量化实战入门（14）可转债低转股溢价率轮动策略二

量化回测实例：可转债低转股溢价率轮动策略二(附程序代码)
01

策略评价
我们可以从以下几个方面对策略进行评价：
总收益率：表示投资策略在整个投资期间的累计收益。
年化收益率：将策略的总收益转化为年化形式，以便在不同的投资期间进行比较。
最大回撤：策略历史上回撤的最大值，反映历史上出现的最大亏损。
夏普比率：衡量策略承担单位风险所获得的超额回报。
下面我们用empyrical库来计算相关的评价指标，empyrical是一个开源的金融指标库，通过调用empyrical中的函数，只需一行代码即可计算相关的金融指标。

计算总收益率：
用empyrical库的cum_returns_final函数计算总收益率：
results = pd.Series() # 用于存放评价指标计算结果
returns_final = ep.cum_returns_final(returns=results_df[‘月收益率’])
results.loc[‘总收益率’] = f'{round(returns_final*100, 2)}%’ # 保留2位小数
计算年化收益：
用empyrical库的annual_return函数计算年化收益率：
annual_return = ep.annual_return(returns=results_df[‘月收益率’], period=’monthly’)
results.loc[‘年化收益率’] = f'{round(annual_return*100, 2)}%’ # 保留2位小数
计算最大回撤：
用empyrical库的max_drawdown函数计算最大回撤：
max_drawdown = ep.max_drawdown(returns=results_df[‘月收益率’])
results.loc[‘最大回撤’] = f'{round(max_drawdown*100, 2)}%’ # 保留2位小数
计算夏普比率：
用empyrical库的sharpe_ratio函数计算夏普比率：
sharpe_ratio = ep.sharpe_ratio(returns=results_df[‘月收益率’], period=’monthly’)
results.loc[‘夏普比率’] = round(sharpe_ratio, 2) # 保留2位小数
计算完成后用 print(results) 来查看评价结果：
总收益率 897.43%
年化收益率 50.97%
最大回撤 -18.08%
夏普比率 1.82
从评价指标来看，低转股溢价率策略虽然简单，但在历史上取得了不俗的投资效果，策略的总收益率达到 897.43%，年化收益率达到50.97%，夏普比率达到1.82，同时策略最大回撤为18.08%，这是在回测的时间段中出现的最大亏损。
02

可视化分析
可视化分析的好处是能够直观的观察策略的效果。使用quantstats库可以简单便捷的对策略进行可视化分析，只需一行代码即可生成一篇可视化分析报告：
qs.reports.html(returns=results_df[‘月收益率’], benchmark=results_df[‘月收益率_基准’], periods_per_year=12)
上述代码生成一篇 html 格式的全面、美观、专业的可视化分析报告，我把这篇报告附在文章的最后。
由此可见，Python有很多开源的、优秀的量化工具库，借助这些量化工具库，即便是初学者，也可以用少量的简单的代码，实现专业的、强大的功能。在后续的文章中还会对empyrical库和quantstats库进行详细的介绍。
03

回测框架的优化
本文以可转债低转股溢价率策略为例，介绍了量化系统中数据获取、策略开发、策略回测、策略评价、可视化分析等几个部分，限于篇幅，这个回测框架在细节上并没有做得很完善，至少还有以下几个地方可以优化：

数据的本地存储
本例中的数据采用了在线获取的方式，在线获取的缺点一是耗时长，二是容易遇到网络故障或网站限制导致获取失败。更好的方法是对数据进行本地化存储并定期更新，在回测时从本地获取数据。
数据清洗
由于数据源的原因或网络错误的原因，获取的数据有可能出现缺失值、重复值、错误值等情况，因此需要先对数据进行清洗，以保证数据质量。
处理交易限制
股票、可转债等标的可能会出现停牌、涨停、跌停等，在这些情况下交易是受到限制的，回测框架应该能处理这些情况，让回测更符合实际情况。
更合理的成交价格
本例按月末最后一个交易日的收盘价作为调仓的成交价格，这是一种简化的处理，实际中很难做到，回测框架应该使用更合理的成交价格，比如一天中开盘后5分钟内的均价，或收盘前5分钟内的均价等。
避免未来数据
本例按月末最后一天的转股溢价率来进行择券，但某天的转股溢价率数据是收盘后才能得到，盘中并不能得到，因此策略中涉及使用了未来数据。更合理的方法是以收盘前一段时间的转股溢价率为调仓依据。
回测不同的持仓数量
本例按持有20只可转债进行回测，持仓数量并不多，受偶然因素的影响比较大，我们应该选择不同的持仓数量进行多次回测，比较这些回测的差异，以确定策略是否真的有效。
避免日历路径的依赖
本例是按月调仓，调仓时间是月末最后一天，如果在历史上正好某次月末出现大涨或大跌，这种偶发情况会对策略产生较大的影响。更合理的方法是分别选择在每月的第1天、第2天……第30天进行调仓，得到30个回测结果，然后综合这30个回测结果来评价策略的有效性。
完善策略评价和因子评价
本节简单介绍了如何对策略进行评价和分析，但如果仅凭这几个评价指标就进行实盘操作是十分草率的，我们应该对策略进行更全面的评价。而且，我们还要对“转股溢价率”这个因子进行单独的评价和分析。综合这些评价和分析，才能得出更理性的结论。