环境准备
测试用数据：demo_close_price_data点击下载
1
2
3
4
5
6
7
8
| import pandas as pd
import numpy as np
cp = pd.read_csv('close_price_demo.csv', encoding='gbk', index_col='date')
cp.index = pd.to_datetime(cp.index)
ret = cp.pct_change().iloc[1::]
cum_ret = (1+ret).cumprod()
cum_ret.plot(figsize=(10, 4))
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
|
BDAYS_PER_YEAR = 252
BDAYS_PER_QTRS = 63
BDAYS_PER_MONTH = 21
BDAYS_PER_WEEK = 5
DAYS_PER_YEAR = 365
DAYS_PER_QTRS = 90
DAYS_PER_MONTH = 30
DAYS_PER_WEEK = 7
MONTHS_PER_YEAR = 12
WEEKS_PER_YEAR = 52
QTRS_PER_YEAR = 4
def get_period_days(period):
period_days = {
'yearly': BDAYS_PER_YEAR, 'quarterly': BDAYS_PER_QTRS,
'monthly': BDAYS_PER_MONTH, 'weekly': BDAYS_PER_WEEK, 'daily': 1,
'monthly2yearly': MONTHS_PER_YEAR,
'quarterly2yearly': QTRS_PER_YEAR,
'weekly2yearly': WEEKS_PER_YEAR,
}
return period_days[period]
|
年化收益率
年化收益率是指你的投资策略在一年（252个交易日）所能获得的平均收益情况，是最直观反映策略优劣的指标之一。
假设在你的t日回测期间，你的本金从$p_0$变为了$p_t$，那么在这一时间段中，你所获得收益的年化收益率$r_y$可以通过以下方式计算：
$$
r_y=(\frac{p_t-p_0}{p_0}+1)^{\frac{252}{t}}-1
$$
其中，$r_b=\frac{p_t-p_0}{p_0}$为你在回测期间的总收益率。
Python实现方式
1
2
3
4
5
6
| def annual_return(returns_df, period='yearly'):
period_days = get_period_days(period)
total_return = (returns_df + 1).prod(axis=0)
annual_ret = total_return ** (period_days / returns_df.shape[0]) - 1
res_dict = {'annual_return': annual_ret}
return res_dict
|
年化波动率
年化波动率是指你的投资策略在一年（252个交易日）所能获得的平均收益的波动情况，能最基础的地反映策略的风险特征。
同样是在t日回测期间。我们首先计算出以日为频率的方差：$\sigma_d=\sqrt{\frac{\sum(r_i-\bar r)^2}{t}}$
我们假设每日的收益率之间是不相关的（这个假设显然太强了，不符合现实），因此根据方差具有可加性的原理，一年（252交易日）的波动率就为：$\sigma_y=\sqrt{252}\sigma_d$
Python实现
1
2
3
4
5
| def annual_volatility(returns_df, period='yearly'):
period_days = get_period_days(period)
annual_vol = returns_df.std() * (period_days ** 0.5)
res_dict = {'annual_volatility': annual_vol}
return res_dict
|
最大回撤
最大回撤是描述你的投资策略在回测期间所遭受的最大损失的大小，反映了一个策略的风险承受能力。
我们要注意，最大回撤区间的开始点不一定是最高点，结束点也不一定是最低点，因此不能想当然的去用最高减去最低，要根据实际情况进行讨论。
Python实现
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
| def maximum_drawdown(returns_df):
"""_summary_
Args:
returns_df (_pd.DataFrame_): 收益率的DataFrame
Returns:
mdd: 最大回撤
start: 回撤期开始时间点
end: 回撤期结束时间点
"""
cum_returns = (returns_df + 1).cumprod(axis=0)
peak = cum_returns.expanding().max()
dd = ((peak - cum_returns)/peak)
mdd = dd.max()
end = dd[dd==mdd].dropna().index[0]
start = peak[peak==peak.loc[end]].index[0]
res_dict = {
'max_drawdown': mdd, 'max_drawdown_start': start,
'max_drawdown_end': end,
}
return res_dict
|
