如何评价实盘量化策略的性能

如何评价实盘量化策略的性能

小象实战讲义 · 进阶量化交易实战：迭代式的量化策略研发 本讲义仅用于编程与量化方法教学，不构成任何投资建议。

“不以资产管理目标为依据的策略性能评估，都是耍流氓。”回测与实盘中，评价一个策略的好坏绝非只看收益率高低，而是必须紧密结合客户的风险偏好、资金使用周期、最大回撤承受力以及信息比率（IR）。本节深入剖析量化策略性能评价体系与真实归因分析。

💡 核心导读

• 量化策略性能评估四大黄金支柱：
  • 目标导向评价（Goal-Oriented Assessment）：追求绝对收益（如年化 15% / 回撤 3%）还是相对超额（跑赢沪深300指数 10%）；
  • 信息比率与胜率稳定性（Information Ratio）：$\text{IR} = \frac{\text{Alpha}}{\text{Tracking Error}}$，度量获取超额收益的稳定性；
  • 极端行情穿越力（Stress Tolerance）：在 2015 股灾、2020 熔断等极端年份是否守住回撤底线；
  • Brinson 业绩归因（Brinson Attribution）：明确超额收益来源于行业配置选择（Allocation）还是个股选股 Alpha（Selection）。

┌─────────────────────────────────────────────────────────────┐
│                    量化策略性能立体评估矩阵拓扑                  │
└──────────────────────────────┬──────────────────────────────┘
                               │
 ┌─────────────────────────────┼─────────────────────────────┐
 ▼                             ▼                             ▼
┌─────────────────────────┐   ┌─────────────────────────┐   ┌─────────────────────────┐
│ 绝对收益指标 (Absolute) │   │ 相对基准超额 (Relative) │   │ 风险与极端回撤 (Risk)   │
├─────────────────────────┤   ├─────────────────────────┤   ├─────────────────────────┤
│ • CAGR 年化复合收益率   │   │ • 跟踪误差 Tracking Err │   │ • 最大历史回撤 MDD      │
│ • 夏普比率 Sharpe > 1.5 │   │ • 信息比率 IR > 1.2     │   │ • 最长回撤修复天数      │
└─────────────────────────┘   └─────────────────────────┘   └─────────────────────────┘

一、信息比率（Information Ratio）与超额收益建模

设策略日收益率为 $R_{p, t}$，基准指数日收益率为 $R_{b, t}$。日超额收益为 $R_{e, t} = R_{p, t} - R_{b, t}$。年化信息比率（IR）为：

$$\text{IR} = \frac{\overline{R}_e \times 252}{\sigma(R_e) \times \sqrt{252}}$$

若 $\text{IR} > 1.0$，表明策略具备极强的持续战胜基准能力。

import pandas as pd
import numpy as np

def calculate_information_ratio(strategy_returns: pd.Series, benchmark_returns: pd.Series) -> dict:
    """
    计算年化超额收益率、跟踪误差与信息比率 IR
    """
    excess = strategy_returns - benchmark_returns
    annual_alpha = excess.mean() * 252.0
    tracking_error = excess.std() * np.sqrt(252.0)
    ir = annual_alpha / (tracking_error + 1e-8)
    
    return {
        'Annual_Alpha': float(annual_alpha),
        'Tracking_Error': float(tracking_error),
        'Information_Ratio': float(ir)
    }

二、收益风险性价比与卡玛比率综合评分

结合年化复合收益（CAGR）与最大回撤（MDD）计算卡玛比率，构建综合打分卡。

def compute_comprehensive_scorecard(equity_series: pd.Series) -> dict:
    """
    综合量化策略性能打分卡
    """
    rets = equity_series.pct_change().dropna()
    total_ret = equity_series.iloc[-1] / equity_series.iloc[0] - 1.0
    cagr = (1.0 + total_ret) ** (252.0 / len(rets)) - 1.0
    
    mdd = ((equity_series.cummax() - equity_series) / equity_series.cummax()).max()
    vol = rets.std() * np.sqrt(252)
    sharpe = (cagr - 0.02) / (vol + 1e-8)
    calmar = cagr / (mdd + 1e-8)
    
    return {'CAGR': float(cagr), 'MDD': float(mdd), 'Sharpe': float(sharpe), 'Calmar': float(calmar)}

📝 动手练一练

编写 Python 测试脚本，对模拟策略相对基准指数的超额表现进行全方位性能评分与 IR 核算：

import pandas as pd
import numpy as np

def run_performance_assessment_test():
    np.random.seed(42)
    # 模拟 250 天基准与策略收益
    bench_rets = pd.Series(np.random.normal(0.0003, 0.012, 250))
    strat_rets = bench_rets + np.random.normal(0.0006, 0.005, 250) # 稳定 Alpha
    
    ir_info = calculate_information_ratio(strat_rets, bench_rets)
    equity = (1.0 + strat_rets).cumprod()
    scorecard = compute_comprehensive_scorecard(equity)
    
    print("================ 实盘量化策略性能科学评价测试 ================")
    print(f"策略年化超额 Alpha: {ir_info['Annual_Alpha']*100:.2f}%")
    print(f"年化跟踪误差 TE   : {ir_info['Tracking_Error']*100:.2f}%")
    print(f"信息比率 (IR)     : {ir_info['Information_Ratio']:.2f}")
    print(f"年化夏普比率 Sharpe: {scorecard['Sharpe']:.2f} | 卡玛比率 Calmar: {scorecard['Calmar']:.2f}")
    assert ir_info['Information_Ratio'] > 1.0, "信息比率未达到优秀标准！"
    print("✅ 实盘量化策略性能科学评价与打分卡测试 PASS")
    print("============================================================")

if __name__ == '__main__':
    run_performance_assessment_test()

运行结果输出：

================ 实盘量化策略性能科学评价测试 ================
策略年化超额 Alpha: 17.15%
年化跟踪误差 TE   : 7.92%
信息比率 (IR)     : 2.16
年化夏普比率 Sharpe: 1.13 | 卡玛比率 Calmar: 1.46
✅ 实盘量化策略性能科学评价与打分卡测试 PASS
============================================================

本章小结

1. 依据投资目标定制评价准绳：机构绝对收益看夏普与卡玛，公募指数增强看超额 Alpha 与信息比率 IR。
2. 重视超额收益获取的稳定性：高信息比率（IR > 1.5）意味着策略超额收益回撤小、胜率高。
3. 结合全周期压力测试复核：在不同市场周期中综合评估策略的抗回撤能力与资金容量承载力。

📋 行动清单 (Action Checklist)

• 运行性能评价代码，测试在不同基准指数下的 IR 波动；
• 编写按月度统计的超额胜率（Batting Average）分析脚本；
• 预习下一节，掌握量化系统工作全流程与研发规范。

— 小象教研组