量化投资：第6节 回测结果的度量

abu

前面小节中都使用分解流程方式一步一步实现回测，目的是为了更清晰的说明内部操作流程， 编码过程会显的有些复杂臃肿，但实际上在编写完成一个策略后只需要使用一行代码即abu.run_loop_back可以完成回测。

详细代码实现请阅读abu.run_loop_back()函数，下面使用run_loop_back()进行策略示例

1. <font color="black" style="background-color: white;"># 设置初始资金数
   
2. read_cash = 1000000
   
3. # 设置选股因子，None为不使用选股因子
   
4. stock_pickers = None
   
5. # 买入因子依然延用向上突破因子
   
6. buy_factors = [{'xd': 60, 'class': AbuFactorBuyBreak},
   
7.                {'xd': 42, 'class': AbuFactorBuyBreak}]
   
8. 
   
9. # 卖出因子继续使用上一节使用的因子
   
10. sell_factors = [
    
11.     {'stop_loss_n': 1.0, 'stop_win_n': 3.0,
    
12.      'class': AbuFactorAtrNStop},
    
13.     {'class': AbuFactorPreAtrNStop, 'pre_atr_n': 1.5},
    
14.     {'class': AbuFactorCloseAtrNStop, 'close_atr_n': 1.5}
    
15. ]
    
16. # 择时股票池
    
17. choice_symbols = ['usNOAH', 'usSFUN', 'usBIDU', 'usAAPL', 'usGOOG',
    
18.                   'usTSLA', 'usWUBA', 'usVIPS']
    
19. # 使用run_loop_back运行策略
    
20. abu_result_tuple, kl_pd_manger = abu.run_loop_back(read_cash,
    
21.                                                                                                                                   buy_factors,
    
22.                                                                                                                                   sell_factors,
    
23.                                                                                                                                   stock_pickers,
    
24.                                                                                                                                   choice_symbols=choice_symbols,
    
25.                                                                                                                                    n_folds=2)</font>

复制代码

如上代码abu.run_loop_back接口只需要买入策略序列，卖出策略序列等必要的用户参数，不再涉及AbuBenchmark，AbuCapital等对象的构建操作行为。

1. 度量的基本使用方法

abu_result_tuple类型为AbuResultTuple对象，AbuMetricsBase类为abupy对回测结果进行度量的基础类，对于基于股票类型的
市场进行的回测可以直接使用，对于其它市场度量类有自己的专属类，如AbuMetricsFutures为对期货进行度量时使用，后面的章节示例期货回测时会示例使用。

首先通过AbuMetricsBase的参数进行结果度量，如下所示：

• 输出的文字信息打印了胜率、获利期望、亏损期望、策略收益、买入成交比例等信息
• 第一图为策略收益与基准收益对照
• 第二图为策略收益线性拟合曲线
• 第三图为策略收益资金概率密度图‘
• 
  
  

1. <font style="background-color: white;"><font style="background-color: white;">metrics = AbuMetricsBase(*abu_result_tuple)
   
2. metrics.fit_metrics()
   
3. metrics.plot_returns_cmp()</font></font>

复制代码

买入后卖出的交易数量:67
买入后尚未卖出的交易数量:3
胜率:55.2239%
平均获利期望:14.1076%
平均亏损期望:-7.8008%
盈亏比:2.2102
策略收益: 48.3078%
基准收益: 15.0841%
策略年化收益: 24.1539%
基准年化收益: 7.5420%
策略买入成交比例:80.0000%
策略资金利用率比例:28.0706%
策略共执行504个交易日

2. 度量的可视化

在AbuMetricsBase执行过程中对回测策略的

• 收益, 年化收益
• 胜率, 盈亏比
• 平均获利期望, 平均亏损期望
• 夏普比率, 信息比率
• 策略波动率, 阿尔法, 贝塔
  
  

....................
等度量值进行了计算，详情请阅读AbuMetricsBase源代码，关于这些度量值的基础知识请阅读《量化交易之路》中相关章节。

下面示例一些度量值的可视化：

如下代码通过plot_sharp_volatility_cmp()函数可视化策略与基准之间波动率和夏普比率关系：

1. <font style="background-color: white;"><font style="background-color: white;">metrics.plot_sharp_volatility_cmp()</font></font>

复制代码

1. <font style="background-color: white;"><font style="background-color: white;">alpha阿尔法:0.1899
   
2. beta贝塔:0.1594
   
3. Information信息比率:0.0423
   
4. 策略Sharpe夏普比率: 1.8654
   
5. 基准Sharpe夏普比率: 0.5012
   
6. 策略波动率Volatility: 0.1090
   
7. 基准波动率Volatility: 0.1689</font></font>

复制代码

1. <font style="background-color: white;"><span style="color: rgb(0, 0, 0); text-transform: none; text-indent: 0px; letter-spacing: normal; font-family:;" 0px;"="" normal;="" 245);="" 245,="" rgb(245,="" 2;="" pre-wrap;="" !important;="" inline="" none;="" 0px;="" 12px;="" sans-serif;="" new",="" courier=""><font style="background-color: white;">metrics.plot_effect_mean_day()</font></span></font>

复制代码

如下代码通过plot_effect_mean_day()函数可视化策略买入因子生效间隔天数， 统计买入因子的生效间隔，如图9-3所示。不同的类型的买入因子策略在生效周期上差别很大，组合不同特性的买入因子组成良好的买入策略很重要，但是要注意买入因子的组合不是组合的因子越多，优势越大，所有因子的组合、不光是优势的组合，同时也是劣势的组合。

1. <font style="background-color: white;">metrics.plot_effect_mean_day()</font>

复制代码

1. <font style="background-color: white;">因子平均生效间隔:16.7105263158</font>

复制代码

如下代码通过plot_keep_days()函数可视化策略持股天数：

1. [backcolor=white]metrics.plot_keep_days()[/backcolor]

复制代码

1. [backcolor=white]策略持股天数平均数: 45.429
   
2. 策略持股天数中位数: 29.000[/backcolor]

复制代码

如下代码通过plot_sell_factors()函数可视化策略卖出因子生效分布情况:

1. <font style="background-color: white;">metrics.plot_sell_factors()</font>

复制代码

1. <font style="background-color: white;">卖出生效因子分布：
   
2. AbuFactorAtrNStop:stop_loss=1.0           18
   
3. AbuFactorAtrNStop:stop_win=3.0             9
   
4. AbuFactorCloseAtrNStop:close_atr_n=1.5    31
   
5. AbuFactorPreAtrNStop:pre_atr=1.5           9
   
6. dtype: int64</font>

复制代码

plot_max_draw_down()函数中实现了计算最大回撤并可视化:

1. <font style="background-color: white;">metrics.plot_max_draw_down()</font>

复制代码

1. <font style="background-color: white;">最大回撤: 0.065704
   
2. 最大回测启始时间:2016-04-14, 结束时间2016-07-13, 共回测103775.665000</font>

复制代码

3. 扩展自定义度量类

用户可以通过继承AbuMetricsBase，扩展度量值，以及添加其它的度量可视化方法。

如下代码示例子类通过实现：

• 扩展_metrics_extend_stats方法，添加交易手续费变化曲线做为度量值
• 添加plot_commission度量可视化方法，可视化收益曲线和手续费曲线之前的关系
  

1. <font style="background-color: white;">from abupy import ABuScalerUtil
   
2. 
   
3. class MetricsDemo(AbuMetricsBase):
   
4.     """扩展自定义度量类示例"""
   
5. 
   
6.     def _metrics_extend_stats(self):
   
7.         """
   
8.             子类可扩展的metrics方法，子类在此方法中可定义自己需要度量的值:
   
9.             本demo示例交易手续费和策略收益之间的度量对比
   
10.         """
    
11.         commission_df = self.capital.commission.commission_df
    
12.         commission_df['commission'] = commission_df.commission.astype(float)
    
13.         commission_df['cumsum'] = commission_df.commission.cumsum()
    
14.         """
    
15.             eg:
    
16.                 type    date    symbol  commission  cumsum
    
17.             0   buy 20141024    usAAPL  19.04   19.04
    
18.             0   buy 20141024    usAAPL  19.04   38.08
    
19.             0   buy 20141029    usNOAH  92.17   130.25
    
20.             0   buy 20141029    usBIDU  7.81    138.06
    
21.             0   buy 20141029    usBIDU  7.81    145.87
    
22.             0   buy 20141029    usVIPS  60.95   206.82
    
23.         """
    
24.         # 讲date转换为index
    
25.         dates_pd = pd.to_datetime(commission_df.date)
    
26.         commission = pd.DataFrame(index=dates_pd)
    
27.         """
    
28.             eg: commission
    
29.             2014-10-24  19.04
    
30.             2014-10-24  38.08
    
31.             2014-10-29  130.25
    
32.             2014-10-29  138.06
    
33.             2014-10-29  145.87
    
34.             2014-10-29  206.82
    
35.             2014-11-03  265.82
    
36.             2014-11-11  360.73
    
37.         """
    
38.         commission['cum'] = commission_df['cumsum'].values
    
39.         self.commission_cum = commission['cum']
    
40.         self.commission_sum = self.commission_cum[-1]
    
41. 
    
42.     def plot_commission(self):
    
43.         """
    
44.             使用计算好的首先费cumsum序列和策略收益cumsum序列进行可视化对比
    
45.             可视化收益曲线和手续费曲线之前的关系
    
46.         """
    
47.         print('回测周期内手续费共: {:.2f}'.format(self.commission_sum))
    
48.         # 使用缩放scaler_xy将两条曲线缩放到同一个级别
    
49.         x, y = ABuScalerUtil.scaler_xy(self.commission_cum, self.algorithm_cum_returns, type_look='look_max',
    
50.                                        mean_how=True)
    
51.         x.plot(label='commission')
    
52.         y.plot(label='algorithm returns')
    
53.         plt.legend(loc=2)
    
54.         plt.show()</font>

复制代码

上面代码的MetricsDemo类即完成了扩展自定义度量类的实现，它可以使用本前面使用的AbuMetricsBase中任何方法，
如metrics.plot_returns_cmp()，metrics.plot_max_draw_down()等等，它独有度量可视化方法plot_commission():

1. <font style="background-color: white;">metrics = MetricsDemo(*abu_result_tuple)
   
2. metrics.fit_metrics()
   
3. metrics.plot_commission()</font>

复制代码

1. <font style="background-color: white;">回测周期内手续费共: 4680.93</font>

复制代码

上面通过plot_commission方法中通过ABuScalerUtil.scaler_xy将两条曲线缩放到一个可视化级别上，可视化的目的是更直观的发现策略中的问题，度量值的意义即是提供发现问题的线索值，如上面两条曲线的走势，当策略收益曲线变缓的时候，手续费曲线应该也要随着变缓慢，如果出现两条曲线背离或者完全不跟随的情况，都代表交易策略有问题。

自定义度量类时也一定要以发现问题为目的，提供线索为手段进行度量类的个性化定制。

备注：关于ABuScalerUtil.scaler_xy等工具的使用在后面的章节会有示例讲解演示