最大回撤（Max Draw Down）
最大回撤为：在选定周期内任一历史时点往后推，产品净值走到最低点时的收益率回撤幅度的最大值。
其计算的时间复杂度是O(n)的。有些O(n2)的写法比较业余。
python:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
| def get_max_draw_down(in_list: list):
dd_list = []
max_so_far = in_list[0]
for i in range(len(in_list)):
if in_list[i] > max_so_far:
dd = 0
dd_list.append(dd)
max_so_far = in_list[i]
else:
current = in_list[i]
dd = (max_so_far - current) / max_so_far
dd_list.append(dd)
mdd = max(dd_list)
return mdd
|
夏普比率(Sharpe Ratio)
评价单位承担的风险可以取得多少正向收益。在同种时间跨度下，越高越好。
计算方法：
- 平均收益率超过无风险收益率的部分除以收益率的标准差。
- 如果通过高频夏普率（比如1d）推测低频夏普率(一般是年)，若每年有255个交易日，一般是再乘上根号下255。像币圈高频夏普率（4h）推导年，则是再乘上根号下 365 * 24 / 4。
缺陷：
- 由于标准差是正值，所以无法区分上行风险和下行风险。
优点：
- 国内外知名度高。
附两个知乎的讲解链接：
夏普率越高越好吗？ - 石川的回答 - 知乎
求问基金风险指标的计算：夏普比率，索提诺比率，阿尔法系数等？ - 财小鲸之秦岭的回答 - 知乎
1
2
3
4
5
| import numpy
def sharpe_ratio(returns, risk_free_rate=0.0):
mean = numpy.mean(returns)
return (mean - risk_free_rate) / numpy.std(returns)
|
其中 returns 为每条 ohlc 的变化率，比如 [0.02, 0.03, -0.03, …]
risk_free_rate 为每条 ohlc 的无风险收益率。比如okex余币宝年化1%，传入的是4小时returns，这里应该传入 1% / (365 * 24 / 4)
可以通过历史净值列表（equity）生成 returns：
1
2
3
4
5
| def returns_from_equity(in_equity: list):
returns_np = numpy.array(in_equity)
returns_np = returns_np[1:] / returns_np[:-1]
returns_np = returns_np - 1
return returns_np
|
然后把返回值代入下一步计算。
索提诺比率(Sortino Ratio)
计算方法和夏普率相似，但是用低于目标收益率的收益率或亏损时的收益率所计算出的“下行标准差”取代了正常的标准差。和夏普比率一样，在同种时间跨度下，越高越好。
1
2
3
4
5
6
7
8
9
10
11
12
13
| import numpy
import math
def lpm(returns, threshold, order):
threshold_array = numpy.empty(len(returns))
threshold_array.fill(threshold)
diff = threshold_array - returns
diff = diff.clip(min=0)
return numpy.sum(diff ** order) / len(returns)
def sortino_ratio(returns, risk_free_rate=0.0, target=0):
mean = numpy.mean(returns)
return (mean - risk_free_rate) / math.sqrt(lpm(returns, target, 2))
|
更多参数 python 计算，参考：
Measures of Risk-adjusted Return
Over