年化65%的ETF轮动策略，在gui框架下运行（代码+数据下载）

今天实现一下performance计算，对于回测而言，我们最关心的几个指标：最大回撤，波动率，年化收益等。

先看效果：

代码下工程如下位置：（已经更新至星球）

import pandas as pd
from datetime import datetime

def year_frac(start, end):
    """
    Similar to excel's yearfrac function. Returns
    a year fraction between two dates (i.e. 1.53 years).

    Approximation using the average number of seconds
    in a year.

    Args:
        * start (datetime): start date
        * end (datetime): end date

    """
    if start > end:
        raise ValueError("start cannot be larger than end")

    # obviously not perfect but good enough
    return (end - start).total_seconds() / (31557600)

def calc_stats(df_price: pd.DataFrame):
    if type(df_price) is pd.Series:
        df_price = pd.DataFrame(df_price)

    df_price.dropna(inplace=True)

    df_rates = df_price.pct_change()
    df_equity = (1 + df_rates).cumprod()

    df_equity.dropna(inplace=True)
    df_rates.dropna(inplace=True)

    # import empyrical
    # print('年化收益：', round(empyrical.annual_return(df_rates), 3))

    count = len(df_price)
    start = df_price.index[0]
    end = df_price.index[-1]

    accu_return = round(df_equity.iloc[-1] - 1, 3)
    accu_return.name = '累计收益'
    annu_ret = round((accu_return + 1) ** (252 / count) - 1, 3)
    annu_ret.name = '年化收益'

    annu_ret2 = round((accu_return+1) ** (1 / year_frac(start, end)) - 1,3)
    annu_ret2.name = 'CAGR'
    # 标准差
    std = round(df_rates.std() * (252 ** 0.5), 3)
    std.name = '年化波动率'
    # 夏普比
    sharpe = round(annu_ret / std, 3)
    sharpe.name = '夏普比率'
    # 最大回撤
    mdd = round((df_equity / df_equity.expanding(min_periods=1).max()).min() - 1, 3)
    mdd.name = '最大回撤'

    ret_2_mdd = round(annu_ret / abs(mdd), 3)
    ret_2_mdd.name = '卡玛比率'

    df_ratios = pd.concat([annu_ret, annu_ret2, mdd, ret_2_mdd, sharpe, accu_return, std], axis=1)
    df_ratios['开始时间'] = start.strftime('%Y-%m-%d')
    df_ratios['结束时间'] = end.strftime('%Y-%m-%d')
    return df_ratios.T

我的计算方式，与zipline类似，

bt的计算与我的略有差别：

我看了下它的代码：bt的逻辑是按照自然天数/365，我们是按照回测天数/252。从合理性而言，bt的更符合直觉。

大家可以看下对比情况：

另外可以给loguru添加全局的重定向：

def my_logger_notify(data):
    g.notify({'msg_type': 'LOGGER', 'message': data})


from loguru import logger
logger.add(my_logger_notify)

如此，日志可以实时显示在gui的文本框里。