回测 - 指标与选股

回测完成后自动计算 11 项绩效指标。此外提供因子选股器，基于 Fama-MacBeth 回归权重进行股票筛选。

绩效指标

指标	列名	说明
累积收益率	`累积收益率`	整个回测期的累计收益
最大回撤	`最大回撤`	收益曲线从峰顶到谷底的最大跌幅
胜率	`胜率`	盈利交易日占总交易日的比例
夏普比率	`夏普比率`	年化超额收益 / 年化波动率
卡玛比率	`卡玛比率`	年化收益率 / 最大回撤绝对值
索提诺比率	`索提诺比率`	类似夏普，但只惩罚下行波动率
VaR	`VaR`	95% 置信度的 Value at Risk
CVaR	`CVaR`	95% 置信度的 Conditional VaR
盈亏比	`盈亏比`	平均盈利 / 平均亏损（绝对值比）
欧米伽比率	`欧米伽比率`	盈利概率加权和 / 亏损概率加权和

指标计算底层使用 quantstats 库。

查看结果

# 查看全部指标
print(backtest_perf)

# 筛选关注的指标
cols = ["symbol", "strategy", "累积收益率", "夏普比率", "最大回撤", "胜率"]
print(backtest_perf[cols])

# 按策略汇总
summary = backtest_perf.groupby("strategy")[[
    "累积收益率", "夏普比率", "最大回撤", "胜率"
]].mean()

# 找出每只股票的最优策略
best = backtest_perf.loc[
    backtest_perf.groupby("symbol")["夏普比率"].idxmax()
]

指标精度

# 默认 2 位小数
_, perf = backtest(strategies, stock_price)

# 4 位小数
_, perf = backtest(strategies, stock_price, metric_decimal=4)

FactorSelector 因子选股

FactorSelector 使用 Fama-MacBeth 回归得到的因子权重对股票打分，选出得分最高的 N 只股票。

原理

对每只股票计算其在各因子上的暴露度（Beta）
使用 Fama-MacBeth 第二步得到的因子风险溢价（lambda）作为权重
股票得分 = sum(beta_k * lambda_k)
选取得分最高的 top N 只股票

基本用法

from jh_quant.backtest import FactorSelector
from jh_quant.factors import FactorEngine, FactorType
from jh_quant.factors.validators import FamaMacBethValidator

# 1. 计算因子收益率
engine = FactorEngine()
ff3 = engine.calculate_factor_returns(
    factor_type=FactorType.FF3,
    period='M',
    start_date='2020-01-01',
    end_date='2024-12-31',
)

# 2. 计算暴露度
exposures = engine.calculate_stock_exposures(
    stock_returns=stock_returns,
    factor_returns=ff3,
)

# 3. Fama-MacBeth 得到因子权重
validator = FamaMacBethValidator()
fm_result = validator.validate(
    stock_returns=stock_returns,
    factor_returns=ff3,
    exposures=exposures,
)

# 4. 创建选股器
selector = FactorSelector(
    exposures=exposures,
    fm_result=fm_result,
)

# 5. 选股
selected = selector.select(top_n=10)
# {"2023-01-31": ["000001", "600519", ...], "2023-02-28": [...]}

构造参数

参数	类型	说明
`exposures`	DataFrame	个股因子暴露度
`fm_result`	FamaMacBethValidationResult	Fama-MacBeth 验证结果
`factor_alpha_threshold`	float	因子显著性阈值，默认 0.05
`weight_normalize`	bool	是否对得分权重做归一化，默认 True
`use_significant_only`	bool	是否只使用显著的因子，默认 True