量化策略绩效评估体系收益、风险与决策能力指标Python 实战阶段三量化内核 · 配套代码code/stage3/metrics.py本文所有数值均由脚本在固定随机种子下真实运行得出图表由matplotlib(Agg)离线生成。一、量化投资全流程概览一个完整的量化策略从想法到上线通常经历以下闭环数据接入 → 因子/信号处理 → 组合构建 → 回测验证 → 绩效评估 → 风控迭代 → 实盘其中绩效评估Performance Evaluation是回测与实盘之间的质检关它用一套可量化的指标回答三个核心问题——赚了多少收益类指标为赚这些承担了多大风险风险类指标靠运气还是靠能力风险调整后收益 / 决策能力指标四大策略类型策略类型核心逻辑典型指标/工具基本面策略低估值、高盈利、稳定成长PE/PB/ROE见fundamental.md技术面策略价格形态、趋势与动量SMA/EMA/RSI/KDJ见indicators.md统计套利价差均值回归、配对交易协整、z-score、相关性AI 策略用模型学习非线性规律机器学习/深度学习预测收益无论哪一类策略最终都要用同一套绩效指标来横向比较优劣。本文聚焦这套通用评估体系。二、指标定义与 Python 实现我们用合成数据构造一条策略日收益序列和一条基准日收益序列宽基指数近似全部基于几何布朗运动GBM叠加正态噪声并用固定种子SEED123保证可复现。数据生成方式无网络依赖rngnp.random.default_rng(SEED)retmu/252sigma/np.sqrt(252)*rng.standard_normal(N)策略参数年化漂移 16%、年化波动 16%并注入 2 次 -4.5% 的黑天鹅冲击基准参数年化漂移 10%、年化波动 14%。样本长度N756约三年交易日。2.1 收益类指标defcumulative_return(r):# 累计收益 Π(1r) - 1returnfloat((1.0r).prod()-1.0)defannualized_return(r,p252):# 年化收益几何returnfloat((1.0r).prod()**(p/len(r))-1.0)defexcess_return(s,b):# 超额累计收益returncumulative_return(s)-cumulative_return(b)2.2 风险类指标defannualized_vol(r,p252):# 年化波动率 日波动 × √252returnfloat(r.std(ddof1)*np.sqrt(p))defmax_drawdown(r):# 最大回撤eq(1.0r).cumprod()ddeq/eq.cummax()-1.0returnfloat(dd.min())2.3 风险调整后收益决策能力指标defsharpe_ratio(r,rf0.02,p252):rf_drf/p exr-rf_dreturnfloat(ex.mean()/ex.std(ddof1)*np.sqrt(p))defsortino_ratio(r,rf0.02,p252):rf_drf/p exr-rf_d downex[ex0]dvoldown.std(ddof1)*np.sqrt(p)returnfloat(ex.mean()*p/dvol)defcalmar_ratio(r,p252):mddmax_drawdown(r)returnfloat(annualized_return(r,p)/abs(mdd))关于无风险利率本文取年化2%用于 Sharpe / Sortino 的超额收益计算。三、真实运行结果运行python code/stage3/metrics.py得到如下核心图表与指标表。3.1 净值曲线Equity Curve3.2 回撤曲线Drawdown Curve3.3 完整指标表脚本真实打印指标策略 Strategy基准 Benchmark累计收益 Cumulative Return0.66490.4163年化收益 Annualized Return0.18520.1230年化波动率 Annualized Volatility0.16700.1428最大回撤 Max Drawdown-0.1408-0.1663Sharpe 比率0.98140.7442Sortino 比率1.47931.1917Calmar 比率1.31520.7399超额累计收益 Excess Cumulative Return 0.2486策略三年累计跑赢基准约 24.86 个百分点。样本天数N756随机种子SEED123。四、每个指标的含义与用法解读收益类累计收益回测期内总盈亏最直观但不含时间维度。本策略三年累计66.49%基准41.63%。年化收益把不同周期收益折算到每年方便跨策略比较。策略约18.52%/年基准约12.30%/年。超额收益相对基准的增量是证明策略有 alpha的关键证据。风险类年化波动率收益标准差的年化衡量颠簸程度。策略16.70%略高于基准14.28%说明策略更激进。最大回撤MDD从历史最高点到最低点的最大亏损。策略-14.08%基准-16.63%——策略在更赚钱的同时回撤更小这是优质策略的特征。决策能力风险调整后类Sharpe 比率年化收益−无风险/ 年化波动。衡量每承担一单位总风险换来的超额回报。策略0.98 基准0.74说明风险使用效率更高。经验阈值1 合格2 优秀3 卓越。Sortino 比率与 Sharpe 类似但只对下行波动亏损计罚上行波动不计。因此对赚得多、偶尔大涨的策略更友好。策略1.48明显高于基准1.19说明其下行风险被控制得更好。Calmar 比率 年化收益 / |最大回撤|。直接把收益和最痛的亏损挂钩是实盘使用者最关心的比率之一。策略1.32远高于基准0.74意味着同样承受回撤策略产出收益的能力约为基准的 1.8 倍。一句话总结本策略在收益、回撤、风险调整后收益三个维度全面跑赢基准且 Sharpe≈0.98、Calmar≈1.32 已接近优秀区间是一套经得起指标检验的策略原型。五、小结与延伸绩效评估不是算完数字就结束而是多指标交叉验证单看累计收益会被高波动误导必须配合 MDD、Sharpe、Sortino、Calmar 一起看。指标对参数敏感TRADING_DAYS、RISK_FREE_ANNUAL、回测长度都会改变数值比较策略时务必统一口径。下一步把这些指标封装成evaluate(strategy_returns, benchmark_returns)函数接入你的回测框架作为策略准入的硬门槛。下一篇《技术指标全实现》indicators.md将带你用纯 Python 复现 SMA/EMA/RSI/KDJ/ATR/BOLL/OBV并把它们画成真实图表。
量化策略绩效评估体系收益、风险与决策能力指标Python 实战阶段三量化内核 · 配套代码code/stage3/metrics.py本文所有数值均由脚本在固定随机种子下真实运行得出图表由matplotlib(Agg)离线生成。一、量化投资全流程概览一个完整的量化策略从想法到上线通常经历以下闭环数据接入 → 因子/信号处理 → 组合构建 → 回测验证 → 绩效评估 → 风控迭代 → 实盘其中绩效评估Performance Evaluation是回测与实盘之间的质检关它用一套可量化的指标回答三个核心问题——赚了多少收益类指标为赚这些承担了多大风险风险类指标靠运气还是靠能力风险调整后收益 / 决策能力指标四大策略类型策略类型核心逻辑典型指标/工具基本面策略低估值、高盈利、稳定成长PE/PB/ROE见fundamental.md技术面策略价格形态、趋势与动量SMA/EMA/RSI/KDJ见indicators.md统计套利价差均值回归、配对交易协整、z-score、相关性AI 策略用模型学习非线性规律机器学习/深度学习预测收益无论哪一类策略最终都要用同一套绩效指标来横向比较优劣。本文聚焦这套通用评估体系。二、指标定义与 Python 实现我们用合成数据构造一条策略日收益序列和一条基准日收益序列宽基指数近似全部基于几何布朗运动GBM叠加正态噪声并用固定种子SEED123保证可复现。数据生成方式无网络依赖rngnp.random.default_rng(SEED)retmu/252sigma/np.sqrt(252)*rng.standard_normal(N)策略参数年化漂移 16%、年化波动 16%并注入 2 次 -4.5% 的黑天鹅冲击基准参数年化漂移 10%、年化波动 14%。样本长度N756约三年交易日。2.1 收益类指标defcumulative_return(r):# 累计收益 Π(1r) - 1returnfloat((1.0r).prod()-1.0)defannualized_return(r,p252):# 年化收益几何returnfloat((1.0r).prod()**(p/len(r))-1.0)defexcess_return(s,b):# 超额累计收益returncumulative_return(s)-cumulative_return(b)2.2 风险类指标defannualized_vol(r,p252):# 年化波动率 日波动 × √252returnfloat(r.std(ddof1)*np.sqrt(p))defmax_drawdown(r):# 最大回撤eq(1.0r).cumprod()ddeq/eq.cummax()-1.0returnfloat(dd.min())2.3 风险调整后收益决策能力指标defsharpe_ratio(r,rf0.02,p252):rf_drf/p exr-rf_dreturnfloat(ex.mean()/ex.std(ddof1)*np.sqrt(p))defsortino_ratio(r,rf0.02,p252):rf_drf/p exr-rf_d downex[ex0]dvoldown.std(ddof1)*np.sqrt(p)returnfloat(ex.mean()*p/dvol)defcalmar_ratio(r,p252):mddmax_drawdown(r)returnfloat(annualized_return(r,p)/abs(mdd))关于无风险利率本文取年化2%用于 Sharpe / Sortino 的超额收益计算。三、真实运行结果运行python code/stage3/metrics.py得到如下核心图表与指标表。3.1 净值曲线Equity Curve3.2 回撤曲线Drawdown Curve3.3 完整指标表脚本真实打印指标策略 Strategy基准 Benchmark累计收益 Cumulative Return0.66490.4163年化收益 Annualized Return0.18520.1230年化波动率 Annualized Volatility0.16700.1428最大回撤 Max Drawdown-0.1408-0.1663Sharpe 比率0.98140.7442Sortino 比率1.47931.1917Calmar 比率1.31520.7399超额累计收益 Excess Cumulative Return 0.2486策略三年累计跑赢基准约 24.86 个百分点。样本天数N756随机种子SEED123。四、每个指标的含义与用法解读收益类累计收益回测期内总盈亏最直观但不含时间维度。本策略三年累计66.49%基准41.63%。年化收益把不同周期收益折算到每年方便跨策略比较。策略约18.52%/年基准约12.30%/年。超额收益相对基准的增量是证明策略有 alpha的关键证据。风险类年化波动率收益标准差的年化衡量颠簸程度。策略16.70%略高于基准14.28%说明策略更激进。最大回撤MDD从历史最高点到最低点的最大亏损。策略-14.08%基准-16.63%——策略在更赚钱的同时回撤更小这是优质策略的特征。决策能力风险调整后类Sharpe 比率年化收益−无风险/ 年化波动。衡量每承担一单位总风险换来的超额回报。策略0.98 基准0.74说明风险使用效率更高。经验阈值1 合格2 优秀3 卓越。Sortino 比率与 Sharpe 类似但只对下行波动亏损计罚上行波动不计。因此对赚得多、偶尔大涨的策略更友好。策略1.48明显高于基准1.19说明其下行风险被控制得更好。Calmar 比率 年化收益 / |最大回撤|。直接把收益和最痛的亏损挂钩是实盘使用者最关心的比率之一。策略1.32远高于基准0.74意味着同样承受回撤策略产出收益的能力约为基准的 1.8 倍。一句话总结本策略在收益、回撤、风险调整后收益三个维度全面跑赢基准且 Sharpe≈0.98、Calmar≈1.32 已接近优秀区间是一套经得起指标检验的策略原型。五、小结与延伸绩效评估不是算完数字就结束而是多指标交叉验证单看累计收益会被高波动误导必须配合 MDD、Sharpe、Sortino、Calmar 一起看。指标对参数敏感TRADING_DAYS、RISK_FREE_ANNUAL、回测长度都会改变数值比较策略时务必统一口径。下一步把这些指标封装成evaluate(strategy_returns, benchmark_returns)函数接入你的回测框架作为策略准入的硬门槛。下一篇《技术指标全实现》indicators.md将带你用纯 Python 复现 SMA/EMA/RSI/KDJ/ATR/BOLL/OBV并把它们画成真实图表。
