AI量化开源之qlib的回测结果与报表可视化

"百天计划"之19篇，关于“AI+量化，财富与成长感悟”。

今天的核心内容是回测结果分析，此内容与传统量化无太大差异。

量化结果的风险、收益指标“年化”，解读，以及时间序列可视化。

01 关于AI+

人工智能的方向一定是生产力发展的必然。

不过从上世纪中期，图灵提出的假设，现在仍然遥不可及。

机器学习和人工智能这几十年来起起伏伏，当下有点高点往下的意味。深度学习靠大数据、算力，大模型喂养，而且对于场景的泛化性能一般。

AI和美貌一样，叠加任何一个领域都是王炸，唯有单出是死局。

所以“AI+”很重要。

目前能着手做的是“AI+量化”，还有一个大的方向是AI+生命科学，比如AI辅助新药发现，这里听上去就非常令人兴奋和有价值。

02 回测结果评估与分析

接昨天从这段回测代码获得结果：

portfolio_metric_dict, indicator_dict = backtest(executor=executor, strategy=strategy, **backtest_config)

回测函数返回两个dict， 一个是组合的metric， 另一个是指标indicator，两者均是dict类型，key是“1day”。

portfolio_metric_dict = {'1day': 

report_normal_df, positions_normal

 ‍}

从dict里把这个tuple读出来，前者是dataframe，后者是一个dict。

df的信息有账户，收益率，换手率，总成本，成本，市值，现金，以及基准收益率等的“时间序列“信息。

positions_normal是一个字典，key是日期，对应的是仓位信息：

from qlib.contrib.evaluate import risk_analysis

收益风险分析： 输入参数是”收益率序列“

report_normal["return"]

计算：收益率（均值），风险（标准差），夏普比（信息比率），最大回撤。

mean = r.mean()
std = r.std(ddof=1)
annualized_return = mean * N
information_ratio = mean / std * np.sqrt(N)
max_drawdown = (r.cumsum() - r.cumsum().cummax()).min()
data = {
    "mean": mean,
    "std": std,
    "annualized_return": annualized_return,
    "information_ratio": information_ratio,
    "max_drawdown": max_drawdown,
}

如下是我自己之前写的风险收益分析代码：

这里计算逻辑不同，我算的收益是就是组合真实的 最后一天与第一天比，

然后把它年化（按复利的形式）； 

而qlib取的是这段时间每天收益率的 算术平均，然后把算术平均简单*1年的交易日数。

accu_return = round(df_equity.iloc[-1] - 1, 3)
annu_ret = round((accu_return + 1) ** (252 / count) - 1, 3)
#标准差
std = round(df_rates.std() * (252 ** 0.5),3)
#夏普比
sharpe = round(annu_ret / std, 3)
#最大回撤
mdd = round((df_equity / df_equity.expanding(min_periods=1).max()).min() - 1, 3)

目前，我不太认同这种超额收益的计算方式，对于个人投资者，我们更关心绝对收益率。当然df['return']有了之后，这一块我们完全可以按照自己的逻辑来计算风险收益。

03 可视化报表

qlib的报表功能，一共两大类：分析仓位和分析模型

def visual(self, report_normal):
    import plotly
    from qlib.contrib.report.analysis_position.report import report_graph
    fig = report_graph(report_normal, show_notebook=False)
    plotly.offline.plot(fig[0], filename="result.html")

核心函数是report_graph，传入参数就是前面的report_normal。

qlib的可视化调用的是plotly，作了很好的封装，不过有一点不好的地方，它还是自己按”超额收益“的逻辑，把各种时间序列画出来。

核心计算代码如下：

report_df = pd.DataFrame()

report_df["cum_bench"] = df["bench"].cumsum()
report_df["cum_return_wo_cost"] = df["return"].cumsum()
report_df["cum_return_w_cost"] = (df["return"] - df["cost"]).cumsum()
# report_df['cum_return'] - report_df['cum_return'].cummax()
report_df["return_wo_mdd"] = _calculate_mdd(report_df["cum_return_wo_cost"])
report_df["return_w_cost_mdd"] = _calculate_mdd((df["return"] - df["cost"]).cumsum())

report_df["cum_ex_return_wo_cost"] = (df["return"] - df["bench"]).cumsum()
report_df["cum_ex_return_w_cost"] = (df["return"] - df["bench"] - df["cost"]).cumsum()
report_df["cum_ex_return_wo_cost_mdd"] = _calculate_mdd((df["return"] - df["bench"]).cumsum())
report_df["cum_ex_return_w_cost_mdd"] = _calculate_mdd((df["return"] - df["cost"] - df["bench"]).cumsum())
# return_wo_mdd , return_w_cost_mdd,  cum_ex_return_wo_cost_mdd, cum_ex_return_w
report_df["turnover"] = df["turnover"]
report_df.sort_index(ascending=True, inplace=True)

这里没什么特别的地方，我可能会重写这块逻辑。

score_ic_graph，就是前面的文章说过的，把ic和rank_ic两个序列画散点图：

qlib还有另外一些图，不过都是基于结果dataframe里或者之前ic分析里序列数据的一些可视化，ploty的用法不够简洁，而且很多指标并非我们关心。

这一块后续有需要的时候，再看代码都来得及，就是展开说明了。

小结：

AI+是一个重要的方向，AI如何赋能数据密集型的产业，行业。

量化是我们直接就可以上手的。

另外像生物制药领域，非常有价值，也值得关注。

可视化这一块，考虑自己实现（bokeh或者pyecharts都可，当然这块并非最重要的，而且也仅是一次性的活，可以陆续补充）。