字数 1511，阅读大约需 8 分钟
在本地Python环境下构建回测框架时，很多人都会遇到一个问题：
如何像聚宽一样，生成一整套多指标的评价结果，从而更全面地衡量策略的表现？
其实，这件事情在本地是完全可以实现的。
聚宽的风险指标体系
在聚宽平台上回测时，总共能生成21个风险评估指标的结果，包括： 策略收益、策略年化收益、超额收益、基准收益、阿尔法、贝塔、夏普比率、胜率、盈亏比、最大回撤、索提诺比率、日均超额收益、超额收益最大回撤、超额收益夏普比率、日胜率、盈利次数、亏损次数、信息比率、策略波动率、基准波动率、最大回撤区间 。
同时，聚宽也在API文档里给出了各个指标的 计算方式 。因此，我们完全可以按照聚宽的公式，在本地用代码实现同样的计算逻辑。
聚宽风险评估指标介绍：https://www.joinquant.com/help/api/help#api:%E9%A3%8E%E9%99%A9%E6%8C%87%E6%A0%87
本地Backtrader回测
在本地Python环境中，常用的回测框架是Backtrader。那么，在本地使用 Backtrader 进行回测时，如何实现一套和聚宽类似的多指标回测框架呢？
首先，Backtrader 回测中最基础的输出仍然是 策略的收益率序列 ，这是后续各类风险与绩效指标计算的核心。
除此之外，还需要额外准备两个输入：
1. 第一个是每一笔交易的收益情况 ，用于计算胜率、盈亏比等基于交易层面的指标。Backtrader 在回测过程中会完整记录每一笔交易的信息。我们在策略类中添加如下代码即可：
class strategy(bt.Strategy):
def __init__(self):
self.trades = [] # 记录成交成功的历史订单
def notify_trade(self, trade):
if trade.isclosed:
self.trades.append(trade.pnl) # 记录盈亏金额基于每一笔交易的盈亏信息，我们可以计算 胜率、盈亏比、盈利次数、亏损次数 ：
# 胜率、盈亏比、盈利次数、亏损次数
wins = [x for x in strategy.trades if x > 0] # 盈利交易
losses = [x for x in strategy.trades if x <= 0] # 亏损交易
total_trades = len(strategy.trades)
win_rate = len(wins) / total_trades if total_trades > 0 else 0 # 胜率
total_profit = sum(wins)
total_loss = abs(sum(losses))
profit_factor = total_profit / total_loss if total_loss > 0 else float('inf') # 盈亏比
2. 第二个是基准指数的收益率序列 。这一部分可以直接通过 Tushare 获取对应指数数据，再转换为收益率序列，用于计算超额收益、Alpha、Beta 等指标。
- • 用Tushare获取基准指数收益率序列 ：
# 基准指数收益
Ashare = pro.index_daily(**{'ts_code':'000300.SH',
'trade_date': "",
'start_date': start_date,
'end_date': end_date,
'limit':"",
'offset':""},
field=['ts_code', 'trade_date', 'close',
'pre_close', 'pct_chg'])
Ashare.index = pd.to_datetime(Ashare.trade_date)
Ashare = Ashare.sort_index(axis=0) - • 计算超额收益、Alpha、Beta等指标 ：
# beta
X = sm.add_constant(market_pnl) # 自变量：基准收益
y = port_pnl # 因变量：策略收益
model = sm.OLS(y, X).fit()
beta = model.params[1] # 斜率即beta
# alpha
annualized_strategy_return = perf_stats.loc['Annual return'][0]
annualized_market_return = perf_stats_market.loc['Annual return'][0]
alpha = annualized_strategy_return - \
(risk_free_rate + beta * (annualized_market_return - risk_free_rate)) 小结
基于以上思路和数据，我们就可以在本地 Python 环境中搭建出一套与聚宽类似的多指标回测框架，对策略表现进行全面、系统的评估。
同时，本地实现的回测框架能带来更高的 自由度 ，所有数据与计算过程都可随时调试和核查，相比平台上的“黑箱式”回测要 直观、可控得多 。
实现以上过程的核心代码如下：
# 分析函数
def analyzer(port_pnl, market_pnl, strategy, risk_free_rate=0.03):
stats_index = ['策略收益', '策略年化收益', '超额收益','基准收益',
'阿尔法','贝塔','夏普比率','胜率','盈亏比','最大回撤','索提诺比率',
'日均超额收益','超额收益最大回撤','超额收益夏普比率','日胜率',
'盈利次数','亏损次数','信息比率','策略波动率','基准波动率']
stats_all = pd.Series(index = stats_index, dtype='float64')
# 用pyfolio包统计时间段的收益指标，包括累计收益、年化收益、夏普比率、最大回撤、索提诺比率
perf_stats = pf.timeseries.perf_stats((port_pnl)).to_frame(name='all')
perf_stats_market = pf.timeseries.perf_stats((market_pnl)).to_frame(name='all')
# 回撤序列
cumulative = (port_pnl + 1).cumprod()/(port_pnl[0]+1)
max_return = cumulative.cummax()
drawdown = (cumulative - max_return) / max_return
cumulative_market = (market_pnl + 1).cumprod()/(market_pnl[0]+1)
# beta
X = sm.add_constant(market_pnl) # 自变量：基准收益
y = port_pnl # 因变量：策略收益
model = sm.OLS(y, X).fit()
beta = model.params[1] # 斜率即beta
# alpha
annualized_strategy_return = perf_stats.loc['Annual return'][0]
annualized_market_return = perf_stats_market.loc['Annual return'][0]
alpha = annualized_strategy_return - \
(risk_free_rate + beta * (annualized_market_return - risk_free_rate))
# 策略波动率
port_volatility = np.sqrt(250*port_pnl.var(ddof=1))
# 基准波动率
market_volatility = np.sqrt(250*market_pnl.var(ddof=1))
# 超额收益
daily_ratio_alpha = (1 + port_pnl) / (1 + market_pnl) - 1
# 日均超额收益
AEI = daily_ratio_alpha.mean()
# 超额收益最大回撤
cumulative_alpha = (daily_ratio_alpha + 1).cumprod()/(daily_ratio_alpha[0] + 1)
max_return_alpha = cumulative_alpha.cummax()
maxdrawdown_alpha = np.min((cumulative_alpha - max_return_alpha) / max_return_alpha)
# 超额收益夏普比率
perf_stats_alpha = pf.timeseries.perf_stats((daily_ratio_alpha)).to_frame(name='all')
sharp_ratio_alpha = perf_stats_alpha.loc['Sharpe ratio'][0]
# 日胜率
daily_win = port_pnl > market_pnl # 返回布尔序列（True表示跑赢）
total_days = len(daily_win)
win_days = daily_win.sum() # True的个数即为赢的天数
daily_win_rate = (win_days / total_days)
# 信息比率
daily_stdv = (port_pnl - market_pnl).std()
annualized_stdv = daily_stdv * np.sqrt(250)
information_ratio = \
(perf_stats.loc['Annual return'][0] - perf_stats_market.loc['Annual return'][0])/annualized_stdv
# 胜率、盈亏比、盈利次数、亏损次数
wins = [x for x in strategy.trades if x > 0] # 盈利交易
losses = [x for x in strategy.trades if x <= 0] # 亏损交易
total_trades = len(strategy.trades)
win_rate = len(wins) / total_trades if total_trades > 0 else 0
total_profit = sum(wins)
total_loss = abs(sum(losses))
profit_factor = total_profit / total_loss if total_loss > 0 else float('inf')
stats_all.loc['策略收益'] = perf_stats.loc['Cumulative returns'][0]
stats_all.loc['策略年化收益'] = perf_stats.loc['Annual return'][0]
stats_all.loc['超额收益'] = cumulative_alpha[-1] - 1
stats_all.loc['基准收益'] = perf_stats_market.loc['Cumulative returns'][0]
stats_all.loc['阿尔法'] = alpha
stats_all.loc['贝塔'] = beta
stats_all.loc['夏普比率'] = perf_stats.loc['Sharpe ratio'][0]
stats_all.loc['胜率'] = win_rate
stats_all.loc['盈亏比'] = profit_factor
stats_all.loc['最大回撤'] = abs(perf_stats.loc['Max drawdown'][0])
stats_all.loc['索提诺比率'] = perf_stats.loc['Sortino ratio'][0]
stats_all.loc['日均超额收益'] = AEI
stats_all.loc['超额收益最大回撤'] = abs(maxdrawdown_alpha)
stats_all.loc['超额收益夏普比率'] = sharp_ratio_alpha
stats_all.loc['日胜率'] = daily_win_rate
stats_all.loc['盈利次数'] = len(wins)
stats_all.loc['亏损次数'] = len(losses)
stats_all.loc['信息比率'] = information_ratio
stats_all.loc['策略波动率'] = port_volatility
stats_all.loc['基准波动率'] = market_volatility
没有评论:
发表评论