《BackTrader量化交易图解》第9章：回测结果分析

发布时间：2024年01月12日

文章目录

9. 回测结果分析

9. 回测结果分析

9.1 常用量化分析指标

使用BackTrader等量化软件做交易会生成大量的测试数据，策略的好坏及稳定性等都要通过回测结果的分析来进行判定。
常用的量化分析指标一般分为三类：

Return，收益指标。
Risk，风险指标。
Factor，多因子分析指标。

下面进行具体分析。

Return收益指标。
- Returns收益率，通常为百分比形式的、非累积的年/月/日等周期收益率，即每个周期相对于上一个交易周期的收益比率。
- annual_return，年化回报率，使用策略投资一年的收益率。
- ROI，投资回报率。
- cum_returns，累计收益。
- VWR，动态加权回报率。
- omega_ratio，欧米伽比率，用来分析收益分布，指标数值越高越好，它是对偏度和峰值的一个调整。
- benchmark_returns，参考/基准（年化）收益率，标准指数（如SPY标普指数、上证指数）投资一年的收益率。
就量化策略而言，最重要的就是投资回报率这个指标，其主要用于评估策略模型的稳定性。而好的量化策略的关键就是具有稳定性，能够获取稳定的投资回报率。判断策略稳定的标准是：在多种产品组合和多个时间周期的情况下都能够稳定盈利。

对于初学者而言，重点关注投资回报率指标就可以了。其他指标通常在投资回报率差不多的情况下，对策略做一些辅助优化即可。
Risk风险指标。包含：
- Alpha，阿尔法指数，非系统性风险投资指数。
- Beta，贝塔指数，系统性风险投资指数，反映了策略对大盘变化的敏感性。
- Volatility，波动率，用来衡量策略的风险性，波动率越大代表策略风险越高。
- annual_volatility，年化波动率。
- information_ratio，信息比率，数值越高，业绩表现持续优于大盘的程度越高。该指标主要用来衡量投资组合所带来的超额收益。
- calmar_ratio，卡尔马比率，是年化收益率与历史最大回撤之间的比率。数值越大，表示业绩越好；数值越小，表示业绩越差。
- sharpe_ratio，夏普指数/夏普比率，是投资回报与风险的比例，数值越大，投资组合越佳。
- sortino_ratio，索提诺比率，是夏普指数的修正版，是用于评价投资资产、组合或者策略收益的指标。
- downside_risk，下行风险，指未来价格走势有低于投资者预期目标价位的风险。
- tail_ratio，尾比，其含义是赚取的回报率比亏钱的比率大多少倍。
- MaxDown，最大回撤数据，用于衡量策略可能出现的最糟糕情况。
- SQN指数：策略评级指数，用于评估策略优劣。
Factor多因子指标。
- Factor Autocorrelation，因子的自回归程度。
- Profitable Count，盈利的交易次数。
- Unprofitable Count，亏损的交易次数。
- mean_return_by_quantile，因子平均收益率数据。
- mean_return_difference，收益率差值，即最好因子收益率减去最差因子收益率。
- Return Ratio，收益回撤比。
- N-day Variance Ratio， n日方差比率。
- Hurst，赫斯特指数，可衡量一个时间序列统计的相关性。
- cumulative_returns_by_quantile，多因子累计收益率。
- Cash-netural Investment，投资收益现金净值。
专业因子指标如下。
- 规模类因子：总市值、流通市值、自由流通市值。
- 估值类因子：市盈率（ TTM）、市净率、市销率、市现率、企业价值倍数。
- 成长类因子：营业收入同比增长率、营业利润同比增长率、母公司利润同比增长率、现金流金额同比增长率。
- 盈利类因子：净资产收益率（ ROE）、总资产报酬率（ ROA）、销售毛利率、销售净利率。
- 动量反转因子：前1～6个月涨跌幅。
- 交投因子：前一个月的日均换手率。
- 波动因子：前一个月的波动率、前一个月的振幅。
- 股东因子：户均/机构持股比例、户均/机构持股比例变化。
- 分析师因子：预测当年净利润增长率、主营业务收入增长率，以及最近一个月的净利润上调幅度、主营业务收入上调幅度、上调评级占比。

就目前国内量化交易的实际情况而言，初学者只需重点掌握 BackTrader软件的常用功能，能够灵活使用即可，不需要对多因子进行深入分析。

9.2 Analyzer 分析类

内置Analyzer分析类的主要指标如下：
● AnnualReturn，年化回报率。
● Calmar，卡曼指数。
● DrawDown，最大回撤数据。
● TimeDrawDown，不同周期的最大回撤数据。
● PositionsValue，仓位变化数据。
● PyFolio，专业Folio量化图表分析。
● LogReturnsRolling，对数化回报率分析。
● PeriodStats，周期分析。
● Returns，回报率。
● SharpeRatio，夏普指数。
● SharpeRatio_A，修正版夏普指数。
● SQN，策略评估指数。
● TimeReturn，周期回报率。
● TradeAnalyzer，交易分析。
● Transactions，逐笔订单分析。
● VWR，动态加权回报率。
比较专业的Analyzer分析类指标，只在进行一些特殊分析的时候才需要使用，本节讲解比较简单的量化回测分析案例，介绍量化分析的基本操作，仅使用到一些常用的量化分析指标，如Sharp、 MaxDown等。

在Analyzer分析模块中，最重要的子模块是analyzer.Analyzer子模块。
在analyzer.Analyzer子模块内部分布图中，以“_”开头的函数是类内部函数，其他主要函数如下。
● 常规量化操作函数： next、 prenext、 nextstart、 start、 stop。
● 数据获取函数： get_analysis。

● 数据传递函数： notify_cashvalue、 notify_trade、 notify_order、notify_fund。
● 其他类函数： Create_analysis、 print、 pprint。

此外还有两个重要的函数： csv、 rets。

9.3 Analyzer 分析模块架构图

下图所示是 Analyzer 分析模块的核心部分，改图中最左边的圆形中的内容，是整个模块的入口：

btr_anz001

从上图可以看到，Analyzer 分析模块的核心是 Analyzer 分析类及其类函数。Analyzer 分析类及其类函数又分为两个子类：

TimeFrameAnalyzer，时间周期分析子类；
MetaAnalyzer，元数据分析子类。

注意， MetaTimeFrameAnalyzer（元数据分析的时间周期分析）子类源自TimeFrameAnalyzer子类，而不是由MetaAnalyzer子类派生出的。

在BackTrader量化软件中，把Analyzer分析模块中的TimeFrameAnalyzer子类作为核心子类，而在其他量化软件中，通常把时间周期分析也作为一个量化分析指标。

MetaAnalyzer子类的设计非常巧妙，其中的Meta元数据可以导入各种专业量化指标，从而衍生出各种专业的量化分析指标，如SQN指数、Sharp指数、 MaxDown等常用量化分析指标。

这种巧妙的设计架构，非常方便用户扩展各种量化分析指标和各种自定义分析指标，大大简化了用户的编程工作。

下面再看一看 analyzer.Analyzer 子模块架构图，如下图所示。由图可以看出， analyzer.Analyzer子模块是所有分析模块的基础，定义了量化分析主要的类函数。其中以“_”开头的函数是类内部函数，其他主要函数有以下几类。
● 常规量化操作函数： next、 prenext、 nextstart、 stop、 start。
● 数据获取函数： get_analysis。
● 数据传递函数： notify_trade、 notify_order、 notify_fund。
● 其他类函数： create_analysis、 print、 pprint。

btr_anz002

9.4 SQN 指数

SQN 指数全称为 System Quality Number，即系统质量指数，用来评估量化策略的优劣。SQN 的计算公式为：

SQN=root(n)×expectancy/stdev(R)
（SQN=交易次数n的平方根×交易系统的期望值/期望值的标准差）

其中，
root（n）：一年交易次数n的平方根。
expectancy：交易系统的期望值，以倍数（风险回报比）表示。
stdev（R）：期望值的标准差。

评测的交易总次数最多不能超过100，当然，交易次数也有下限，即不能少于30。当交易数量≥30时， SQN指数通常被认为是可靠的。
SQN指数具有如下意义：
● 交易次数越多，获利机会越大。
● 风险回报比越大越好。
● 风险回报比的标准差越小，交易结果越具有规律性，回撤越小。

SQN指数公式很简单，要优化SQN指数也很简单：
● 使交易次数和平均风险回报比的乘积尽可能大。
● 使公式中的期望值标准差尽可能小。

9.5 案例：回测数据基本分析

本实例代码 Analyzer1.py 。

本节案例增加了一些回测分析函数指标，重点是 addanalyzer 分析指标添加函数：

print("\n\t#2-5,设置每手交易数目为：10，不再使用默认值：1手")
cerebro.addsizer(bt.sizers.FixedSize, stake=10)

print("\n\t#2-6,设置addanalyzer分析参数")
cerebro.addanalyzer(SQN)
#
cerebro.addanalyzer(bt.analyzers.SharpeRatio, _name="SharpeRatio", legacyannual=True)
cerebro.addanalyzer(bt.analyzers.AnnualReturn, _name="AnnualReturn")
#
cerebro.addanalyzer(bt.analyzers.TradeAnalyzer, _name="TradeAnalyzer")
cerebro.addanalyzer(bt.analyzers.DrawDown, _name="DW")

以上代码为量化程序添加 SQN 指数、Sharp 指数、MaxDown 常用量化分析指标。

addanalyzer 策略添加函数中改的 name 参数变量，主要用于分析结果和图标绘制。这些指标名称可以通过name 参数设置，一般使用默认模式，即指标函数名称。下图是该函数关系属性示意图：

btr_add_anz

量化分析编程主要有两个环节：

在主程序源码中的数据设置部分，设置各种常用的分析指标，并使用 addanalyzer 添加各种指标。
当量化程序运行完成时，在量化回测结果数据中提取各种分析数据。

在量化回测结果数据中提取各种分析数据，需要从量化回测的返回值中获取分析数据：

print("\n#3，调用BT回测入口程序，开始执行run量化回测运算")
results = cerebro.run()

通过如下代码，把相关的回测结果数据提取出来，保存到 anzs 变量中：

# ---------
print("\n#5,analyzer分析BT量化回测数据")
strat = results[0]
anzs = strat.analyzers
#
dsharp = anzs.SharpeRatio.get_analysis()["sharperatio"]
trade_info = anzs.TradeAnalyzer.get_analysis()
#
dw = anzs.DW.get_analysis()
max_drowdown_len = dw["max"]["len"]
max_drowdown = dw["max"]["drawdown"]
max_drowdown_money = dw["max"]["moneydown"]
#
print("\t夏普指数SharpeRatio : ", dsharp)
print("\t最大回撤周期 max_drowdown_len : ", max_drowdown_len)
print("\t最大回撤 max_drowdown : ", max_drowdown)
print("\t最大回撤(资金)max_drowdown_money : ", max_drowdown_money)

anzs 变量用于保存回测分析数据，该变量本身是复合字典格式，提取的各组分析数据都是标准的 dict 字典格式，各组分析数据的返回值也都是 dict 字典格式，可方便大家提取使用。各组回测结果都保存在 Analyzer 分析类的 rets 属性中，可以通过 get_analysis 函数读取。

下图是 get_analysis 函数关系属性图：

btr_add_sta

由图可以看出，相关的分析结果不仅可以通过 rets 变量导出，也可以通过内置的 print、pprint 两个输出函数直接输出，而且输出的数据格式均进行过分组处理。

本案例生成图片如下：

Analyzer1

本案例各分析指标输出内容为：

#5,analyzer分析BT量化回测数据
        夏普指数SharpeRatio :  -66.94067728496657
        最大回撤周期 max_drowdown_len :  269
        最大回撤 max_drowdown :  0.03984537510517593
        最大回撤(资金)max_drowdown_money :  39.85270000001765

9.6 案例：回测数据扩展指标分析

本实例代码： Analyzer2.py 。

上个案例已经添加了一些分析指标，本案例继续添加如下分析指标：

TimeReturn，周期回报率
VWR，动态加权回报率。

添加分析指标的代码如下：

# 周期回报率，不同时间周期
cerebro.addanalyzer(
    bt.analyzers.TimeReturn, timeframe=bt.TimeFrame.Years, _name="timReturns"
)
# cerebro.addanalyzer(bt.analyzers.TimeReturn, timeframe=bt.TimeFrame.Months,_name='timReturns')
#
# 动态加权回报率 Variability-Weighted Return: Better SharpeRatio with Log Returns
cerebro.addanalyzer(bt.analyzers.VWR, _name="VWR")

添加输出代码如下：

#
print("\t#5-2,常用量化分析数据")
print("\tSQN指数、AnnualReturn年化收益率，Trade交易分析报告")
print("\t可以通过修改参数，改为其他时间周期：周、月、季度等")
for alyzer in strat.analyzers:
    alyzer.print()

本案例生成图片如下：

Analyzer2

输入内容如下：

#5,analyzer分析BT量化回测数据
        5-1夏普指数SharpeRatio :  -66.94067728496657
        最大回撤周期 max_drowdown_len :  269
        最大回撤 max_drowdown :  0.03984537510517593
        最大回撤(资金)max_drowdown_money :  39.85270000001765
        #5-2,常用量化分析数据
        SQN指数、AnnualReturn年化收益率，Trade交易分析报告
        可以通过修改参数，改为其他时间周期：周、月、季度等
===============================================================================
SQN:
  - sqn: 1.0152350590677315
  - trades: 32
===============================================================================
SharpeRatio:
  - sharperatio: -66.94067728496657
===============================================================================
AnnualReturn:
  - 2020: 8.860000000066037e-05
  - 2021: 0.00038036629954540935
===============================================================================
TradeAnalyzer:
  -----------------------------------------------------------------------------
  - total:
    - total: 32
    - open: 0
    - closed: 32
  -----------------------------------------------------------------------------
  - streak:
    +++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
    - won:
      - current: 1
      - longest: 9
    +++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
    - lost:
      - current: 0
      - longest: 2
  -----------------------------------------------------------------------------
  - pnl:
    +++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
    - gross:
      - total: 53.19999999999992
      - average: 1.6624999999999974
    +++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
    - net:
      - total: 46.89999999999994
      - average: 1.4656249999999982
  -----------------------------------------------------------------------------
  - won:
    - total: 22
    +++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
    - pnl:
      - total: 122.12029999999996
      - average: 5.5509227272727255
      - max: 23.0399
  -----------------------------------------------------------------------------
  - lost:
    - total: 10
    +++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
    - pnl:
      - total: -75.22030000000002
      - average: -7.522030000000003
      - max: -15.918399999999988
  -----------------------------------------------------------------------------
  - long:
    - total: 32
    +++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
    - pnl:
      - total: 46.89999999999994
      - average: 1.4656249999999982
      *************************************************************************
      - won:
        - total: 122.12029999999996
        - average: 5.5509227272727255
        - max: 23.0399
      *************************************************************************
      - lost:
        - total: -75.22030000000002
        - average: -7.522030000000003
        - max: -15.918399999999988
    - won: 22
    - lost: 10
  -----------------------------------------------------------------------------
  - short:
    - total: 0
    +++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
    - pnl:
      - total: 0.0
      - average: 0.0
      *************************************************************************
      - won:
        - total: 0.0
        - average: 0.0
        - max: 0.0
      *************************************************************************
      - lost:
        - total: 0.0
        - average: 0.0
        - max: 0.0
    - won: 0
    - lost: 0
  -----------------------------------------------------------------------------
  - len:
    - total: 242
    - average: 7.5625
    - max: 26
    - min: 1
    +++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
    - won:
      - total: 98
      - average: 4.454545454545454
      - max: 15
      - min: 1
    +++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
    - lost:
      - total: 144
      - average: 14.4
      - max: 26
      - min: 1
    +++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
    - long:
      - total: 242
      - average: 7.5625
      - max: 26
      - min: 1
      *************************************************************************
      - won:
        - total: 98
        - average: 4.454545454545454
        - max: 15
        - min: 1
      *************************************************************************
      - lost:
        - total: 144
        - average: 14.4
        - max: 26
        - min: 1
    +++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
    - short:
      - total: 0
      - average: 0.0
      - max: 0
      - min: 9223372036854775807
      *************************************************************************
      - won:
        - total: 0
        - average: 0.0
        - max: 0
        - min: 9223372036854775807
      *************************************************************************
      - lost:
        - total: 0
        - average: 0.0
        - max: 0
        - min: 9223372036854775807
===============================================================================
DrawDown:
  - len: 31
  - drawdown: 0.016181390901583496
  - moneydown: 16.191600000005565
  -----------------------------------------------------------------------------
  - max:
    - len: 269
    - drawdown: 0.03984537510517593
    - moneydown: 39.85270000001765
===============================================================================
TimeReturn:
  - 2020-12-31: 8.860000000066037e-05
  - 2021-12-31: 0.00038036629954540935
===============================================================================
VWR:
  - vwr: 0.02078841499279231

输出信息中的TimeReturn时间周期回报率，使用的周期也是year（年度），所以最终数据和使用annual_return年化回报率完全相同。

代码仓库链接：CPythoner/BackTraderDemo at develop (github.com)

文章来源:https://blog.csdn.net/yaoyefengchen/article/details/135544080
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若内容造成侵权/违法违规/事实不符，请联系我的编程经验分享网邮箱：chenni525@qq.com进行投诉反馈，一经查实，立即删除！