策略性能的评估与优化

策略性能的评估与优化

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。

策略回测中漂亮的收益曲线往往隐藏着过拟合与幸存者偏差。本节深入剖析量化策略性能的多维评估矩阵（夏普、索提诺、卡玛、收益波动比）与稳健优化方法，重点解析极端市场压力测试与风险归因分析。

💡 核心导读

• 量化策略进阶性能评价四大维度：
  • 索提诺比率（Sortino Ratio）：仅惩罚下行波动率（Downside Deviation），比夏普比率更客观评价非对称收益；
  • 收益回撤比与卡玛比率（Calmar Ratio）：年化复合收益与最大历史回撤的比值；
  • 胜率与盈亏比平衡图（Win-Rate vs Profit-Factor）：评估交易系统在不同市场周期中的稳健性；
  • 压力测试与情景分析（Stress Testing）：模拟 2015 股灾流动性跌停、2020 疫情剧震等极端环境下的资产韧性。

┌─────────────────────────────────────────────────────────────┐
│                    量化策略全景性能评估与优化矩阵               │
└──────────────────────────────┬──────────────────────────────┘
                               │
 ┌─────────────────────────────┼─────────────────────────────┐
 ▼                             ▼                             ▼
┌─────────────────────────┐   ┌─────────────────────────┐   ┌─────────────────────────┐
│ 风险调整收益 (Sharpe)   │   │ 下行风险保护 (Sortino)  │   │ 压力测试与极端韧性      │
├─────────────────────────┤   ├─────────────────────────┤   ├─────────────────────────┤
│ • Sharpe = (R - Rf)/Vol │   │ • Sortino = (R - Rf)/DD │   │ • 历史极端暴跌情景复现  │
│ • 全面衡量单位风险收益  │   │ • 仅惩罚负收益下行风险  │   │ • 检验保证金与流动性危机│
└─────────────────────────┘   └─────────────────────────┘   └─────────────────────────┘

一、索提诺比率（Sortino Ratio）与下行标准差数学建模

夏普比率将向上的超额收益也作为波动率进行同等惩罚，这在趋势策略中并不合理。索提诺比率引入目标收益率（MAR），仅计算下行半方差：

$$\delta_{\text{down}} = \sqrt{\frac{1}{T} \sum_{t=1}^T \min(0, R_t - \text{MAR})^2}$$

$$\text{Sortino} = \frac{\mathbb{E}[R] - \text{MAR}}{\delta_{\text{down}} \times \sqrt{252}}$$

import pandas as pd
import numpy as np

def calculate_sortino_ratio(returns: pd.Series, mar: float = 0.0) -> float:
    """
    计算年化索提诺比率 Sortino Ratio
    """
    excess_ret = returns - mar / 252.0
    # 下行半方差分母统一为全部 T 期（与公式一致，正收益期按 0 计入）
    downside = np.minimum(excess_ret, 0.0)
    downside_std = np.sqrt((downside ** 2).mean()) * np.sqrt(252.0)
    
    annual_return = excess_ret.mean() * 252.0
    sortino = annual_return / (downside_std + 1e-8)
    return float(sortino)

二、极端情景压力测试（Stress Testing）仿真

压力测试人为构造历史上最恶劣的市场冲击（如连续 3 天单日下跌 $5$、全市场流动性枯竭佣金跳升 5 倍）。检验策略在极端逆境下的资金保留率（Capital Preservation）：

$$V_{\text{stress}} = V_0 \prod_{t=1}^K (1 + w_t R_{\text{crash}, t} - \text{Friction}_{\text{stress}})$$

def run_stress_test_scenario(equity: pd.Series, crash_drops: list = [-0.05, -0.06, -0.04]) -> float:
    """
    极端股灾压力测试模拟
    """
    current_val = equity.iloc[-1]
    for drop in crash_drops:
        current_val *= (1.0 + drop)
    max_stress_loss = (equity.iloc[-1] - current_val) / equity.iloc[-1]
    return float(max_stress_loss)

📝 动手练一练

编写 Python 脚本计算策略收益率的索提诺比率并执行极端黑天鹅情景压力测试：

import pandas as pd
import numpy as np

def run_performance_and_stress_test():
    np.random.seed(42)
    # 模拟 250 天具有正偏度的策略收益率
    rets = np.random.normal(0.0008, 0.012, 250)
    rets_series = pd.Series(rets)
    equity = (1.0 + rets_series).cumprod()
    
    sortino = calculate_sortino_ratio(rets_series)
    stress_loss = run_stress_test_scenario(equity, crash_drops=[-0.05, -0.07, -0.04])
    
    print("================ 策略多维评估与压力测试 ================")
    print(f"年化索提诺比率 Sortino : {sortino:.2f}")
    print(f"极端连续暴跌情景损失率 : {stress_loss*100:.2f}%")
    assert sortino > 0, "索提诺比率计算异常！"
    print("✅ 策略综合评估与压力测试 PASS")
    print("======================================================")

if __name__ == '__main__':
    run_performance_and_stress_test()

运行结果输出：

================ 策略多维评估与压力测试 ================
年化索提诺比率 Sortino : 1.63
极端连续暴跌情景损失率 : 15.18%
✅ 策略综合评估与压力测试 PASS
======================================================

本章小结

1. 索提诺更契合非对称收益：利用下行半差精准评估策略承担下行风险的真实补偿效率。
2. 坚持做极限压力测试：在策略上线前必须主动模拟历史暴跌与流动性丧失等极端情景。
3. 综合多指标权衡优化：不单看年化收益率，将夏普、卡玛、索提诺与最大回撤组成综合打分卡。

📋 行动清单 (Action Checklist)

• 运行性能评估与压力测试代码，测算在 2015 股灾同等波动率冲击下的净值表现；
• 编写滚动 60 日动态索提诺比率时序监控曲线；
• 预习下一节，深入探讨波动率与真实风险之间的深层数理关系。

— 小象教研组