主题
策略绩效指标说明
概述
本文档详细说明量化回测和交易产生的绩效指标定义、计算方法和实现逻辑。核心算法基于金融工程理论和行业标准实践。
绩效指标
1. 策略收益 (Total Return)
定义：策略在回测期间的总收益率
算法：将每日收益率加1后连乘，最后减去1
python
(1 + strategy_daily_returns).prod() - 1实现逻辑：
1、每天记录策略收益率（今日资产/昨日资产）
2、将所有日收益率加1后相乘
3、结果减去1即为总收益
参数说明：：无
2. 基准收益 (Benchmark Total Return)
定义：基准指数在回测期间的总收益率
算法：将每日基准收益率加1后连乘，最后减去1
python
(1 + benchmark_daily_returns).prod() - 1实现逻辑：
1、每天记录基准收益率（今日指数/昨日指数）
2、将所有日收益率加1后相乘
3、结果减去1即为基准总收益
参数说明：：无
3. Alpha比率 (Alpha)
定义：策略相对于基准的超额收益（经系统性风险调整后）
算法：策略年化收益 - (无风险利率 + Beta × (基准年化收益 - 无风险利率))
python
annual_return - (risk_free_rate + beta * (benchmark_annual_return - risk_free_rate))实现逻辑：
1、计算策略年化收益
2、计算基准年化收益
3、计算Beta系数
4、代入公式计算Alpha
参数说明：
无风险利率：默认0.04（4%）
4. Beta比率 (Beta)
定义：策略相对于基准的系统性风险暴露程度
算法：策略与基准的波动联动程度
python
cov(strategy_returns, benchmark_returns) / var(benchmark_returns)实现逻辑：
1、计算策略收益与基准收益的协同变化程度
2、计算基准收益自身的变化程度
3、协同变化程度除以基准自身变化程度
参数说明：
无
5. 夏普比率 (Sharpe Ratio)
定义：单位风险产生的超额收益
算法：(年化收益 - 无风险利率) ÷ 收益波动程度
python
(annual_return - risk_free_rate) / volatility实现逻辑：
1、计算策略年化收益
2、计算策略收益波动幅度
3、计算超额收益（年化收益 - 无风险利率）
4、超额收益除以波动幅度
参数说明：
无风险利率：默认0.04（4%）
6. 索提诺比率 (Sortino Ratio)
定义：单位下行风险产生的超额收益
算法：(年化收益 - 无风险利率) ÷ 下跌波动程度
python
(annual_return - risk_free_rate) / downside_risk实现逻辑：
1、计算策略年化收益
2、仅计算低于无风险利率的波动（下跌风险）
3、计算超额收益（年化收益 - 无风险利率）
4、超额收益除以下跌风险
参数说明：
无风险利率：默认0.04（4%）
7. 最大回撤 (Max Drawdown)
定义：策略净值从峰值到谷底的最大跌幅
算法：最高点到最低点的最大跌幅百分比
python
max(1 - current_value / historical_peak)实现逻辑：
1、记录每日策略净值
2、跟踪历史最高净值
3、计算每日从最高点下跌的百分比
4、取最大下跌值
参数说明：
无
8. 策略年化收益率 (Annualized Strategy Return)
定义：策略收益的年化复合增长率
算法：将总收益转化为年度平均收益率
python
(1 + total_return) ** (annual_factor / days) - 1实现逻辑：
1、计算策略总收益
2、根据交易日数折算成年化收益
3、考虑复利效应
参数说明：
年化因子：默认250（年交易日数）
9. 基准年化收益率 (Annualized Benchmark Return)
定义：基准收益的年化复合增长率
算法：将总收益转化为年度平均收益率
python
(1 + benchmark_total_return) ** (annual_factor / days) - 1实现逻辑：
1、计算基准总收益
2、根据交易日数折算成年化收益
3、考虑复利效应
参数说明：
年化因子：默认250（年交易日数）
10. 超额收益 (Excess Return)
定义：策略收益超越基准收益的部分
算法：策略总收益 - 基准总收益
python
strategy_total_return - benchmark_total_return实现逻辑：
1、计算策略总收益
2、计算基准总收益
3、两者相减
参数说明：
无
11. 年化超额收益 (Annualized Excess Return)
定义：超额收益的年化复合增长率
算法：将超额收益转化为年度平均值
python
(1 + excess_return) ** (annual_factor / days) - 1实现逻辑：
1、计算超额收益
2、根据交易日数折算成年化值
3、考虑复利效应
参数说明：
年化因子：默认250（年交易日数）
12. 日胜率 (Daily Win Rate)
定义：策略日收益跑赢基准日收益的天数占比
算法：跑赢天数 ÷ 总交易天数
python
sum(strategy_daily_returns > benchmark_daily_returns) / total_days实现逻辑：
1、每日比较策略收益和基准收益
2、统计策略收益更高的天数
3、除以总交易天数
参数说明：
无
13. 胜率 (Win Rate)
定义：盈利交易次数占总交易次数的比例
算法：盈利交易次数 ÷ 总交易次数
python
win_trades / total_trades实现逻辑：
1、统计所有交易
2、标记盈利交易（收益率 > 0）
3、盈利次数除以总交易次数
参数说明：
无
14. 盈亏比 (Profit Loss Ratio)
定义：平均盈利与平均亏损的比值
算法：总盈利金额 ÷ 总亏损金额（绝对值）
python
total_profit / abs(total_loss)实现逻辑：
1、计算所有盈利交易的总收益
2、计算所有亏损交易的总亏损（取绝对值）
3、总盈利除以总亏损
参数说明：
无
15. 盈利次数 (Number of Profitable Trades)
定义：获得正收益的交易次数
算法：统计所有赚钱的交易次数
python
count(return > 0 for all trades)实现逻辑：
1、遍历交易记录
2、统计收益率为正的交易数量
参数说明：
无
16. 亏损次数 (Number of Loss Trades)
定义：获得负收益的交易次数
算法：统计所有亏钱的交易次数
python
count(return < 0 for all trades)实现逻辑：
1、遍历交易记录
2、统计收益率为负的交易数量
参数说明：
无
17. 信息比率 (Information Ratio)
定义：单位主动风险产生的超额收益
算法：(策略年化收益 - 基准年化收益) ÷ 策略与基准的差异波动
python
(annual_return - benchmark_annual_return) / tracking_error实现逻辑：
1、计算策略与基准的日收益差异
2、计算这些差异的波动程度
3、年化收益差除以波动程度
参数说明：
无
18. 平均持仓时长 (Average Holding Period)
定义：所有交易持仓时间的平均值
算法：总持仓天数 ÷ 交易次数
python
sum(holding_periods) / total_trades实现逻辑：
1、计算每笔交易的持仓天数（清仓日 - 首次建仓日）
2、求和所有持仓天数
3、除以总交易次数
参数说明：
无