使用 Bootstrap 指标评估

自助法指标通过模拟广泛的潜在市场情形，对交易策略进行更全面的评估。与依赖单一历史路径不同，这种方法能够揭示你的优势有多稳健。

在上一篇文档中，我们实现并回测了一个交易策略。下面再次给出该实现：

[1]:

import pybroker
from pybroker import Strategy, StrategyConfig, YFinance

pybroker.enable_data_source_cache("my_strategy")


def buy_low(ctx):
    if ctx.long_pos():
        return
    if ctx.bars >= 2 and ctx.close[-1] < ctx.low[-2]:
        ctx.buy_shares = ctx.calc_target_shares(0.25)
        ctx.buy_limit_price = ctx.close[-1] - 0.01
        ctx.hold_bars = 3


def short_high(ctx):
    if ctx.short_pos():
        return
    if ctx.bars >= 2 and ctx.close[-1] > ctx.high[-2]:
        ctx.sell_shares = 100
        ctx.hold_bars = 2

与之前一样，我们使用给定的配置创建一个新的 Strategy 实例：

[2]:

config = StrategyConfig(initial_cash=500_000)
strategy = Strategy(YFinance(), "3/1/2017", "3/1/2022", config)
strategy.add_execution(buy_low, ["AAPL", "MSFT"])
strategy.add_execution(short_high, ["TSLA"])

接下来，我们运行启用了自助法指标的回测：

[3]:

result = strategy.backtest(calc_bootstrap=True)
result.metrics_df.head(20)

Backtesting: 2017-03-01 00:00:00 to 2022-03-01 00:00:00

Loaded cached bar data.

Test split: 2017-03-01 00:00:00 to 2022-02-28 00:00:00

100% (1259 of 1259) |####################| Elapsed Time: 0:00:00 Time:  0:00:00


Calculating bootstrap metrics: bars=1258, samples=10000...
Calculated bootstrap metrics: 0:00:03

Finished backtest: 0:00:03

[3]:

	name	value
0	trade_count	388
1	initial_market_value	500000.0
2	end_market_value	664961.55
3	total_pnl	165782.88
4	unrealized_pnl	-821.33
5	total_return_pct	33.156576
6	total_profit	401998.21
7	total_loss	-236215.33
8	total_fees	0.0
9	max_drawdown	-31619.46
10	max_drawdown_pct	-4.723114
11	max_drawdown_date	2021-03-08 00:00:00
12	win_rate	52.57732
13	loss_rate	47.42268
14	winning_trades	204
15	losing_trades	184
16	avg_pnl	427.275464
17	avg_return_pct	0.279691
18	avg_trade_bars	2.414948
19	avg_profit	1970.579461

尽管上面的 total_pnl 指标显示这是一个盈利的策略，但这些结果可能只是偶然所致。为了提高我们评估结果的可信度，我们可以使用自助法来计算指标。

自助法的原理是从回测的收益率中抽取数千个随机样本，对每个样本计算指标，然后取其平均值，从而获得更稳健、更准确的绩效估计。

置信区间

PyBroker 使用自助法为两个绩效指标计算置信区间：利润因子和夏普比率。

[4]:

result.bootstrap.conf_intervals

[4]:

		lower	upper
name	conf
Profit Factor	97.5%	1.000563	1.729250
	95%	1.047317	1.655710
	90%	1.102600	1.577968
Sharpe Ratio	97.5%	0.002662	0.107693
	95%	0.012395	0.100330
	90%	0.022551	0.091530

PyBroker 使用偏差校正加速（BCa）自助法计算这些指标的置信区间。收益率按每根 K 线而非每笔交易抽样，以捕捉更精细的数据。

生成的表格显示了在指定置信水平下置信区间的下限，从而对策略表现给出更保守的估计。例如，我们可以有 97.5% 的把握认为夏普比率达到或超过给定值 x。

在这个例子中，夏普比率的下界为负，利润因子的下界小于 1，这表明策略是不可靠的。

最大回撤

接下来，我们使用自助法评估策略的最大回撤。回撤不超过特定阈值（分别以现金和投资组合权益百分比表示）的概率如下所示：

[5]:

result.bootstrap.drawdown_conf

[5]:

	amount	percent
conf
99.9%	-158296.67	-23.102260
99%	-120473.80	-18.246816
95%	-93497.76	-14.288488
90%	-80211.20	-12.444896

这些置信水平是根据回测的样本外结果中的每根 K 线收益率获得的，类似于计算利润因子和夏普比率的方法。

我们可以观察到，在 99.9% 置信水平下，自助法得出的最大回撤为 -23.1%，比我们原始结果中看到的 -4.7% 更严重。这凸显了使用随机化测试来评估交易策略表现的重要性。

在下一篇文档中，我们将讨论如何在交易策略中结合多空信号排名。