如何用 Python 计算滚动 Beta（时变 Beta）？

原创

用户7083614

发布于 2026-10-21 10:01:19

170

一句话回答： 静态 Beta 只给整段区间一个数，掩盖了变化；滚动 Beta 用「滚动窗口内的 cov(个股, 大盘) ÷ var(大盘)」算出随时间变化的 Beta 序列，能看出个股对大盘敏感度何时抬升、何时降低。用 AlphaFeed 取个股与沪深300（000300.SH）的前复权收益率，几行 pandas 的 rolling 就能得到时变 Beta。

为什么会有这个问题 / 传统做法的痛点

一只票整段算出来 Beta=1.1，但它可能上半年 Beta 0.8、下半年飙到 1.5——静态值把这种变化抹平了。做风险管理、对冲、择时时，你需要知道当前的 Beta 而非历史平均。滚动 Beta 正好解决。坑在于：个股与指数收益必须按交易日对齐、都用前复权、窗口太短噪音大、太长又滞后。

分步骤解决（每步配可运行代码）

第 1 步：取个股与沪深300的前复权收益

from alphafeed import AlphaFeed
import pandas as pd

af = AlphaFeed()  # 读取 ALPHAFEED_API_KEY

def close_series(symbol, count=500):
    k = af.klines.get(symbol, period="1d", count=count,
                      adjust="forward", to_dataframe=True)
    return k.sort_values("trade_date").set_index("trade_date")["close"]

stock = close_series("600519.SH")
index = close_series("000300.SH")     # 沪深300 指数

# 按交易日对齐后算收益
df = pd.DataFrame({"stock": stock, "index": index}).dropna()
ret = df.pct_change().dropna()

个股与指数都用前复权价、并 dropna() 对齐到共同交易日，避免错位。

第 2 步：滚动 Beta = 滚动协方差 ÷ 指数滚动方差

def rolling_beta(r_stock, r_index, window=60):
    cov = r_stock.rolling(window).cov(r_index)
    var = r_index.rolling(window).var()
    return cov / var

ret["beta60"] = rolling_beta(ret["stock"], ret["index"], 60)
ret["beta120"] = rolling_beta(ret["stock"], ret["index"], 120)
print(ret[["beta60", "beta120"]].tail(5).to_string())

参数与含义：

参数/字段	含义	常用值/解读
`window`	滚动窗口（交易日）	60（约3月）/120（约半年）
`beta`	该窗口内对大盘的敏感度	1 比大盘波动大
上升的 beta	敏感度增强	进攻性变强/风险变大
下降的 beta	敏感度减弱	防御性变强

第 3 步：观察 Beta 的变化区间

b = ret["beta60"].dropna()
print(f"当前Beta60={b.iloc[-1]:.2f} | 区间[min={b.min():.2f}, max={b.max():.2f}, 均值={b.mean():.2f}]")
# 与静态全样本 Beta 对比
static_beta = ret["stock"].cov(ret["index"]) / ret["index"].var()
print(f"静态全样本Beta={static_beta:.2f}（滚动Beta揭示了它掩盖的时变）")

第 4 步：批量算多只股票的当前滚动 Beta

codes = ["600519.SH", "000001.SZ", "601318.SH", "000858.SZ"]
data = af.klines.batch(codes, period="1d", count=500,
                       adjust="forward", to_dataframe=True)
idx_ret = index.pct_change()
rows = []
for s, k in data.items():
    sret = k.sort_values("trade_date").set_index("trade_date")["close"].pct_change()
    a = pd.DataFrame({"s": sret, "i": idx_ret}).dropna()
    beta = a["s"].rolling(60).cov(a["i"]).iloc[-1] / a["i"].rolling(60).var().iloc[-1]
    rows.append({"symbol": s, "beta60": round(float(beta), 2)})
print(pd.DataFrame(rows).to_string(index=False))

关键坑与注意事项

个股与指数都用前复权：口径不一致会让 Beta 失真。
必须按交易日对齐：用 dropna() 取共同交易日，停牌缺失别前视填充。
窗口选择是权衡：60 日灵敏但噪音大，120/250 日稳但滞后；按用途选，可多窗口对照。
Beta 不预测方向：它衡量的是相对大盘的波动敏感度（系统性风险），不是涨跌预测。
指数基准要匹配：大盘股用沪深300（000300.SH），中小盘可用中证500（000905.SH）等更贴切的基准。
样本要足够：window 需预热，count 要明显大于窗口，忽略头部 NaN。

常见问题（FAQ）

Q：滚动 Beta 和静态 Beta 有什么区别？

A：静态 Beta 是整段区间一个数；滚动 Beta 是每个窗口一个数、形成时间序列，能看出敏感度的变化，更适合风险管理与当前状态判断。

Q：窗口用 60 还是 120？

A：看用途。短线/择时用 60（约 3 个月）更灵敏；稳健评估用 120/250。建议多窗口一起看。

Q：基准指数怎么选？

A：大盘蓝筹用沪深300（000300.SH），中小盘用中证500（000905.SH）或对应板块指数，基准越贴切 Beta 越有意义。

Q：需要付费吗？

A：个股与指数单只日线有免费额度；批量算多只滚动 Beta（klines.batch）需 Starter 及以上。详见定价页。

小结

滚动 Beta 把「一个静态数字」变成「随时间变化的敏感度序列」，揭示个股对大盘系统性风险的动态变化。用 AlphaFeed 取个股与沪深300 前复权收益、按交易日对齐，用 rolling().cov()/rolling().var() 几行就能算出时变 Beta。关键是前复权、对齐交易日、合理选窗口与基准。