当前位置：网站首页>量化框架backtrader之一文讀懂Analyzer分析器

量化框架backtrader之一文讀懂Analyzer分析器

2022-06-13 07:13:00 【諸葛說talk】

諾貝爾獎獲得者威廉夏普

簡介

策略績效評價是量化交易很重要的一環，投資不僅需要了解策略的收益率，也需要了解策略的風險。backtrader提供多種analyzer分析器，可以輸出多種績效指標，用來分析策略回測的效果。

使用方法

cerebro.addanalyzer(bt.analyzers.AnnualReturn, _name='AnnualReturn')
cerebro.addanalyzer(bt.analyzers.SharpeRatio, riskfreerate=0.003, annualize=True, _name='SharpeRatio')
cerebro.addanalyzer(bt.analyzers.DrawDown, _name='DrawDown')

strats = cerebro.run()

# 第一個策略
strat = strats[0]

print("--------------- AnnualReturn -----------------")
print(strat.analyzers.AnnualReturn.get_analysis())
print("--------------- SharpeRatio -----------------")
print(strat.analyzers.SharpeRatio.get_analysis())
print("--------------- DrawDown -----------------")
print(strat.analyzers.DrawDown.get_analysis())

AnnualReturn代錶年化收益率分析器， SharpeRatio代錶夏普比率分析器， DrawDown代錶回測分析器。各個分析器的結果通常以 OrderedDict 字典的形式返回，如下所示，可以通過 keys 取需要的 values，如strat.analyzers.SharpeRatio.get_analysis()['sharperatio'] 。

--------------- AnnualReturn -----------------
OrderedDict([(2010, 0.0055023006637382466), (2011, 0.0015355496623354892), (2012, 0.004218277850025043), (2013, 0.09220659214070048), (2014, 0.05213380413050861), (2015, 0.012115724348371826), (2016, -0.017901621371985033), (2017, 0.06763449420829182), (2018, 0.01391412496311406), (2019, 0.05472002239157425), (2020, 1.8864865026259587), (2021, 0.36892175167157526), (2022, -0.2711252801992251)])
--------------- SharpeRatio -----------------
OrderedDict([('sharperatio', 0.3360518820606975)])
--------------- DrawDown -----------------
AutoOrderedDict([('len', 145), ('drawdown', 35.66222565509548), ('moneydown', 21054.40185546875), ('max', AutoOrderedDict([('len', 648), ('drawdown', 40.770090001923634), ('moneydown', 24070.00244140625)]))])

可以看出來， Analyzer分析器輸出的結果都是一些數值，並沒有繪圖。以SharpeRatio 為例，夏普比率計算後是一個數值0.3360518820606975。實際上，Analyzers 不包含lines對象，這也意味著analyzer對象對內存非常友好，不會占用很多的內存。

進一步說明：一個analyzer分析器分析的是一個策略的績效錶現而不是整個系統的錶現。通過addanalyzer函數添加的分析器類，在cerebro.run 運行時，每個分析器實例會被鏈接到各個策略，如果回測包含3個策略，那麼同一個分析器將有3個實例被創建，每個實例會被鏈接到不同的策略
一些Analyzer 分析器對象會使用其他analyzers分析器來完成任務，比如SharpeRatio 使用了TimeReturn 分析器的輸出來進一步計算，但這些依賴用戶並不可見

backtrader自帶的Analyzers分析器

AnnualReturn：年化收益率
Calmar： 卡瑪比率
DrawDown：回撤
TimeDrawDown： 指定時間粒度下的回撤
GrossLeverage： 總杠杆
PositionsValue： 持倉價值
PyFolio： 生成數據兼容pyfolio
LogReturnsRolling： 滾動log收益率
PeriodStats： 給定時段下的基本統計信息
Returns： 用對數法計算總、平均、複合、年化收益率
SharpeRatio： 夏普比率
SharpeRatio_A： 年化夏普比率
SQN：系統質量數System Quality Number
TimeReturn：不同時段的收益率
TradeAnalyzer：交易統計信息，如獲勝、失敗次數等
Transactions： 每筆交易的標的、價格、數量等信息
VWR： variability weighted return，波動率加權的收益率

常用的Analyzer分析器有：AnnualReturn， DrawDown， PyFolio， SharpeRatio， TimeReturn。

新建Analyzer分析器

如果backtrader自帶的分析器無法滿足需求，可以自建Analyzer分析器。以SharpeRatio 為例，參考代碼如下。夏普比例是最常用的績效評價指標之一，其反映的是單比特波動貢獻的超額收益率，越大越好。夏普比例等於策略相對無風險收益率的超額收益率除以收益率標准差。

import backtrader as bt

from backtrader.utils.py3 import map
from backtrader.mathsupport import average, standarddev

class SharpeRatio(bt.Analyzer):
    params = (
           ('timeframe', bt.TimeFrame.Years), 
           ('riskfreerate', 0.01),
    )

    def __init__(self):
        super(SharpeRatio, self).__init__()
        self.anret = bt.analyzers.AnnualReturn()

    # analyzer與策略一樣，都是從第0根bar開始運行
    def start(self):
        pass

    def prenext(self):
        pass
    
    def nextstart(self):
        pass

    def next(self):
        pass

    # 一般對策略整體的評價指標是在策略結束後開始計算的
    def stop(self):
        retfree = [self.p.riskfreerate] * len(self.anret.rets)
        retavg = average(list(map(operator.sub, self.anret.rets, retfree)))
        retdev = standarddev(self.anret.rets)

        self.ratio = retavg / retdev

    # Analyzer類特有方法，返回包含分析結果的類dict對象
    def get_analysis(self):
        return dict(sharperatio=self.ratio)

    # 支持與策略一樣的信息打印函數
    def notify_order(self, order):
        pass

    def notify_trade(self, trade):
        pass
    
    def notify_cashvalue(self, cash, value):
        pass
    
    def notify_fund(self, cash, value, fundvalue, shares):
        pass

從上述代碼可以看出，盡管Analyzer 對象沒有Lines對象且並不需要在lines上迭代，但它們跟策略一樣遵守相同的運行模式，當然也有get_analysis 這種特有的方法用來返回分析結果。

在backtrader中使用PyFolio

cerebro.addanalyzer(bt.analyzers.PyFolio)
strats = cerebro.run()
# retrieve the 1st strategy
strat0 = strats[0]
pyfolio = strats.analyzers.getbyname('pyfolio')
returns, positions, transactions, gross_lev = pyfoliozer.get_pf_items()

import pyfolio as pf
pf.create_full_tear_sheet(returns)

pyfolio 在Jupyter Notebook外也可以運行，但在Jupyter裏面運行支持的最好。

跟基線benchmark對比

import backtrader as bt

cerebro = bt.Cerebro()

spypd = bt.feeds.PandasData(dataname=spydata, name="spy")
cerebro.adddata(spypd)

cerebro.addanalyzer(bt.analyzers.TimeReturn, timeframe=bt.TimeFrame.Years, _name='TimeReturn')
cerebro.addanalyzer(bt.analyzers.TimeReturn, timeframe=bt.TimeFrame.Years, data=spypd, _name='BenchTimeReturn')

strats = cerebro.run()

time_return = strat.analyzers.getbyname('TimeReturn').get_analysis()
bench_time_return = strat.analyzers.getbyname('BenchTimeReturn').get_analysis()

print("--------------- TimeReturn -----------------")
print(time_return)
print("--------------- BenchTimeReturn -----------------")
print(bench_time_return)

輸出日志：

--------------- TimeReturn -----------------
OrderedDict([(datetime.date(2009, 12, 31), 0.0), (datetime.date(2010, 12, 31), 0.0055023006637382466), (datetime.date(2011, 12, 31), 0.0015355496623354892), (datetime.date(2012, 12, 31), 0.004218277850025043), (datetime.date(2013, 12, 31), 0.09220659214070048), (datetime.date(2014, 12, 31), 0.05213380413050861), (datetime.date(2015, 12, 31), 0.012115724348371826), (datetime.date(2016, 12, 31), -0.017901621371985033), (datetime.date(2017, 12, 31), 0.06763449420829182), (datetime.date(2018, 12, 31), 0.01391412496311406), (datetime.date(2019, 12, 31), 0.05472002239157425), (datetime.date(2020, 12, 31), 1.8864865026259587), (datetime.date(2021, 12, 31), 0.36892175167157526), (datetime.date(2022, 12, 31), -0.2711252801992251)])
--------------- SpyTimeReturn -----------------
OrderedDict([(datetime.date(2009, 12, 31), -0.011793865755532318), (datetime.date(2010, 12, 31), 0.12840988195524994), (datetime.date(2011, 12, 31), -0.001988071570576566), (datetime.date(2012, 12, 31), 0.134741065036728), (datetime.date(2013, 12, 31), 0.2968892471880906), (datetime.date(2014, 12, 31), 0.11289182180470925), (datetime.date(2015, 12, 31), -0.008124930541476227), (datetime.date(2016, 12, 31), 0.09643402233275422), (datetime.date(2017, 12, 31), 0.19384416771302204), (datetime.date(2018, 12, 31), -0.06347893319524989), (datetime.date(2019, 12, 31), 0.28785206349908), (datetime.date(2020, 12, 31), 0.16162313396749006), (datetime.date(2021, 12, 31), 0.2703540848726258), (datetime.date(2022, 12, 31), -0.13563244077211734)])

注意不是所有Analyzers分析器都支持Benchmark對比。