轉 Python量化策略風險指標

如何衡量一個量化策略的好壞？一是比較穩定的收益，二是有嚴謹的回測，三是有清晰的邏輯。——劉富兵

引言

盡管過去不能代表未來，通過歷史回測來評估量化策略仍然是量化投資非常重要的一環。量化回測過程中常用到的指標有年化收益率、最大回撤、beta、alpha、夏普比率、信息比率等（見下圖）。目前很多量化網站都能提供Python的量化回測框架，如聚寬 、優礦、萬礦、Zipline 、vnpy 和pyalgotrade等，為我們評估量化策略提供了很好的交互平臺。畢竟平臺的使用有其局限性，如果不借助平臺， 如何使用python寫一個簡單的量化回測框架呢？本文將一步一步為你展示如何使用python計算量化策略風險指標。文中提及股票僅供學習示例，不構成投資建議。

指標含義及公式

1.累計收益率與年化收益率

年化收益率是把當前收益率（日收益率、周收益率、月收益率）換算成年收益率來計算的，是一種理論收益率，并不是真正的已取得的收益率。因為年化收益率是變動的，所以年收益率不一定和年化收益率相同。

累計收益率：

其中，PT是期末賣出時的價格，Pt是期初買入時的價格。

年化收益率：

其中，R是期間總收益率，m是與n（可以是天數、周數、月數）相對應的計算周期，根據計算慣例，m=250、52、12分別指代日、周、月向年化的轉換。

2.最大回撤

在選定周期內任一歷史時點往后推，于最低點時的收益率回撤幅度的最大值。最大回撤用來描述可能出現的最糟糕的情況。最大回撤是一個重要的風險指標，對于量化策略交易，該指標比波動率還重要。

P為某一天的凈值，i為某一天，j為i后的某一天，Pi為第i天的產品凈值，Pj則是Pi后面某一天的凈值

則該基金的最大回撤計算如下：

即通過對每一個凈值進行回撤率求值，然后找出最大的。

3.Beta和Alpha

Beta：相當于業績評價基準收益的總體波動性，計算如下：

Pi和Pm分別指代個股（組合）、市場（如上證綜指）的收益率序列，beta值也常被用來衡量某一策略的系統性風險。

其含義可以簡單理解為：如果Beta為1，策略和市場（如滬深300指數）波動相同；如果Beta大于1，策略波動大于市場，如2，則市場上漲10%時，策略上漲20%；反之亦然。如果Beta小于1，則策略波動小于市場，如為0.8，市場上漲10%時，策略上漲8%；反之亦然。

Beta值如何看呢？這得具體問題具體分析，如果是牛市，個股、大盤狂漲，Beta值大的策略占優；如果是熊市，Beta值小的策略占優。

Alpha：實際收益和按照Beta系數計算的期望收益之間的差額。代表策略多大程度上跑贏了預期的收益率。

可以使用資本資產定價模型(CAPM)來估計策略的beta和alpha的值：

E(ri）是股票i的預期收益率，rf是無風險利率，rm是市場指數收益率；beta系數在評估股市波動風險與投資機會的方法中，常用來衡量結構性與系統性風險，可以簡單理解為個股波動相對大盤波動的偏離程度。CAPM的計量模型可以表示為：

alpha可以理解為超額收益率，最后一項是隨機擾動，可以理解為個體風險。

4.夏普比率和信息比率

夏普比率代表每多承擔一份風險，可以獲得幾份回報，即單位風險所獲得的超額回報，該比率越高，策略承擔單位風險得到的超額回報越高，所以夏普比率越高越好。

其中，Rp為策略年化收益率，Rf是無風險收益率，QP為年化標準差。

信息比率：含義與夏普比率類似，只不過其參照基準不是無風險收益率，而是策略的市場基準收益率。

其中，Rp為策略年化收益率，Rm為基準年化收益率（如滬深300指數），

Qt為策略與基準每日收益率差值的年化標準差。

Python計算量化指標

使用tushare獲取交易數據，考慮最簡單的策略：買入持有！分別計算期間總收益率，年化收益率，最大回撤，beta、alpha系數，夏普比率和信息比率。

#先引入后面可能用到的包（package）

importpandasaspd

importnumpyasnp

importmatplotlib.pyplotasplt

%matplotlib?inline

#正常顯示畫圖時出現的中文和負號

frompylabimportmpl

mpl.rcParams['font.sans-serif']=['SimHei']

mpl.rcParams['axes.unicode_minus']=False

###?獲取數據：tushare開源庫（確認已安裝好：pip?install?tushare）

importtushareasts

#起始和結束日期可以自行輸入，否則使用默認

defget_data(code,start_date="2009-01-01",?end_date="2019-01-18"):

df?=?ts.get_k_data(code,?start=start_date,?end=end_date)

df.index=pd.to_datetime(df.date)

returndf.close

#返回收盤價

#以上證綜指、貴州茅臺、工商銀行、中國平安為例

stocks={'sh':'上證綜指','600519':'貴州茅臺',

'601398':'工商銀行','601318':'中國平安'}

#獲取上述股票（指數）的每日前復權收盤價

df=pd.DataFrame()

forcode,nameinstocks.items():

df[name]=get_data(code)

df.head()

#以第一交易日2009年1月5日收盤價為基點，計算凈值

df_new=df/df.iloc[0]

#將上述股票在回測期間內的凈值可視化

df_new.plot(figsize=(16,7))

#圖標題

plt.title('股價凈值走勢',fontsize=15)

#設置x軸坐標

my_ticks?=?pd.date_range('2008-01-01','2019-01-18',freq='Y')

plt.xticks(my_ticks,fontsize=12)

#去掉上、右圖的線

ax=plt.gca()

ax.spines['right'].set_color('none')

ax.spines['top'].set_color('none')

plt.show()

1.累計收益率和年化收益率

收益率可以根據上面公式計算，或使用對數收益率，下面直接根據上面的累計凈值來推出累計收益率（累計凈值-1）。

###?區間累計收益率(絕對收益率)

total_ret=df_new.iloc[-1]-1

TR=pd.DataFrame(total_ret.values,columns=['累計收益率'],index=total_ret.index)

TR

2.最大回撤

實際上，numpy和pandas借助庫函數均可以實現一行代碼計算最大回撤。

#numpy:np.maximum.accumulate計算序列累計最大值

code='上證綜指'

n_d=((np.maximum.accumulate(df[code])-df[code])/np.maximum.accumulate(df[code])).max()

#pandas使用cummax（）計算序列累計最大值

p_d=((df[code].cummax()-df[code])/df[code].cummax()).max()

#打印結果

print(f'numpy方法計算結果：{round(n_d*100,2)}%')

print(f'pandas方法計算結果：{round(p_d*100,2)}%')numpy方法計算結果：52.3%

pandas方法計算結果：52.3%

###年化收益率,假設一年以250交易日計算annual_ret=pow(1+total_ret,250/len(df_new))-1

AR=pd.DataFrame(annual_ret.values,columns=['年化收益率'],index=annual_ret.index)

AR

#定義成函數，減少重復工作

defmax_drawdown(df):

md=((df.cummax()-df)/df.cummax()).max()

returnround(md,4)

md={}

forcode,nameinstocks.items():

md[name]=max_drawdown(df[name])

#最大回撤率結果：

MD=pd.DataFrame(md,index=['最大回撤']).T

MD

3.alpha和beta

#計算每日收益率

#收盤價缺失值（停牌），使用前值代替

rets=(df.fillna(method='pad')).apply(lambdax:x/x.shift(1)-1)[1:]

rets.head()

#市場指數為x，個股收益率為y

fromscipyimportstats

x=rets.iloc[:,0].values

y=rets.iloc[:,1:].values

AB=pd.DataFrame()

alpha=[]

beta=[]

foriinrange(3):

#使用scipy庫中的stats.linregress線性回歸

#python回歸有多種實現方式，

#如statsmodels.api的OLS，sklearn庫等等

b,a,r_value,p_value,std_err=stats.linregress(x,y[:,i])

#alpha轉化為年化

alpha.append(round(a*250,3))

beta.append(round(b,3))

AB['alpha']=alpha

AB['beta']=beta

AB.index=rets.columns[1:]

#輸出結果：

AB

#使用公式法直接計算beta值（見前文公式）：

beta1=rets[['上證綜指','貴州茅臺']].cov().iat[0,1]/rets['上證綜指'].var()

beta2=rets[['上證綜指','工商銀行']].cov().iat[0,1]/rets['上證綜指'].var()

beta3=rets[['上證綜指','中國平安']].cov().iat[0,1]/rets['上證綜指'].var()

print(f'貴州茅臺beta:{round(beta1,3)}')

print(f'工商銀行beta:{round(beta2,3)}')

print(f'中國平安beta:{round(beta3,3)}')

#輸出結果：貴州茅臺beta:0.637

工商銀行beta:0.614

中國平安beta:1.071

#使用公式法直接計算beta值（見前文公式）：

#annual_ret是前文計算出來的年化收益率

alpha1=(annual_ret[1]-annual_ret[0]*beta1)

alpha2=(annual_ret[2]-annual_ret[0]*beta2)

alpha3=(annual_ret[3]-annual_ret[0]*beta3)

print(f'貴州茅臺alpha:{round(alpha1,3)}')

print(f'工商銀行alpha:{round(alpha2,3)}')

print(f'中國平安alpha:{round(alpha3,3)}')

#輸出結果：貴州茅臺alpha:0.244

工商銀行alpha:0.077

中國平安alpha:0.138

4.夏普比率和信息比率

#超額收益率以無風險收益率為基準

#假設無風險收益率為年化3%

exReturn=rets-0.03/250

#計算夏普比率

sharperatio=np.sqrt(len(exReturn))*exReturn.mean()/exReturn.std()

#夏普比率的輸出結果

SHR=pd.DataFrame(sharperatio,columns=['夏普比率'])

SHR

###信息比率

#超額收益率以指數收益率或其他為基準

#這里以上證綜指為基準

ex_return=pd.DataFrame()

ex_return['貴州茅臺']=rets.iloc[:,1]-rets.iloc[:,0]

ex_return['工商銀行']=rets.iloc[:,2]-rets.iloc[:,0]

ex_return['中國平安']=rets.iloc[:,3]-rets.iloc[:,0]a

#計算信息比率

information=np.sqrt(len(ex_return))*ex_return.mean()/ex_return.std()

#信息比率的輸出結果

INR=pd.DataFrame(information,columns=['信息比率'])

INR

將上述指標合并成一張表，不難看出，在回測期間內（2009年01月01日至2019月01月18日期間），貴州茅臺各項指標表現非常出色，其實貴州茅臺近幾年業績表現非常優秀，每股收益在整個A股中是最高的。但是，其最大回撤卻高達53.3%，意味著如果是在這期間的高點買入的，中間可能出現浮虧53.3%，要上漲114%才能回本，長期投資還真不是普通人心理能承受的。

indicators=pd.concat([TR,AR,MD,AB,SHR,INR],axis=1,

join='outer',sort='False')

#結果保留三位小數

indicators.round(3)

定義一個函數plot_max_drawdown(),對上述歷史回撤的收益和風險指標進行可視化，函數代碼相當于整合了上述計算過程，由于篇幅所限，此處省略。

#貴州茅臺買入持有策略回測可視化

plot_max_drawdown(df,'貴州茅臺')

#工商銀行買入持有策略回測可視化

plot_max_drawdown(df,'工商銀行')

#中國平安買入持有策略回測可視化

plot_max_drawdown(df,'中國平安')

來源：Python金融量化

--------------------------------------------------------------------------------------

拓展閱讀：

---

《算法導論 第三版英文版》_高清中文版

《深度學習入門：基于Python的理論與實現》_高清中文版

《深入淺出數據分析》_高清中文版

《Python編程：從入門到實踐》_高清中文版

《Python科學計算》_高清中文版

《深度學習入門：基于Python的理論與實現》_高清中文版

《深入淺出數據分析》_高清中文版

《Python編程：從入門到實踐》_高清中文版

---

總結

以上是生活随笔為你收集整理的Python量策风指标的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。