🎯 今日核心问题
- 不用 backtrader,一个能算净值、回撤、年化、夏普的回测内核最少需要多少行?每个指标的精确定义是什么,差一点会差多少?
- 为什么"平均日收益 × 250"算年化是错的?为什么夏普比率必须用日收益标准差 × √250?
📖 精读提纲
【一】回测内核的骨架:三块积木
任何向量化回测都可以拆成三块:
① 信号矩阵:signals,行是日期、列是标的,值 ∈ {-1, 0, 1} 或连续权重。这是策略的全部内容——你的因子、打分、排序最终都化成这个矩阵。
② 权重矩阵:weights = 信号 × 归一化系数,保证每行绝对值之和 ≤ 1(满仓)。这一步决定了资金分配方式:等权、市值加权、波动率倒数加权,差别都在这里。
③ 收益聚合:组合日收益 = Σ(权重_t × 次日收益_t+1) − 交易成本。注意时序:今天收盘算出的信号,只能在明天开盘/收盘生效。用 weights.shift(1) 是防前视偏差的最后一道闸门。
把这三块写清楚,回测引擎就是30行。剩下的只是把指标算出来。
【二】四个核心指标的精确公式
净值曲线:nav = (1 + r).cumprod(),起始资金任意(设1)。不要用"资金+浮盈"累加,必须用复利连乘,否则分红再投资的收益会漏掉。
最大回撤(MDD):MDD = max(1 − nav / nav.cummax())。含义是"从历史最高点跌下来最狠的那一次",是衡量"你能不能拿得住"的唯一指标。注意它是单次最深,不是累计跌幅,也不是年化。
年化收益(CAGR):(nav_end / nav_start) ** (252 / 交易日数) − 1。绝对不能用"日均收益 × 252"——那是简单加总,会高估。区间只有1年以内时年化会极大放大,别拿3个月的年化收益吹牛。
夏普比率:(年化收益 − 无风险利率) / 年化波动率。年化波动率 = 日收益std() × √252。A股无风险利率取 2%(十年国债附近),别用0,用0会让夏普虚高。判断标准:夏普 > 1 可用,> 1.5 优秀,> 2 要怀疑是不是有前视偏差。
再加两个必须看的:卡玛比率(年化收益 / 最大回撤,衡量"为赚这笔钱承受了多少痛苦")和胜率 / 盈亏比(按持仓期而不是按日算)。
【三】实战应用:框架的第一版就用沪深300和双环传动试跑
第一版框架不要写太复杂,先用两个最简策略验证它能不能跑通:
策略A:双环传动买入持有。全程满仓,看净值曲线是否等于价格涨幅(后复权)。这一步是"单位测试"——如果框架算出来的收益和 close[-1]/close[0]-1 对不上,说明收益聚合有bug。
策略B:20日均线上穿买入、下穿清仓。一个最简单的择时,用来看框架能不能正确处理"持仓/空仓切换"。空仓期间收益应为0,净值曲线会是平的。
这两个策略跑通,你的框架就可以用来测任何想法了。不要一上来就写多因子——多因子的复杂度会让你分不清"是策略不行"还是"框架有bug"。
【四】常见误区
- ❌ 用
weights * returns不 shift——当天信号当天生效,等于用收盘价买入再赚当天涨幅,这是最经典的前视偏差,收益能凭空翻倍。 - ❌ 年化 = 日均收益 × 252——简单加总而非复利,长期会显著高估,5年以上能差几个百分点。
- ❌ 夏普 = 年化收益 / 日收益std——分母忘了年化(×√252),会算出一个大20倍的"夏普",看着很爽全是假的。
- ❌ 回测不扣交易成本——佣金万分之1.5双边+印花税千分之1(卖出单边)+滑点,一次完整进出约0.15%。月频调仓年换手6次就是0.9%/年,足以吃掉一半超额。
- ❌ 只看年化不看回撤——年化30%最大回撤60%的策略,实盘你根本拿不住,会在最底部割肉。回撤才是决定你能不能执行的那条线。
💻 代码示例
import numpy as np
import pandas as pd
def perf_stats(returns: pd.Series, rf: float = 0.02, freq: int = 252) -> dict:
"""输入:日收益序列(pd.Series, index=日期)"""
r = returns.dropna()
nav = (1 + r).cumprod()
n = len(r)
if n == 0 or nav.iloc[-1] <= 0:
return {}
years = n / freq
total_ret = nav.iloc[-1] - 1
cagr = nav.iloc[-1] ** (1 / years) - 1 if years > 0 else np.nan
mdd = (1 - nav / nav.cummax()).max()
vol = r.std(ddof=1) * np.sqrt(freq)
sharpe = (cagr - rf) / vol if vol > 0 else np.nan
calmar = cagr / mdd if mdd > 0 else np.nan
win = (r > 0).mean()
downside = r[r < 0].std(ddof=1) * np.sqrt(freq)
sortino = (cagr - rf) / downside if downside > 0 else np.nan
return {
"交易日数": n, "年数": round(years, 2),
"累计收益": round(total_ret, 4),
"年化收益": round(cagr, 4),
"年化波动": round(vol, 4),
"最大回撤": round(mdd, 4),
"夏普": round(sharpe, 3),
"索提诺": round(sortino, 3),
"卡玛": round(calmar, 3),
"日胜率": round(win, 4),
"最终净值": round(nav.iloc[-1], 4),
}
class Backtest:
"""向量化回测内核:信号矩阵 -> 权重 -> 净值"""
def __init__(self, prices: pd.DataFrame, cost: float = 0.0015):
"""
prices: 行=日期, 列=标的的【后复权】收盘价
cost: 单次换手的综合成本(佣金+印花税+滑点)
"""
self.px = prices.sort_index()
self.ret = self.px.pct_change().fillna(0.0)
self.cost = cost
def run(self, weights: pd.DataFrame) -> pd.Series:
w = weights.reindex_like(self.px).fillna(0.0)
# 关键:信号滞后一天生效,杜绝前视偏差
w = w.shift(1).fillna(0.0)
gross = (w * self.ret).sum(axis=1)
# 换手成本:权重变化绝对值之和 × 单位成本
turnover = w.diff().abs().sum(axis=1).fillna(0.0)
net = gross - turnover * self.cost
return net
def nav(self, weights: pd.DataFrame) -> pd.Series:
return (1 + self.run(weights)).cumprod()
# ---------------- 用一个真实标的验证 ----------------
import akshare as ak
def load_hfq(code: str, start="20200101", end="20241231") -> pd.Series:
d = ak.stock_zh_a_hist(symbol=code, period="daily",
start_date=start, end_date=end,
adjust="hfq")
d["日期"] = pd.to_datetime(d["日期"])
return d.set_index("日期")["收盘"].astype(float)
px = load_hfq("002472").to_frame("002472") # 双环传动,后复权
bt = Backtest(px, cost=0.0) # 先零成本校验
# 策略 = 全程满仓
w_bh = pd.DataFrame(1.0, index=px.index, columns=px.columns)
r_bh = bt.run(w_bh)
print(perf_stats(r_bh))
# 单位测试:满仓收益必须等于价格涨幅
assert abs((1 + r_bh).prod() - px["002472"].iloc[-1] / px["002472"].iloc[0]) < 1e-6
print("✓ 买入持有净值与价格涨幅一致")
# 策略:20日均线择时
ma20 = px["002472"].rolling(20).mean()
sig = (px["002472"] > ma20).astype(float)
w_ma = sig.to_frame("002472")
r_ma = bt.run(w_ma)
print(perf_stats(r_ma))
print("买入持有 vs 均线择时:")
print(pd.DataFrame({"BH": perf_stats(r_bh), "MA20": perf_stats(r_ma)}))
✏️ 今日动手
- 把
Backtest类和perf_stats()写进backtest.py,跑通上面代码。 - 重点验证两件事:① 零成本满仓的最终净值 == 后复权价涨幅;② 把
w.shift(1)那行临时注释掉,看收益变成多少——这个差值就是前视偏差的量级,记住这个数字。 - 用 002472、601111、沪深300(
ak.index_zh_a_hist("000300"))三个标的各跑一次买入持有,把年化、最大回撤、夏普做成一张对比表。中国国航的回撤应该明显很深,验证一下。 - 加成本:把
cost=0.0015打开,对比均线择时策略在零成本和有成本下的年化,看换手吃掉多少。 - 把回测函数封装成
run_backtest(prices, weights, cost),返回(nav_series, stats_dict)——明天要拿它去对沪深300的官方数据。
🔖 明日预告
框架写好了,但你怎么知道它算得对?明天做最重要的一件事:用沪深300买入持有的公开数据来校验你的框架,误差必须控制在0.5%以内。校不准,后面所有结论都不能信。