標籤：

Python 量化金融

常用量化回測評判指標解讀

01-26

本文主要是針對常見量化指標的進行一些解讀，結尾附Pyfolio分析框架。

礦友在回測曲線時同時展示了很多量化指標，例如下圖中所示。

那麼這些指標究竟應該怎麼看，這裡我們拿兩隻具有不同特性的股票來簡單看一下它們在這些指標上的表現。

市場基準選擇滬深300指數，選取的測算股票為：

1）平安銀行（000001.SH）：滬深300成分股第一隻，大盤股的代表；

2）深振業A（000006.SH）：中證500成分股第一隻，小盤股的代表，這兩隻測算股票和大盤基準的凈值線如下圖所示

【指標】年化收益率

將回測的股票或組合的總收益率換算成以年為單位的幾何平均收益率。數值越高代表不考慮風險的情況下股票的表現越好

公式： $r_{i}$ = $(1+R_{i} )^{frac{250}{period} }$ ?1
$R_{i}$ : 股票i年化收益率

平安銀行：22%

深振業A：38.9%

從年化收益率來看，深振業A優於平安銀行

【指標】夏普比率

描述股票或組合在單位風險下的所能獲得超額收益的程度。它將一隻標的或組合的風險歸一化，便於更好的比較組合之間的有效性。數值越高代表考慮風險的情況下股票或組合表現越好。

公式： $S_{i}$ = $frac{R_{i}-R_{f} }{sigma _{i} }$
$R_{i}$ : 股票i年化收益率
$R_{f}$ : 年化無風險收益率,假設為4%
σi:股票i收益率的年化標準差

平安銀行：0.42

深振業A：0.678

從夏普比率來看，深振業A優於平安銀行

【指標】最大回撤

描述股票或組合歷史表現中從某高點開始最大的下跌比例。最大回撤通常越小越好

公式： $d_{i}$ =max(1-策略當前價值/當日之前的最高價值)

平安銀行：45.3%

深振業A：55.1%

從最大回撤來看，平安銀行優於深振業A

【指標】信息比率

描述股票或組合相對於某一標的殘差收益的收益風險比。通常來講，股票或組合的信息比率越高，表明股票或組合在承擔單位殘差風險的情況下獲取的殘差收益越高，表現越好

公式： $IR_{i}$ = $frac{avgleft( R_{i}-R_{m} ight ) }{{stdleft( R_{i}-R_{m} ight ) }}$
avg( $R_{i}$ ? $R_{m}$ ): 殘差收益率的年化均值
std( $R_{i}$ ? $R_{m}$ )：殘差收益率的年化標準差

平安銀行：0.41

深振業A：0.74

從信息比率來看，深振業A優於平安銀行

【指標】貝塔β

代表某股票走勢與大盤的相關程度，它代表股票價格被大盤所解釋的權重。

公式： $Beta_{i}$ = $frac{covleft( R_{i},R_{b} ight) }{sigma _{b}^{2} }$
$R_{i}$ :股票i的收益率
$R_{b}$ :市場收益率
$sigma _{b}^{2}$ =市場每日收益的方差

平安銀行: 1.147

深振業A：1.209

CAPM模型：基於β的股票定價模型。某隻股票的收益由無風險收益率和市場所決定，定價方程為： $r_{i}$ = $R_{f}$ + $eta _{i}$ ( $R_{b}$ ? $R_{f}$ )

$R_{f}$ :無風險收益率（與時間周期相關），可假定默認年化無風險利率為4%

平安銀行的CAPM定價曲線

紅色實線：平安銀行的市場價格走勢

紅色虛線：根據CAPM模型推導得出的價格走勢

結論：基於β的CAPM模型能解釋來源於市場的股票收益，但無法解釋全部收益來源

【指標】阿爾法α

鑒於β只能解釋市場收益，那麼市場之外的超額收益我們便用指標α來表示。股票能產生α的原因很多，常用的方法是用一些基本面、技術面指標因子的組合去尋找α。

公式： $Alpha_{i}$ = $R_{i}$ - $r_{i}$
$R_{i}$ :股票i的實際收益率
$r_{i}$ :股票i的CAPM收益率

平安銀行的收益率可分解為

同樣的，深振業A的收益率可分解如下

平安銀行的α收益波動小，但振幅也小，比較穩定

深振業A的α波動大，與市場形態的相關性很強，負alpha的比例相對較多，比較不穩定

至於如何評判股票或組合表現的優劣，這個見仁見智，一般是要綜合多個指標去考慮。

周教授把quantopian金融投資組合收益/風險分析庫pyfolio 做了uqer版的實現，分享給各位礦友。

他山之石可以攻玉！-Pyfolio分析框架

更多的回測指標解讀可以查閱優礦幫助文檔

推薦閱讀：

※萬達金融集團布局全解析
※人人都恨董明珠
※一千年前的貨幣戰爭是如何摧毀一個帝國
※如何求職於證券公司？
※定向櫃員是什麼，轉正有多難，發展前景怎麼樣？

TAG:量化 | 金融 | Python |