Skip to content

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(VT−V0)/V0沒說明花多久、中間有無現金流
終值 (FV)PV⋅(1+r)n複利:利息再生利息,成長是乘法累積
現值 (PV)FV/(1+r)n折現:與終值互為對偶
每期利率年利率 12%、按月計息 → 每期 0.12/12=1%先對齊利率頻率與付款頻率
有效年利率 (EAR)(1+rnom/m)m−1按月複利的名目 12% → EAR 12.68%
淨現值 (NPV)∑tCFt/(1+r)t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:P=F/(1+y)T
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:

ΔPP≈−DmodΔy+12C(Δy)2
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