如何获取公司两年日报价数据的调整系数以计算Beta并对比IBOV同期表现

一、准备匹配的收益率数据 #

• 提取目标资产的日/周度收益率：公式为 (当日收盘价 - 前一日收盘价) / 前一日收盘价，时间范围建议取2-5年（样本量足够保证回归可靠性）
• 同步提取IBOV指数的同期日/周度收益率：计算逻辑和资产收益率完全一致，必须剔除双方无交易的日期，保证时间维度1:1匹配
• 避坑：别用月度数据，样本量太少会导致回归结果偏差极大

二、计算原始Beta值（线性回归法） #

Beta本质是资产收益率与IBOV收益率的协方差除以IBOV收益率的方差，用线性回归直接求解最方便：

• 回归模型：资产收益率 = α + β*IBOV收益率 + ε，模型输出的β就是原始Beta
• 工具实现：
  • Excel：用SLOPE(资产收益率区域, IBOV收益率区域)函数一键得出结果
  • Python：用statsmodels库实现，示例代码：

import pandas as pd
import statsmodels.api as sm

# 假设df包含asset_return（资产收益率）、ibov_return（IBOV收益率）两列
X = sm.add_constant(df['ibov_return'])
ols_model = sm.OLS(df['asset_return'], X).fit()
raw_beta = ols_model.params['ibov_return']

三、计算调整Beta（获取调整系数） #

原始Beta会随时间漂移，行业通用Blume调整法修正，核心是均值回归逻辑：

• 调整公式：调整后Beta = 原始Beta * 0.67 + 1 * 0.33
• 逻辑：长期来看，单个资产的Beta会趋近于市场平均（即1），所以用0.67和0.33的权重向1靠拢，让Beta更具参考性

四、与IBOV同期表现对比 #

• 先算核心对比指标：
  • 累计收益率：资产和IBOV分别用 (期末收盘价/期初收盘价) - 1 计算，直接看资产跑赢/跑输幅度
  • 调整后Beta：若Beta>1，说明资产波动强于IBOV，上涨弹性大但下跌风险更高；若Beta<1，波动弱于IBOV，走势更稳健
  • 超额收益α：回归模型的截距项α，α>0代表资产在IBOV的基础上有额外收益，α<0则相反
• 对比逻辑：结合调整Beta和累计收益率，判断资产的风险收益特征是否匹配预期——比如Beta>1但累计收益率低于IBOV，说明资产承担了更高风险却没拿到对应收益

五、关键注意事项 #

• 数据要干净：剔除资产停牌、IBOV成分股调整的日期，避免异常值干扰回归结果
• 时间周期验证：不同周期的Beta可能差异明显，建议同时计算1年、3年的调整Beta做交叉验证
• 数据源可靠：IBOV和资产的收盘价从正规金融数据平台或巴西交易所官方渠道获取

内容的提问来源于stack exchange，提问作者Ariel Schreiber Dines