量化投资学习笔记02——计算回测指标

上篇文章里用pyalgotrade框架计算了策略收益率、夏普值、最大回测等回测指标，但是貌似没有直接计算α值，β值，信息比率等回测指标的方法。看来要自己实现了。
参照《Python量化策略风险指标》( https://zhuanlan.zhihu.com/p/55425806)这篇文章里的定义实现吧。
先来计算beta值。beta值相当于业绩评价基准收益的总体波动性。常被用于衡量某一策略的系统性风险。如果beta值大于1，策略波动大于市场，否则，策略波动小于市场。
还有Alpha值，代表实际收益和按照beta系数计算的期望收益之间的差额，代表策略多大程度上跑赢了预期的收益率。可以理解为超额收益率。
计算这两个值要选一个基准，一般是沪深300指数，但是指数的值是3000多，跟个股的价格差别很大，如果直接用指数作为基准，需要进行数据调整。我就用300ETF(510300)来做基准了，聚宽上也进行同样的调整。
计算代码就照那篇文章上给的代码了。
先用300ETF的数据建立一个feeds并以此建立策略，计算收益率，用累积收益率计算alpha和beta值。

# 计算一些回测指标
def calculater(ret, retbase):
     # 计算α β值
     X = ret.getCumulativeReturns()
     Y = retbase.getCumulativeReturns()
     n1 = X.__len__()
     n2 = Y.__len__()
     x = []
     y = []
     if n1 == n2:
         for i in range(n1):
             x.append(X[i])
             y.append(Y[i])
     alpha = 0.0
     beta = 0.0
     b, a, r_value, p_value, std_err = stats.linregress(x, y)
     # alpha转化为年
     alpha = round(a * 250, 3)
     beta = round(b, 3)
     print("α值:%.2f β值:%.2f" % (alpha, beta))

结果:

聚宽上的结果

差别还是很大的，尤其beta值。
夏普比率代表每多承担一份风险，可以获得几份回报，即单位风险所获得的超额回报，该比率越高，策略承担单位风险得到的超额回报越高，所以夏普比率越高越好。pyalgotrade里有类计算，就不自己实现了。
信息比率，与夏普比率类似，但是其参考基准不是无风险收益率，而是策略的市场基准收益率。
但是按照知乎文章里的代码计算出来的信息比率为16.08，差距太大了。我按照原始定义算出来的呢？为0.01。差距也很大，不过貌似更靠谱一些。

    # 计算信息比率
    # 先计算超额收益
    ex_return = [x[i] - y[i] for i in range(len(x))]
    print(ex_return)
    print(np.mean(ex_return))
    print(np.std(ex_return))
    information = np.sqrt(len(ex_return)) * np.mean(ex_return)/np.std(ex_return)
    print("信息比率:%.2f" % information)
    # 方法2
    information2 = (x[-1] - y[-1])/np.std(ex_return)
    print("信息比率:%.2f" % information2)

先这样吧。再把整个计算回测指标的过程封装起来吧。下次了。代码见https://github.com/zwdnet/MyQuant/blob/master/01/testdata.py

我发文章的四个地方，欢迎大家在朋友圈等地方分享，欢迎点“在看”。
我的个人博客地址：https://zwdnet.github.io
我的CSDN博客地址：https://blog.csdn.net/zwdnet
我的博客园博客地址： https://www.cnblogs.com/zwdnet/
我的微信个人订阅号：赵瑜敏的口腔医学学习园地