趋势型策略的回测与性能评估

趋势型策略的回测与性能评估

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。

策略回测不是简单的收益曲线拟合，而是对策略在历史不同极端情景下生存能力的全面大考。本节深入剖析趋势策略回测引擎的构建、最大回撤（MDD）、卡玛比率（Calmar）、夏普比率（Sharpe）以及收益回撤比的精细化度量。

💡 核心导读

• 趋势型策略全量绩效评估指标矩阵：
  • 年化复合收益率（CAGR）：衡量策略长期复利增长能力；
  • 最大回撤与回撤持续时间（Max Drawdown & Duration）：历史峰值至谷底的最大跌幅及修复所需的交易日天数；
  • 卡玛比率（Calmar Ratio $= \text{CAGR} / |\text{MDD}|$）：趋势策略核心性价比指标，要求 Calmar $> 1.5$；
  • 月度收益分布热力图（Monthly Return Matrix）：评估收益在各年份及不同月份的均匀分布程度。

┌─────────────────────────────────────────────────────────────┐
│                    趋势策略回测与绩效评估全景拓扑图              │
└──────────────────────────────┬──────────────────────────────┘
                               │
 ┌─────────────────────────────┼─────────────────────────────┐
 ▼                             ▼                             ▼
┌─────────────────────────┐   ┌─────────────────────────┐   ┌─────────────────────────┐
│ 净值与收益曲线          │   │ 风险与回撤深度          │   │ 综合风险调整后收益      │
├─────────────────────────┤   ├─────────────────────────┤   ├─────────────────────────┤
│ • CAGR 年化复合收益率   │   │ • Max Drawdown (MDD)    │   │ • Sharpe Ratio > 1.2    │
│ • 总收益率 / 基准超额   │   │ • 最长回撤修复期 (天)   │   │ • Calmar Ratio > 1.5    │
└─────────────────────────┘   └─────────────────────────┘   └─────────────────────────┘

一、最大回撤（Max Drawdown）与卡玛比率数学建模

对于累计净值序列 $V_t$，历史高点序列（High Watermark）为 $H_t = \max_{0 \le s \le t} V_s$。当前回撤与最大回撤定义为：

$$DD_t = \frac{H_t - V_t}{H_t}, \quad MDD = \max_{0 \le t \le T} DD_t$$

卡玛比率（Calmar Ratio）衡量单位最大回撤所换取的年化收益率：

$$\text{Calmar} = \frac{\text{CAGR}}{|MDD|}$$

import pandas as pd
import numpy as np

def calculate_advanced_performance_metrics(equity_series: pd.Series) -> dict:
    """
    计算 CAGR, 最大回撤, 夏普比率与卡玛比率
    """
    returns = equity_series.pct_change().dropna()
    n_days = len(returns)
    
    # 1. CAGR
    total_return = equity_series.iloc[-1] / equity_series.iloc[0] - 1.0
    cagr = (1.0 + total_return) ** (252.0 / n_days) - 1.0
    
    # 2. Max Drawdown
    high_watermark = equity_series.cummax()
    drawdown = (high_watermark - equity_series) / high_watermark
    mdd = drawdown.max()
    
    # 3. Sharpe & Calmar
    vol = returns.std() * np.sqrt(252)
    sharpe = (cagr - 0.02) / (vol + 1e-8)
    calmar = cagr / (mdd + 1e-8)
    
    return {
        'Total_Return': float(total_return),
        'CAGR': float(cagr),
        'MDD': float(mdd),
        'Sharpe': float(sharpe),
        'Calmar': float(calmar)
    }

二、单利回测与复利再投资（Compound）机制

趋势策略通过复利再投资能够实现指数级增长，但在回撤期间亏损金额也会同步放大。回测系统必须支持精确的逐日盯市（Mark-to-Market）与资金复利计算。

$$V_{t} = V_{t-1} \times (1 + w_{t-1} R_t)$$

def run_vectorized_backtest(df_signals: pd.DataFrame, fee_rate: float = 0.001) -> pd.Series:
    """
    简单向量化回测引擎（包含扣费）
    """
    df = df_signals.copy()
    df['pos'] = df['signal'].shift(1).fillna(0)
    df['ret'] = df['close'].pct_change().fillna(0)
    
    # 扣除换手交易费用
    df['trades'] = df['pos'].diff().abs().fillna(0)
    df['cost'] = df['trades'] * fee_rate
    
    df['strat_ret'] = df['pos'] * df['ret'] - df['cost']
    equity = (1.0 + df['strat_ret']).cumprod()
    return equity

📝 动手练一练

编写 Python 仿真脚本，对包含假突破与主升浪的走势执行全流程回测并输出绩效指标：

import pandas as pd
import numpy as np

def run_backtest_evaluation_test():
    np.random.seed(42)
    # 模拟 250 天 K 线数据
    returns = np.random.normal(0.001, 0.015, 250)
    prices = 100.0 * np.cumprod(1.0 + returns)
    df = pd.DataFrame({'close': prices})
    
    # 构造均线交叉信号
    df['ma10'] = df['close'].rolling(10).mean()
    df['ma30'] = df['close'].rolling(30).mean()
    df['signal'] = (df['ma10'] > df['ma30']).astype(int)
    
    equity = run_vectorized_backtest(df)
    metrics = calculate_advanced_performance_metrics(equity)
    
    print("================ 趋势策略回测绩效评估 ================")
    print(f"累计总收益率 : {metrics['Total_Return']*100:.2f}%")
    print(f"年化收益率   : {metrics['CAGR']*100:.2f}%")
    print(f"最大回撤 MDD : {metrics['MDD']*100:.2f}%")
    print(f"卡玛比率     : {metrics['Calmar']:.2f}")
    assert metrics['MDD'] >= 0, "最大回撤计算错误！"
    print("✅ 趋势策略回测与性能评估测试 PASS")
    print("====================================================")

if __name__ == '__main__':
    run_backtest_evaluation_test()

运行结果输出：

================ 趋势策略回测绩效评估 ================
累计总收益率 : 11.97%
年化收益率   : 12.12%
最大回撤 MDD : 7.80%
卡玛比率     : 1.55
✅ 趋势策略回测与性能评估测试 PASS
====================================================

注意：本例卡玛比率 1.55，仅勉强达到 Calmar > 1.5 的及格线，说明该均线交叉策略的风险调整后收益并不宽裕，距离实盘可用还有优化空间。

本章小结

1. 卡玛比率优于单一收益率：以单位回撤创造的收益率作为衡量趋势策略优劣的核心标准。
2. 严密监控回撤持续期：过长的回撤修复期（如超过 6 个月）会在实盘中严重摧毁交易者的执行信心。
3. 真实扣除交易滑点摩擦：回测必须将滑点与交易佣金作为硬约束计入净值计算，确保回测结果可落地。

📋 行动清单 (Action Checklist)

• 运行回测绩效测试代码，计算策略在不同年化波动率下的夏普比率变化；
• 输出按季度统计的盈亏分布表（Quarterly Win-Loss）；
• 预习下一节，掌握趋势策略的样本外过拟合检验与优化方法。

— 小象教研组