用 pyfolio 進(jìn)行量化交易回測
Pyfolio 使用一組豐富的指標(biāo)和可視化來促進(jìn)對樣本內(nèi)外的投資組合績效的分析。它使用多種內(nèi)置場景生成涵蓋回報、頭寸和交易以及市場壓力期間事件風(fēng)險分析的報告，其中還包含貝葉斯樣本性能分析。
Pyfolio 依賴于投資組合回報和頭寸數(shù)據(jù)，還可以考慮交易活動的交易成本和滑點(diǎn)損失。它使用?empyrical?庫，該庫也可以獨(dú)立使用來計算性能指標(biāo)。
創(chuàng)建回報和基準(zhǔn)輸入
Pyfolio 庫是 Quantopian 生態(tài)系統(tǒng)的一部分，與 Zipline 和 Alphalens 兼容。我們將首先演示如何從 Alphalens 生成必要的輸入，然后展示如何從 Zipline 回測性能數(shù)據(jù)幀中提取它們。
從 Alphalens 獲取 pyfolio 輸入
Pyfolio 還直接與 Alphalens 集成，并允許使用?create_pyfolio_input?創(chuàng)建 pyfolio 輸入數(shù)據(jù)：
from alphalens.performance import create_pyfolio_inputqmin, qmax = factor_data.factor_quantile.min(),factor_data.factor_quantile.max()input_data = create_pyfolio_input(alphalens_data,period='1D',capital=100000,long_short=False,equal_weight=False,quantiles=[1, 5],benchmark_period='1D')returns, positions, benchmark = input_data
有兩個選項可以指定如何生成投資組合權(quán)重：
long_short：如果為?False，權(quán)重將對應(yīng)于因子值除以其絕對值，以便負(fù)因子值生成空頭頭寸。如果為?True，則首先貶低因子值，以便多頭和空頭頭寸相互抵消，并且投資組合是市場中性的。
equal_weight：如果它和?long_short?為 True，資產(chǎn)將被分成兩個大小相等的組，上半部分/下半部分構(gòu)成多頭/空頭頭寸。
如果?factor_data?包括每個資產(chǎn)信息，也可以為組創(chuàng)建多空投資組合。
從 Zipline 回測中獲取 pyfolio 輸入
Zipline 回測的結(jié)果也可以使用?extract_rets_pos_txn_from_zipline?轉(zhuǎn)換為所需的 pyfolio 輸入：
returns, positions, transactions =extract_rets_pos_txn_from_zipline(backtest)
前向測試 – 樣本外回報
測試交易策略涉及回測和前向測試。前者涉及歷史數(shù)據(jù)，通常是指用于微調(diào) alpha 因子參數(shù)的采樣周期。前向測試在新的市場數(shù)據(jù)上模擬該策略，以驗證它在樣本外的表現(xiàn)良好性，并且不會過于緊密地適應(yīng)特定的歷史情況。
Pyfolio 允許指定樣本外時段來模擬前向測試。在測試策略以獲得統(tǒng)計上可靠的結(jié)果時，需要考慮許多方面。
plot_rolling_returns?函數(shù)根據(jù)用戶定義的基準(zhǔn)（我們使用標(biāo)準(zhǔn)普爾 500 指數(shù)）顯示樣本內(nèi)和樣本外的累積回報。Pyfolio 將累積回報計算為簡單回報的乘積，在每個回報上加 1：
from pyfolio.plotting import plot_rolling_returnsplot_rolling_returns(returns=returns,factor_returns=benchmark_rets,live_start_date='2016-01-01',cone_std=(1.0, 1.5, 2.0))
下圖中包括一個錐體，它顯示了擴(kuò)大的置信區(qū)間，以表明在給定隨機(jī)游走假設(shè)的情況下，樣本外回報出現(xiàn)的可能性不大。在這里，在模擬的 2016 年樣本外期間，我們的策略相對于標(biāo)準(zhǔn)普爾 500 指數(shù)表現(xiàn)不佳：
性能統(tǒng)計匯總
Pyfolio 提供了幾個分析函數(shù)和圖。?perf_stats?摘要顯示年度和累積回報、波動性、偏斜和回報的峰度以及 SR。以下附加指標(biāo)（也可以單獨(dú)計算）是最重要的：
?最大回撤：自前一個峰值的最高百分比損失?卡爾馬比率：相對于最大回撤的年度投資組合回報?Omega 比率：回報目標(biāo)的收益與損失的概率加權(quán)比率?索提諾比率：相對于下行標(biāo)準(zhǔn)差的超額回報?尾部比率：右尾部的大?。ㄔ鲆妫?95 個百分位數(shù)的絕對值）相對于左尾的大?。〒p失，第 5 個百分位數(shù)的絕對值）?每日風(fēng)險價值 (VaR)：與低于每日平均值兩個標(biāo)準(zhǔn)差的回報相對應(yīng)的損失?Alpha：基準(zhǔn)回報無法解釋的投資組合回報?Beta：暴露于基準(zhǔn)
plot_perf_stats函數(shù)引導(dǎo)估計參數(shù)可變性并將結(jié)果顯示為箱線圖：
show_perf_stats?函數(shù)計算整個時間段的大量指標(biāo)，也分別計算樣本內(nèi)和樣本外時間段的多個指標(biāo)：
from pyfolio.timeseries import show_perf_statsshow_perf_stats(returns=returns,factor_returns=benchmark_rets,positions=positions,transactions=transactions,live_start_date=oos_date)
對于從?MeanReversion?因子導(dǎo)出的模擬多空投資組合，我們獲得以下性能統(tǒng)計數(shù)據(jù)：
回撤期和因子敞口
plot_drawdown_periods(returns)?函數(shù)繪制投資組合的主要回撤期，其他幾個繪制函數(shù)顯示滾動?SR?和滾動因子對市場 beta 或?Fama-French?規(guī)模、增長和動量因子的敞口：
fig, ax = plt.subplots(nrows=2, ncols=2, figsize=(16, 10))axes = ax.flatten()plot_drawdown_periods(returns=returns, ax=axes[0])plot_rolling_beta(returns=returns, factor_returns=benchmark_rets,ax=axes[1])plot_drawdown_underwater(returns=returns, ax=axes[2])plot_rolling_sharpe(returns=returns)
下圖突出顯示了各種可視化子集，說明了 pyfolio 如何讓我們深入了解性能特征并讓我們了解風(fēng)險和回報的基本驅(qū)動因素：
事件風(fēng)險建模
Pyfolio 還包括各種事件的時間表，您可以使用這些時間表將投資組合在此期間的表現(xiàn)與基準(zhǔn)進(jìn)行比較。Pyfolio 默認(rèn)使用標(biāo)準(zhǔn)普爾 500 指數(shù)，但您也可以提供您選擇的基準(zhǔn)回報。以下示例將英國退歐公投后 2015 年秋季拋售期間的表現(xiàn)與標(biāo)準(zhǔn)普爾 500 指數(shù)進(jìn)行了比較：
interesting_times = extract_interesting_date_ranges(returns=returns)interesting_times['Fall2015'].to_frame('pf') \.join(benchmark_rets) \.add(1).cumprod().sub(1) \.plot(lw=2, figsize=(14, 6), title='Post-Brexit Turmoil')
總結(jié)
在本文中，我們討論了投資組合管理的重要主題，它涉及以管理風(fēng)險回報權(quán)衡為目標(biāo)的投資頭寸組合。我們引入了 pyfolio 來計算和可視化關(guān)鍵風(fēng)險和回報指標(biāo)，以及比較各種算法的性能。
E?N?D
掃描本文最下方二維碼獲取全部完整源碼和Jupyter Notebook 文件打包下載。
↓↓長按掃碼獲取完整源碼↓↓