回撤率 python_【PYTHON量化分析】如何使用向量思维快速计算最大回撤——熊敛四爪...

最近量化研究员小白又碰到一个看似很简单的问题，最大回撤到底怎么算比较好？....

小白百度了一下最大回撤的数学定义：

max(1 - 策略当日价值 / 当日之前账户最高价值)。

根据定义，小白凭着大一时候学的C语言编程基础，捣鼓了半天写出了一个计算最大回撤的函数。只要输入为策略的每日净值，两次循环后，函数就返回最大回撤，似乎大功告成！

def maxdrawdown(arr):

drawdown_max=0

for i in range(len(arr)):

for j in range(i,len(arr)):

drawdown=(arr[i]-arr[j])/arr[i]

drawdown_max=max(drawdown_max,drawdown)

return drawdown_max

可是等到运行的时候，问题就来了。每运行一次这个函数居然要3到5分钟，时间就是生命啊！

小白仔细想想这个用时也是正常的，一个十年的样本约有2400天，双重循环意味着这个函数要跑2400*2400/2次循环。。。循环本来就不是PYTHON的强项，怪不得这么慢。。。

最大回撤要是最常用的函数之一，有什么方法能够算的更加快一点吗？这样以后一定能节约不少时间！

如何避免for循环的出现呢？小白灵光一闪，可以用向量思维来寻找最大回撤发生的起始点和终止点。

首先寻找最大回撤的终止点。numpy包自带的np.maximum.accumulate函数可以生成一列当日之前历史最高价值的序列。在当日价值与历史最高值的比例最小时，就是最大回撤结束的终止点。

找到最大回撤终点后，最大回撤的起始点就更加简单了。我们只需要寻找从策略第一天到最大回撤终点期间 最大净值发生的日期。一个argmax函数就可以搞定。

最后，根据最大回撤的起始点和终止点，计算最大回撤的大小即可。

小白根据以上思路，迅速改下写最大回撤的函数。

import numpy as np

def maxdrawdown(arr):

i = np.argmax((np.maximum.accumulate(arr) - arr)/np.maximum.accumulate(arr)) # end of the period

j = np.argmax(arr[:i]) # start of period

return (1-arr[i]/arr[j])

改写后代码更加简洁了，试用一下新方法，最大回撤在眨眼见就算了出来，而且结果和标准算法一样，任务顺利完成！

求赞，作者熊敛四爪会分享更多的量化小技巧！