Python 算法交易实验22 评估指标计算

说明

No Measurement , No Improvement

这套并不是标准量化交易指标，一方面我对那套指标的确也不是很熟，另外我觉得可能自己琢磨一套会更实用一些。主要考虑以下几方面：

• 1 交易的数量
• 2 盈利特性：单均盈利率
• 3 交易持续周期
• 4 最大持有的股票数
• 5 输赢：赢率和真实赢率
• 6 盈亏比
• 7 最大回撤

总体上说：

• 我希望算法产生的交易够多，但不要太多，这样可以具有统计性，又不至于偏向高频；
• 交易持续周期会影响到资金的占用、利用率等；
• 最大持有的股票数一方面可以使整个组合表现出更好的稳定性，当然也会影响到资金占用；
• 从信号的产生机制上，一定会混杂很多白噪声，所以要分为赢率和真实赢率；
• 盈亏比则是考验算法的生存性；
• 最大回撤则是投资风险的度量。回撤在所难免，关键要看能不能接受，值不值得；

内容

通过信号机制产生候选交易，通过模型来识别优质的交易，通过策略来进行修正

假设有一种信号机制（买入和卖出），可以为股票生成若干候选交易，我们希望对这些候选交易进行评估：

• 1 可以根据信号筛选交易
• 2 可以根据股票进行筛选
• 3 可以根据交易期间进行筛选

1 候选交易

根据买入和卖出信号集，我们可以获得足够的候选交易hs300_df

2 根据信号集进行筛选

信号集有一个选择字段是signal_tuple（我隐藏了），第一步将关注的候选集根据信号拆分出来。其他可选的是股票列表和时间。

tem_df1 = process_filter_signal_df(hs300_df)

3 根据筛选后的信号集计算基本指标

随意选定一只股票，看起来还不错，一共466个候选订单，真实赢率29%，单均盈利率是7%，盈亏比为3.4。

some_code = '600010'
tem_df2 = tem_df1[tem_df1['code'] == some_code]
process_kpi001_base(tem_df2)

{
   
   'total_orders': 466,
 'win_rate': 0.4291845493562232,
 'real_win_rate': 0.2918454935622318,
 'win_v_loss': 3.4094531520791054,
 'hold_stocks': 1,
 'mean_margin': 0.07076018194400928}

Note: 候选订单并不是模拟交易的订单，可能会更多一些。候选订单的目的是尽量多的生成可能的交易，供模型学习。

4 期间表现

为了更直观的看到订单的实时表现，我们需要构造交易活动期间的所有数据：根据信号对的起始时间，通过merge全量分钟数据构造交易的活动（明细）数据

通过活动数据，我们可以观察：

• 1 每个订单的最大、最小涨跌以及最大回撤
• 2 若干个订单总的资金敞口和回撤

我们要计算两类数据：

• 1 交易在打开和平仓之间的明细数据，用来看资金敞口。
• 2 结合明细数据，在每笔订单的平仓点更新资本的数值，从而计算回撤

从单个的例子可以看到：

• 1 最大回撤比较高。主要原因是冲顶后，没有及时控制（虽然还是赚的）。
• 2 资金敞口很高。因为没有控制候选交易的数量，可以给每支股票一个cap。
• 3 赢单的亏损一般不会超过10%。这样可以设置止损。
• 4 输单的回撤事实上没有赢单大。因此回撤控制是用来确保更大的利益。

res_600010_dict ,detail_600010_dict= process_kpi002_performance_of_a_code(tem_df1,'600010')

res_600010_dict
{
   
   'max_drawback': -0.3254396180829447,
 'max_exposure': 112383526.72755373,
 'median_hold_days': 27.0,
 'median_order_drawback': -0.13348810214741724,
 'median_margin': -0.00986446020488569,
 'real_win_min_interest':           count      mean       std       min       25%       50%       75%  \
 real_win                                                                      
 0         330.0 -0.060642  0.044292 -0.179422 -0.088277 -0.054769 -0.020774   
 1         136.0 -0.033090  0.014999 -0.084479 -0.044288 -0.036120 -0.027810   
 
                max  
 real_win            
 0        -0.002000  
 1         0.006458  ,
 'real_win_max_draw_back':           count      mean       std       min       25%       50%       75%  \
 real_win                                                                      
 0         330.0 -0.095822  0.058116 -0.195652 -0.133609 -0.094828 -0.037787   
 1         136.0 -0.288716  0.054608 -0.313901 -0.313901 -0.313901 -0.313901   
 
                max  
 real_win            
 0         0.000000  
 1        -0.171184  ,
 'real_lose_max_interest':            count      mean       std       min       25%       50%       75%  \
 real_lose                                                                      
 0          434.0  0.286946  0.374751 -0.008085  0.009760  0.079744  0.870202   
 1           32.0  0.031577  0.027086 -0.002000  0.005677  0.029256  0.059415   
 
                 max  
 real_lose            
 0          0.952228  
 1          0.084441  ,
 'real_lose_draw_back':            count      mean       std       min       25%       50%       75%  \
 real_lose                                                                      
 0          434.0 -0.150239  0.108157 -0.313901 -0.313901 -0.130222 -0.057851   
 1           32.0 -0.177587  0.017701 -0.195652 -0.195652 -0.177778 -0.166667   
 
                 max  
 real_lose            
 0          0.000000  
 1         -0.132231  }

将多只股票的结果混合

code_detail_dict_list = [detail_600010_dict,detail_600031_dict,detail_300677_dict]
res_dict1 = process_kpi003_merge_codes(code_detail_dict_list)
{
   
   'median_hold_days': 13.0,
 'median_order_drawback': -0.10698824984539267,
 'median_margin': -0.00986446020488569,
 'real_win_min_interest':           count      mean       std       min       25%       50%       75%  \
 real_win                                                                      
 0         583.0 -0.053453  0.044081 -0.200425 -0.076391 -0.043757 -0.017635   
 1         173.0 -0.035720  0.023631 -0.148880 -0.044288 -0.036120 -0.025843   
 
                max  
 real_win            
 0        -0.000747  
 1         0.006458  ,
 'real_win_max_draw_back':           count      mean       std       min       25%       50%       75%  \
 real_win                                                                      
 0         583.0 -0.084104  0.05