้าง ฟังชั่น

เราสามารถสร้างฟังชั่ด้วย code ดังต่อไปนี้ ซึ่งก็คล้ายกับวิธีแรก

def drawdown(series: pd.Series):
    """Takes a time series of asset price.
       returns a DataFrame with columns for 
       the previous peaks, and 
       the percentage drawdown
    """
    previous_peaks = series.cummax()
    drawdowns = (series - previous_peaks)/previous_peaks
    return pd.DataFrame({"series": series, 
                         "Previous Peak": previous_peaks, 
                         "Drawdown": drawdowns})

เสร็จปุ๋บก็เราก็ใช้ฟังชันตามนี้

drawdown(data_1["large_cap"]).min()

คำนวณ Max Drawdown วิธีที่ 3 วิธีที่ง่ายที่สุด ใช้ liberly ffn.

เนื่องจากใน colab ไม่มี liberly นี้ต้อง install ก่อน

!pip install ffnimport ffn#%pylab inline

เรียกใช้ liberly และหา drowdow

stats = data_1.calc_stats()
ax = stats.prices.to_drawdown_series().plot()

max_drawdown = stats.prices.to_drawdown_series().min()max_drawdown

จบครั้งหน้าเรายังอยู่ในเรื่องความเสี่ยงนะครับจะมีตัววัดความเสี่ยงอะไรอีกติดตามตอนต่อไปนะครับ

Notebook;

Google Colaboratory

Edit description

colab.research.google.com

github;

nutdnuy/Portfolio_optimization_with_Python

Contribute to nutdnuy/Portfolio_optimization_with_Python development by creating an account on GitHub.

github.com

อ่านตอนอื่นๆได้ที่