公募基金累计收益率、夏普比率、相关系数怎么计算最高效？

What this page covers

• 新闻页的标题与发布日期信息。
• 公募基金分析需求与教程/代码的发布位置说明。
• 公开市场数据的规模、存储建议与基础查询/统计/可视化示例。
• 历史净值数据的存储分区与收益/风险/相关性等指标计算流程示例。
• DolphinDB 与 Python Pandas 的性能对比与原因说明。

技能认证特训营第二期报名推广

页面顶部包含活动推广信息与报名链接入口。

• 提供“技能认证特训营第二期”的报名入口链接。
• 报名链接指向 qingsuyun.com 的活动页面。

新闻页标题与发布日期

展示新闻栏目标识、文章标题与发布日期信息。

• 文章标题为“公募基金累计收益率、夏普比率、相关系数怎么计算最高效？”。
• 文章发布日期为 2022.10.12。
• 页面包含新闻栏目相关标识信息。

文章导语：公募基金数据分析需求与教程发布

说明公募基金分析需求增长，并基于公开市场数据与历史净值数据展示 DolphinDB 时间序列分析范式；完整教程与代码已发布。

• 提到公募基金分析需求在增长。
• 示例覆盖公开市场数据与历史净值数据两类数据源。
• 完整教程和代码发布在知乎 @DolphinDB。

公募基金公开市场数据预处理

描述公开市场数据规模、维度表存储建议，并给出数据导入、预览、费用查询、分组统计与直方图绘制等方法示例。

• 截至 2022 年 7 月的公募基金总数约 1 万多只。
• 公开市场数据表的行数与面市公募基金总数相等。
• 建议用 DolphinDB 的维度表存储公开市场数据。
• 维度表是不分区的表，适合不频繁更新的小数据集。
• 示例查询：筛选综合费率最低的 50 只债券型且非指数型基金并按 Fee 排序。
• 可按基金类型分组做统计摘要（均值、最值、计数、标准差、分位数等）。
• 可按基金类型分组绘制分布直方图（plotHist）。

公募基金历史净值数据基础分析

围绕复权净值与大规模历史净值数据的存储分区，展示收益率、基金数量变化、季度/年度收益、夏普比率、相关系数与持有区间累计收益率等计算流程示例。

• 教程使用复权净值进行与回报率相关的分析。
• 截至 2022 年 7 月的历史净值数据表约 1 千多万条。
• 历史净值数据建议使用 DolphinDB 分区表存储。
• 时间维度分区以“年”为最小单位。
• 示例流程包含计算复权净值的日收益率（percentChange）。
• 示例包含季度平均收益率计算（resample 到 “Q”）。
• 示例包含年度平均收益率计算，并可按基金类型聚合。
• 示例包含夏普比率计算公式：sharpe = (exp - 0.028) / vol。
• 示例包含相关系数矩阵计算（pcross(corr, returnsMatrix50)）。
• 示例包含持有区间累计收益率计算流程的一部分（align）。

性能对比：DolphinDB vs Python Pandas

给出 DolphinDB 与 Python Pandas 的多项任务性能对比，并说明性能优势与存储/计算引擎融合和分布式并行能力相关。

• 对比测试覆盖多项指标计算任务（如最低费用基金查询、日收益率、季度/年度收益、持有一年累计收益等）。
• 图片说明给出性能提升范围为 3.3 至 7.3 倍。
• 文中结论称 DolphinDB 的函数计算性能普遍优于 Python Pandas 的函数。
• 原因描述包括存储引擎与计算引擎的高度融合。
• 原因描述包括便于实现分布式并行计算，从而提高效率并节省内存资源。
• 教程目标之一是降低 DolphinDB 初学者学习成本并帮助快速上手基金数据基础分析。

Facts Index