趋势型策略的回测与性能评估

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。

策略回测不是简单的收益曲线拟合，而是对策略在历史不同极端情景下生存能力的全面大考。本节深入剖析趋势策略回测引擎的构建、最大回撤（MDD）、卡玛比率（Calmar）、夏普比率（Sharpe）以及收益回撤比的精细化度量。

💡 核心导读

• 趋势型策略全量绩效评估指标矩阵：
  • 年化复合收益率（CAGR）：衡量策略长期复利增长能力；
  • 最大回撤与回撤持续时间（Max Drawdown & Duration）：历史峰值至谷底的最大跌幅及修复所需的交易日天数；
  • 卡玛比率（Calmar Ratio $= \text{CAGR} / |\text{MDD}|$）：趋势策略核心性价比指标，要求 Calmar $> 1.5$；
  • 月度收益分布热力图（Monthly Return Matrix）：评估收益在各年份及不同月份的均匀分布程度。

┌─────────────────────────────────────────────────────────────┐
│                    趋势策略回测与绩效评估全景拓扑图         │
└──────────────────────────────┬──────────────────────────────┘
                               │
 ┌─────────────────────────────┼─────────────────────────────┐
 ▼                             ▼                             ▼
┌─────────────────────────┐   ┌─────────────────────────┐   ┌─────────────────────────┐
│ 净值与收益曲线          │   │ 风险与回撤深度          │   │ 综合风险调整后收益      │
├─────────────────────────┤   ├─────────────────────────┤   ├─────────────────────────┤
│ • CAGR 年化复合收益率   │   │ • Max Drawdown (MDD)    │   │ • Sharpe Ratio > 1.2    │
│ • 总收益率 / 基准超额   │   │ • 最长回撤修复期 (天)   │   │ • Calmar Ratio > 1.5    │
└─────────────────────────┘   └─────────────────────────┘   └─────────────────────────┘

一、最大回撤（Max Drawdown）与卡玛比率数学建模

对于累计净值序列 $V_t$，历史高点序列（High Watermark）为 $H_t = \max_{0 \le s \le t} V_s$。当前回撤与最大回撤定义为：

$$DD_t = \frac{H_t - V_t}{H_t}, \quad MDD = \max_{0 \le t \le T} DD_t$$

卡玛比率（Calmar Ratio）衡量单位最大回撤所换取的年化收益率：

$$\text{Calmar} = \frac{\text{CAGR}}{|MDD|}$$

import pandas as pd
import numpy as np

def calculate_advanced_performance_metrics(equity_series: pd.Series) -> dict:
    """
    计算 CAGR, 最大回撤, 夏普比率与卡玛比率（合成样例，历史回测不代表未来，存在过拟合风险）
    """
    returns = equity_series.pct_change().dropna()
    n_days = len(returns)
    
    # 1. CAGR
    total_return = equity_series.iloc[-1] / equity_series.iloc[0] - 1.0
    cagr = (1.0 + total_return) ** (252.0 / n_days) - 1.0
    
    # 2. Max Drawdown
    high_watermark = equity_series.cummax()
    drawdown = (high_watermark - equity_series) / high_watermark
    mdd = drawdown.max()
    
    # 3. Sharpe & Calmar
    vol = returns.std() * np.sqrt(252)
    sharpe = (cagr - 0.02) / (vol + 1e-8)
    calmar = cagr / (mdd + 1e-8)
    
    return {
        'Total_Return': float(total_return),
        'CAGR': float(cagr),
        'MDD': float(mdd),
        'Sharpe': float(sharpe),
        'Calmar': float(calmar)
    }

# 合成净值曲线样例（包含上涨、盘整与回撤阶段）
rng = np.random.default_rng(42)
n_samples = 100
trend = np.linspace(1.0, 1.3, n_samples)
noise = rng.normal(0, 0.02, n_samples)
drawdown_period = np.array([0.95 if 60 <= i < 75 else 1.0 for i in range(n_samples)])
equity_values = trend * (1 + noise) * drawdown_period
equity_series = pd.Series(equity_values, name='equity')

metrics = calculate_advanced_performance_metrics(equity_series)
print("===== 高级绩效指标计算（合成样例） =====")
print(f"累计总收益: {metrics['Total_Return']:.2%}")
print(f"年化收益 (CAGR): {metrics['CAGR']:.2%}")
print(f"最大回撤 (MDD): {metrics['MDD']:.2%}")
print(f"夏普比率: {metrics['Sharpe']:.2f}")
print(f"卡玛比率: {metrics['Calmar']:.2f}")

===== 高级绩效指标计算（合成样例） =====
累计总收益: 26.87%
年化收益 (CAGR): 83.28%
最大回撤 (MDD): 10.17%
夏普比率: 2.16
卡玛比率: 8.19

二、单利回测与复利再投资（Compound）机制

趋势策略通过复利再投资能够实现指数级增长，但在回撤期间亏损金额也会同步放大。回测系统必须支持精确的逐日盯市（Mark-to-Market）与资金复利计算。

$$V_{t} = V_{t-1} \times (1 + w_{t-1} R_t)$$

import pandas as pd
import numpy as np

def run_vectorized_backtest(df_signals: pd.DataFrame, fee_rate: float = 0.001) -> pd.Series:
    """
    简单向量化回测引擎（包含扣费，注意未来函数与幸存者偏差风险）
    """
    df = df_signals.copy()
    df['pos'] = df['signal'].shift(1).fillna(0)
    df['ret'] = df['close'].pct_change().fillna(0)
    
    # 扣除换手交易费用
    df['trades'] = df['pos'].diff().abs().fillna(0)
    df['cost'] = df['trades'] * fee_rate
    
    df['strat_ret'] = df['pos'] * df['ret'] - df['cost']
    equity = (1.0 + df['strat_ret']).cumprod()
    return equity

# 合成价格与信号数据
rng = np.random.default_rng(123)
n_days = 50
base_price = 100.0
returns = rng.normal(0.0005, 0.015, n_days)
prices = base_price * np.cumprod(1 + returns)
df_sig = pd.DataFrame({'close': prices})
# 生成随机买卖信号（0或1）
df_sig['signal'] = rng.integers(0, 2, size=n_days)

equity_curve = run_vectorized_backtest(df_sig, fee_rate=0.001)
print("===== 向量化回测引擎演示 =====")
print(f"合成数据天数: {len(df_sig)}")
print(f"初始价格: {df_sig['close'].iloc[0]:.2f}")
print(f"最终价格: {df_sig['close'].iloc[-1]:.2f}")
print(f"策略最终净值: {equity_curve.iloc[-1]:.4f}")
print(f"交易次数（信号变化）: {int(df_sig['signal'].diff().abs().sum())}")

===== 向量化回测引擎演示 =====
合成数据天数: 50
初始价格: 98.57
最终价格: 114.59
策略最终净值: 1.0332
交易次数（信号变化）: 25

📝 动手练一练

编写 Python 仿真脚本，对包含假突破与主升浪的走势执行全流程回测并输出绩效指标：

import pandas as pd
import numpy as np

def calculate_advanced_performance_metrics(equity_series: pd.Series) -> dict:
    """
    计算 CAGR, 最大回撤, 夏普比率与卡玛比率（合成样例，历史回测不代表未来，存在过拟合风险）
    """
    returns = equity_series.pct_change().dropna()
    n_days = len(returns)
    
    # 1. CAGR
    total_return = equity_series.iloc[-1] / equity_series.iloc[0] - 1.0
    cagr = (1.0 + total_return) ** (252.0 / n_days) - 1.0
    
    # 2. Max Drawdown
    high_watermark = equity_series.cummax()
    drawdown = (high_watermark - equity_series) / high_watermark
    mdd = drawdown.max()
    
    # 3. Sharpe & Calmar
    vol = returns.std() * np.sqrt(252)
    sharpe = (cagr - 0.02) / (vol + 1e-8)
    calmar = cagr / (mdd + 1e-8)
    
    return {
        'Total_Return': float(total_return),
        'CAGR': float(cagr),
        'MDD': float(mdd),
        'Sharpe': float(sharpe),
        'Calmar': float(calmar)
    }

def run_vectorized_backtest(df_signals: pd.DataFrame, fee_rate: float = 0.001) -> pd.Series:
    """
    简单向量化回测引擎（包含扣费，注意未来函数与幸存者偏差风险）
    """
    df = df_signals.copy()
    df['pos'] = df['signal'].shift(1).fillna(0)
    df['ret'] = df['close'].pct_change().fillna(0)
    
    # 扣除换手交易费用
    df['trades'] = df['pos'].diff().abs().fillna(0)
    df['cost'] = df['trades'] * fee_rate
    
    df['strat_ret'] = df['pos'] * df['ret'] - df['cost']
    equity = (1.0 + df['strat_ret']).cumprod()
    return equity

# 模拟 250 天 K 线数据
rng = np.random.default_rng(42)
returns = rng.normal(0.001, 0.015, 250)
prices = 100.0 * np.cumprod(1.0 + returns)
df = pd.DataFrame({'close': prices})

# 构造均线交叉信号（双均线趋势策略）
df['ma10'] = df['close'].rolling(10).mean()
df['ma30'] = df['close'].rolling(30).mean()
df['signal'] = (df['ma10'] > df['ma30']).astype(int)

equity = run_vectorized_backtest(df)
metrics = calculate_advanced_performance_metrics(equity)

print("================ 趋势策略回测绩效评估 ================")
print(f"累计总收益率 : {metrics['Total_Return']*100:.2f}%")
print(f"年化收益率   : {metrics['CAGR']*100:.2f}%")
print(f"最大回撤 MDD : {metrics['MDD']*100:.2f}%")
print(f"卡玛比率     : {metrics['Calmar']:.2f}")
assert metrics['MDD'] >= 0, "最大回撤计算错误！"
print("✅ 趋势策略回测与性能评估测试 PASS")
print("====================================================")

运行结果输出：

================ 趋势策略回测绩效评估 ================
累计总收益率 : -13.59%
年化收益率   : -13.74%
最大回撤 MDD : 21.36%
卡玛比率     : -0.64
✅ 趋势策略回测与性能评估测试 PASS
====================================================

注意：本例卡玛比率为 -0.64（累计收益 -13.59%、最大回撤 21.36%），未达 Calmar > 0 的基本要求，说明该均线交叉策略在此合成行情中实际亏损、风险调整后不具优势，距离实盘可用差距显著。

本章小结

1. 卡玛比率优于单一收益率：以单位回撤创造的收益率作为衡量趋势策略优劣的核心标准。
2. 严密监控回撤持续期：过长的回撤修复期（如超过 6 个月）会在实盘中严重摧毁交易者的执行信心。
3. 真实扣除交易滑点摩擦：回测必须将滑点与交易佣金作为硬约束计入净值计算，确保回测结果可落地。

📋 行动清单 (Action Checklist)

• 运行回测绩效测试代码，计算策略在不同年化波动率下的夏普比率变化；
• 输出按季度统计的盈亏分布表（Quarterly Win-Loss）；
• 预习下一节，掌握趋势策略的样本外过拟合检验与优化方法。

—— 小象教研组