外觀
Data Science › 應用領域 › Finance › 金融基本概念
金融基本概念 (Financial Concepts)
很多金融問題的骨架是同一套:時間 (time)、現金流 (cash flow)、利率 (rate) 如何一起作用。本篇依序是貨幣時間價值、債券估值與利率風險、金融資料特有的清理問題。一般的 CSV / dtype / 日期處理見 匯入資料、Datetime。
貨幣時間價值 (Time Value of Money)
今天的一塊錢比未來的一塊錢更有價值,因為它反映機會成本、通膨、不確定性與流動性偏好。所以估值問題都變成:把未來現金流折回今天(discounting),或把今天的資金投影到未來(compounding)。
| 概念 | 公式 | 說明 |
|---|---|---|
| 報酬率 | 沒說明花多久、中間有無現金流 | |
| 終值 (FV) | 複利:利息再生利息,成長是乘法累積 | |
| 現值 (PV) | 折現:與終值互為對偶 | |
| 每期利率 | 年利率 12%、按月計息 → 每期 | 先對齊利率頻率與付款頻率 |
| 有效年利率 (EAR) | 按月複利的名目 12% → EAR 12.68% | |
| 淨現值 (NPV) | 增加多少價值;> 0 才值得做 | |
| 內部報酬率 (IRR) | 使 NPV = 0 的 r | 隱含報酬率;現金流正負號多次改變時可能有多個解 |
| 等值年金 (EAA) | 把 NPV 攤成每年等額 | 比較壽命不同的專案 |
python
import numpy as np
import numpy_financial as npf # pip install numpy-financial(NumPy 已移除 np.npv 等函式)
cf = np.array([-1000, 300, 400, 500]) # t = 0, 1, 2, 3
npf.npv(0.08, cf) # 17.63:npf.npv 的第一筆不折現(t = 0)
npf.irr(cf) # 0.0889
# 房貸:30 年、年利率 6%、按月付款
rate, n, principal = 0.06 / 12, 30 * 12, 500_000
pmt = -npf.pmt(rate, n, principal) # 每月 2997.75
interest_1 = principal * rate # 第一期利息 2500:早期大部分付利息,後期才多還本金注意 Excel 的
NPV()從第 1 期開始折現,與numpy_financial.npv不同;要把 t = 0 的投入另外加上。Excel 中逐期拆分本金與利息的攤還表見 貸款攤還表。
| 概念 | 要點 |
|---|---|
| 資本成本 (cost of capital) | 折現率不是憑感覺;公司層級常用 WACC:依資本結構加權的債務成本(稅後)與股東要求報酬 |
| 債務 vs 權益 | 債權人先拿固定承諾的現金流(下檔保護高);股東拿剩餘索取權(上檔參與大) |
| 房貸與房屋淨值 | 房價路徑與貸款攤還是兩條不同的動態;房價低於剩餘貸款時為 underwater mortgage |
| 財富累積 | 收入成長、支出、緊急預備金、稅、通膨、投資複利一起作用的多期預算問題 |
| 成長預測 | 跨期成長是乘法:年成長 5% 十年是 ×1.629,不是 +50% |
| 常見錯誤 | |
|---|---|
| 用總報酬比較不同持有期間 | 先年化 |
| 沒對齊複利頻率就套用利率 | 年利率直接當月利率 |
| 名目現金流直接相加 | 沒先折現 |
| 只看房貸月付金額 | 沒看本金與利息的分解 |
| 用單一高報酬說服自己 | 沒把風險與資本成本放進來 |
債券估值與利率風險
債券估值的本質是把一串已知的現金流用適當的殖利率折現,再分析價格對利率變化有多敏感。以下假設固定票息、固定到期、沒有嵌入選擇權(可贖回、可賣回、可轉換債的現金流時點與金額不固定,分析更複雜)。
| 元素 | 意義 |
|---|---|
| 發行人 (issuer) | 誰借錢 |
| 面額 (par / face value) | 到期返還的本金 |
| 票面利率 (coupon rate) | 承諾支付的利息率 |
| 付息頻率 | 年付、半年付、季付 |
| 到期日 (maturity) | 本金何時返還 |
價格與殖利率
| 債券 | 價格 |
|---|---|
| 零息債 | 只有到期一筆面額的現值: |
| 附息債 | 每筆票息與到期本金各自折現後加總(可視為一組零息債) |
殖利率 (yield to maturity, YTM) 是以目前價格買入持有到期的隱含年化報酬率。零息債可代數反推,附息債要用數值求根。殖利率可拆成無風險利率(相近到期的公債)+ 信用利差 + 其他風險溢酬(流動性、可贖回);沒有流動交易價格的債券,常參考相同信評、相近到期的可比債券殖利率。
python
from scipy.optimize import brentq
def bond_price(y, face=100, coupon=0.05, years=10, freq=2):
t = np.arange(1, years * freq + 1)
cf = np.full(t.size, face * coupon / freq); cf[-1] += face
return np.sum(cf / (1 + y / freq) ** t)
bond_price(0.05) # 100.0:票面利率 = 殖利率 → 平價
bond_price(0.06) # 92.56:殖利率上升,價格下跌(折價債)
ytm = brentq(lambda y: bond_price(y) - 95, 1e-6, 1) # 從價格反推殖利率:0.0566| 價格 vs 面額 | 條件 |
|---|---|
| 溢價 (premium) | 票面利率 > 殖利率 |
| 平價 (par) | 票面利率 ≈ 殖利率 |
| 折價 (discount) | 票面利率 < 殖利率 |
Duration 與 Convexity
價格–殖利率曲線是彎的,所以用一階與二階近似:
| 指標 | 意義 | 何時變大 |
|---|---|---|
| Modified duration | 殖利率變動 1%(100 bp)時價格變動約幾 %;一階斜率 | 到期越長、票息越低、殖利率越低 |
| Macaulay duration | 現金流的加權平均回收時間(年) | 同上 |
| DV01 | 殖利率變動 1 bp 時價格變動的金額 | 部位越大、duration 越長 |
| Convexity | 曲率;二階效果 | 同上 |
python
def duration_convexity(y, dy=1e-4, **kw):
p0, up, dn = bond_price(y, **kw), bond_price(y + dy, **kw), bond_price(y - dy, **kw)
D = (dn - up) / (2 * p0 * dy) # modified duration(數值近似)
C = (up + dn - 2 * p0) / (p0 * dy ** 2)
dv01 = (dn - up) / 2 # 每 1 bp
return D, C, dv01
D, C, dv01 = duration_convexity(0.05) # D ≈ 7.79、C ≈ 73.6、DV01 ≈ 0.078(每 100 面額)| 觀察 | 說明 |
|---|---|
| 小幅變動 | duration 的線性近似就夠,上升與下降效果接近對稱 |
| 大幅變動 | 只用 duration 會失準;正 convexity 讓殖利率下降時漲得比線性預測多、上升時跌得比預測少 |
| 避險 | 用 DV01 而不是面額:避險部位數 = 投組 DV01 / 避險工具 DV01;只消除一階暴露 |
| 常見錯誤 | |
|---|---|
| 混淆票面利率與殖利率 | 複利頻率與付息頻率沒對齊 |
| 有嵌入選擇權仍套用一般債券直覺 | 沒區分無風險基準與信用利差 |
| 用 duration 預測大幅利率變動 | 沒加 convexity 調整 |
| 避險只看面額 | 應看 DV01 |
金融資料的清理問題
金融分析常常不是從模型開始出錯,而是從資料開始:價格欄位、日期、缺值、代號對應、頻率,只要一處沒處理好,後面的報酬、風險、因子暴露都會被帶偏。
| 資料類型 | 來源例子 | 主軸 | 用途 |
|---|---|---|---|
| 價格歷史(OHLCV) | Yahoo Finance、交易所 | 日期 | 時間序列分析 |
| 總經與利率 | FRED、World Bank、OECD、Eurostat | 日期(月、季) | 無風險利率、景氣變數 |
| 匯率 | OANDA 等 | 日期 | 跨幣別換算 |
| 參考 metadata | 交易所掛牌資料 | 證券 | 產業、市值、上市年,用於橫斷面分組 |
真正的研究常要把兩者接起來:先用 metadata 挑出某產業的股票 → 抓價格 → 在時間序列上算報酬與暴露。
| 欄位 | 意義 | 用途 |
|---|---|---|
| Open / High / Low / Close | 期間內不同位置的價格 | 技術指標、日內區間、執行路徑 |
| Volume | 成交量 | 流動性 |
| Adjusted Close | 納入股票分割與股利調整 | 長期總報酬比較 |
python
import pandas as pd
px = pd.read_csv("prices.csv", parse_dates=["date"], index_col="date")
px = px.sort_index()
assert px.index.is_unique # 無重複時間戳
px = px.apply(pd.to_numeric, errors="coerce") # object 欄("1,234"、"-")轉數值
ret = px["adj_close"].pct_change().dropna() # 簡單報酬;用調整後價格
log_ret = np.log(px["adj_close"]).diff().dropna() # 對數報酬:多期可相加
# 多資產:寬表(每檔一欄)便於做報酬矩陣與共變異
wide = long.pivot(index="date", columns="ticker", values="adj_close")
# 不同頻率對齊:日價格 + 月總經資料 → 用「當時已公布」的值
macro = macro.reindex(wide.index, method="ffill") # 注意公布日 vs 參考期間(避免 look-ahead)| 注意 | 說明 |
|---|---|
| 時間索引 | 排序、無重複、頻率差異是預期的而非漏資料;合併不同來源前先定義曆法與對齊規則(股市休市日 vs 總經發布日) |
| 不規則觀測 | 成交、事件、稀疏的財報更新本來就不等距;補成規則網格前先說明缺口代表沒有交易、資料源缺值,還是頻率比原始資料密 |
| 公司行動 | 分割與除息讓原始價格出現結構性跳點;算長期報酬用調整後價格,否則假的崩跌會被當成真的 |
| 分析單位 | 一檔資產的時間序列、同一天多資產的橫斷面、或 panel:沒先講清楚,groupby、stack、pivot、resample 會搞混 |
| 存活者偏差 | 只用現在還在交易的股票回測,會遺漏下市的公司,高估歷史報酬 |
| 缺值的意義 | 停牌、尚未上市、資料源缺漏是不同的事 |