引言：
本系列帖子“量化小讲堂”，通过实际案例教初学者使用python、pandas进行金融数据处理，希望能对大家有帮助。

【必读文章】:《10年400倍策略分享-附视频逐行讲解代码》

【所有系列文章汇总】:https://bbs.pinggu.org/thread-3950124-1-1.html

【python量化课程】想要快速、系统的学习量化知识，可以参与我与论坛合作开设的课程：《python量化投资入门》，我会亲自授课，随问随答。参与课程还可以免费加入我的小密圈，我每天会在圈中分享量化的所见所思，圈子介绍点击此处。

微信：xbx_laoshi，量化交流Q群(快满)：438143420，有问题欢迎交流。

文中用到的A股数据可在www.yucezhe.com下载，这里可以下载到所有股票、从上市日起的交易数据、财务数据、分钟数据、分笔数据、逐笔数据等。

---

【量化小讲堂 - Python、Pandas系列】如何判断一个策略的好坏？

对于一个交易策略，初学者往往认为收益越高越好。收益确实是一个重要的评价指标，但是除了收益之外，还有很多其他重要的角度来衡量一个策略的好坏。例如这个策略的风险性、胜率、交易频率等。

本篇文章以几个常见的交易策略评价指标为案例，向大家介绍pandas的以下几个功能的运用：

• dataframe的合并操作：append()、concat()函数的用法
• 按某一列的值排序操作：sort_values()函数的用法
• 常见统计指标的方法：mean(), std()等
• pandas画图操作：plot方法
  

我将介绍如下几个经典指标

• 年化收益
  

任何收益都应该转换成年化收益，以进行比较。股神巴菲特投资几十年以来的年化收益是20%左右。美国股市百年来年化收益大概是10%左右。所以我们也不要太贪心，不要动辄就要求每年翻倍的收益。计算公式为：（账户最终价值/账户初始价值）^（250/回测期间总天数）-1

• 最大回撤
  

最大回撤就是从一个高点到一个低点最大的下跌幅度，用来描述我们的策略可能出现的最糟糕的情况，衡量了最极端可能的亏损。例如一个策略的最大回撤是50%，那么你使用这个策略之前就要掂量掂量，自己是否能经受得起50%的下跌。计算公式为：min(账户当日价值 / 当日之前账户最高价值-1)。

我一般认为，年华收益/最大回撤，是个最简单有效的策略判断指标。

• 平均涨幅
  

平均涨幅衡量了在回测期间资产的平均涨跌情况。计算公式为：账户日收益的平均值。

• 上涨概率
  

上涨概率衡量了我们投资组合上涨的可能性。计算公式为：上涨天数 / 回测交易日数量。

• 最大连续上涨天数
  

衡量了我们策略连续盈利的最大天数。

• 最大连续下跌天数
  

衡量了我们策略连续亏损的最大天数。或者说策略连续失效的次数。这个指标很重要，在实战中，若连续失败的次数多了，会动摇自己的信心，使自己很难跟着策略走下去。

• 最大单周期涨幅
  

所有日期中最大的涨幅，衡量了资产一天内的最好表现。

• 最大单周期跌幅
  

所有日期中最大的跌幅，衡量了资产一天内的最差表现。

（【python量化课程】想要快速、系统的学习量化知识，可以参与我与论坛合作开设的课程：《python量化投资入门》，我会亲自授课，随问随答。参与课程还可以免费加入我的小密圈，我每天会在圈中分享量化的所见所思，圈子介绍点击此处。）

• 收益波动率
  

单单追求高收益率是不行的，我们在投资中还必须考虑到潜在的风险。波动太大的策略往往风险也较高。收益波动率就衡量了策略收益的波动情况即风险。计算公式为：账户日收益的年化标准差。

• 贝塔(beta)值
  

根据经典的资本资产定价理论(CAPM模型)，β系数衡量了资产的回报率对市场变动的敏感程度，代表了该资产的系统性风险，表示策略对大盘的敏感性。计算公式为：账户日收益与参考基准日收益的协方差 / 参考基准日收益的方差。

• 阿尔法(alpha)值
  

虽然我们的策略会受到大盘的影响，但是每个策略都会有自己市场因素之外的收益，alpha值表示实际风险回报和平均预期风险回报的差额，衡量了投资的非系统性风险。计算公式为：（账户年化收益-无风险收益）-beta*（参考基准年化收益-无风险收益）。

• 夏普比率
  

理性的投资者将选择并持有有效的投资组合，即那些在给定的风险水平下使期望回报最大的投资组合，夏普比率就是一个可以同时对收益与风险加以综合考虑的经典指标，表示每承受一单位风险，会产生多少的超额回报。计算公式为：（账户年化收益率-无风险利率）/ 收益波动率。

• 信息比率
  

信息比率以马克维茨的均异模型为基础，用来衡量超额风险所带来的超额收益。它表示单位主动风险所带来的超额收益。计算公式为：（账户日收益 - 参考基准日收益）的年化均值/年化标准差。

任何策略的结果都是一个收益序列，根据这个收益序列可以得到一条资金曲线。为了简单起见，我们就任选一只股票每天的收益率作为原始数据，来计算上文提到的各种策略评价指标。在http://yucezhe.com/product?name=trading-data可以下载到所有股票的历史日线数据，可以作为我们计算的原始数据。

数据下载下来解压缩打开后，里面有所有股票和几个常见指数的数据。打开其中一个股票文件之后是下图这个样子，每一行是每一天的数据：


数据有以下的字段：
【code】股票的代码，上证股票以sh开头，深证股票以sz开头
【date】交易日期
【open】开盘价
【high】最高价
【low】最低价
【close】收盘价
【change】涨跌幅，复权之后的真实涨跌幅，保证准确
【volume】成交量
【money】成交额
【traded_market_value】流通市值
【market_value】总市值
【turnover】换手率，成交量/流通股本
【adjust_price】后复权价，复权开始时间为股票上市日，精确到小数点后10位
【report_date】最近一期财务报告实际发布的日期
【report_type】最近一期财务报告的类型，3-31对应一季报，6-30对应半年报，9-30对应三季报，12-31对应年报
【PE_TTM】最近12个月市盈率，股价 / 最近12个月归属母公司的每股收益TTM
【PS_TTM】最近12个月市销率， 股价 / 最近12个月每股营业收入
【PC_TTM】最近12个月市现率， 股价 / 最近12个月每股经营现金流
【PB】市净率，股价 / 最近期财报每股净资产

对于我们来说，只要染date】以及【change】就行了。下面是代码的截图，这段代码截取指定的股票在指定时间段内的收益率，计算相关指标。代码里面有详细的注释，有问题可以留言，附件中有程序的源码，回复即可下载。

获取数据函数：


计算年化收益率函数：


计算最大回撤函数：


计算平均涨幅：


（【python量化课程】想要快速、系统的学习量化知识，可以参与我与论坛合作开设的课程：《python量化投资入门》，我会亲自授课，随问随答。参与课程还可以免费加入我的小密圈，我每天会在圈中分享量化的所见所思，圈子介绍点击此处。）
计算上涨概率：


计算最大连续上涨天数和最大连续下跌天数：


计算最大单周期涨幅和最大单周期跌幅：


计算收益波动率的函数、计算贝塔的函数：


计算alpha的函数：


计算夏普比函数：


计算信息比率函数、计算股票和基准在回测期间的累计收益率并画图：


导入数据运行以上函数：


把数据和代码下载下来后，修改代码中原始数据的地址（也就是选择一个股票），并选定时间段，运行代码，就可以看到输出结果了。假设我们选择万科A，并设定时间段为1991年1月1日到2015年12月31日这25年，得到如下的输出结果:




万科A二十几年年年化回报是15%，已经相当不错了，最大回撤为78.9756%，也就是将近跌了80%，发生在08年的股灾。最大连续下跌50天，也是有点猛...

---

之后会讲的内容：

• 万得实盘交易接口
• 马克维茨资产组合理论在中国市场实际运用的效果
• 以均线为例，完整的讲述一个交易策略应该如何编写
  

关于《量化小讲堂》之后想看的内容，或者相关问题，可以加我微信xbx_laoshi、Q群(快满)：438143420沟通。


附件中是Python程序文件，免费，回复可见，觉得文章内容有帮助的话，顶贴是最好的鼓励！


[hide][/hide]