fund-risk-analyzer

# ETF Screener / ETF 多维对比工具 基于用户提供的净值（NAV）数据，对多只 ETF 进行多维度风险收益对比分析，自动计算年化收益率、最大回撤、夏普比率，并生成相关性矩阵。 ## Quick Start ### 基础对比 ```bash python scripts/etf_screener.py --input nav_data.csv ``` ### 自定义无风险利率 + CSV 导出 ```bash python scripts/etf_screener.py --input nav_data.csv --risk-free 0.03 --output report.csv ``` ### JSON 输出（便于程序化处理） ```bash python scripts/etf_screener.py --input nav_data.csv --json ``` ## 输入数据格式 CSV 文件，第一列为日期，后续列为各 ETF 的净值： ```csv date,沪深300ETF,中证500ETF,纳指ETF 2023-01-03,1.0000,1.0000,1.0000 2023-01-04,1.0050,0.9980,1.0020 2023-01-05,1.0120,1.0010,1.0080 ... ``` - 日期列名不限，格式不限（仅用于标注区间） - ETF 列名即为对比报告中的名称 - 缺失值用空白或 `NaN` 表示，会自动跳过 ## 计算说明 ### 年化收益率 (Annualized Return) 基于首尾净值计算总收益，再按交易日数年化： `Ann. Return = (NAV_end / NAV_start) ^ (trading_days / n_days) - 1` ### 最大回撤 (Max Drawdown) 净值序列中从峰值到谷底的最大跌幅： `MDD = max( (peak - trough) / peak )` ### 夏普比率 (Sharpe Ratio) 风险调整后收益指标： `Sharpe = (Annualized Return - Risk-Free Rate) / Annualized Volatility` 年化波动率由日收益率标准差乘以 `√(trading_days)` 得出。 ### 相关性矩阵 (Correlation Matrix) 基于日收益率计算 Pearson 相关系数，衡量 ETF 间的联动程度。相关系数接近 1 表示高度正相关，接近 0 表示不相关，接近 -1 表示负相关。 ## 参数说明 | 参数 | 必填 | 默认值 | 说明 | |------|------|--------|------| | `--input` / `-i` | 是 | - | 净值 CSV 文件路径 | | `--risk-free` / `-rf` | 否 | 0.02 | 年化无风险利率（如 0.03 表示 3%） | | `--trading-days` | 否 | 252 | 每年交易日数（A 股 252，美股 252） | | `--output` / `-o` | 否 | - | 输出文件路径（.csv 或 .json） | | `--json` | 否 | false | 以 JSON 格式输出到 stdout | ## 使用场景 - 对比多只 ETF 的风险收益特征，辅助资产配置决策 - 分析 ETF 间的相关性，构建低相关的投资组合 - 评估基金经理表现（夏普比率越高越好） - 回测不同资产在特定时间段的表现 ## 注意事项 - 本工具使用纯 Python 标准库，无需安装额外依赖 - 净值数据需要足够的时间跨度（建议至少 60 个交易日）才能获得有意义的统计指标 - 夏普比率受无风险利率假设影响，请根据实际市场环境调整 `--risk-free` 参数 - 相关性矩阵需要至少 2 只 ETF 才能生成