pandas-ta для подготовки данных о доходности и векторизованных вычислений на pandas и numpy.Видеоинструкция
Исходный код
Для оценки качества торговой системы недостаточно знать только ее чистую прибыль. Профессиональные кванты всегда оценивают доходность с учетом принятого риска. Ниже представлен готовый production-ready скрипт, который загружает исторические данные по ETF SPY, рассчитывает ежедневную доходность с помощью pandas_ta.percent_return, а затем вычисляет годовой коэффициент Шарпа и максимальную просадку (Maximum Drawdown).
Эти метрики критически важны при проведении таких процедур, как Walk-Forward Оптимизация в Backtrader, а также при оценке результатов, которые дает Байесовская оптимизация с Optuna в Python. Дополнительно, для полной картины системного риска, рекомендуется проводить Расчет Бета-коэффициента Крипто-портфеля.
import numpy as np
import pandas as pd
import pandas_ta as ta
import yfinance as yf
def calculate_metrics(ticker: str, start_date: str, end_date: str, rf_rate: float = 0.02):
# 1. Загрузка исторических данных
df = yf.download(ticker, start=start_date, end=end_date)
if df.empty:
raise ValueError("Не удалось загрузить данные. Проверьте тикер и даты.")
# Очистка мультииндексов, если они есть (актуально для новых версий yfinance)
if isinstance(df.columns, pd.MultiIndex):
df.columns = df.columns.get_level_values(0)
# 2. Расчет доходности с использованием pandas-ta
# Функция percent_return автоматически рассчитывает процентное изменение цены закрытия
df["Daily_Return"] = df.ta.percent_return(close=df["Close"], append=False)
# Удаляем первый NaN, появившийся из-за расчета доходности
df.dropna(subset=["Daily_Return"], inplace=True)
# 3. Расчет коэффициента Шарпа (Sharpe Ratio)
# Переводим безрисковую ставку в дневной эквивалент (исходя из 252 торговых дней в году)
trading_days = 252
daily_rf = rf_rate / trading_days
mean_excess_return = df["Daily_Return"].mean() - daily_rf
std_dev = df["Daily_Return"].std()
# Годовой коэффициент Шарпа
sharpe_ratio = (mean_excess_return / std_dev) * np.sqrt(trading_days) if std_dev != 0 else 0.0
# 4. Расчет максимальной просадки (Maximum Drawdown)
# Рассчитываем кумулятивную доходность
cumulative_returns = (1 + df["Daily_Return"]).cumprod()
# Находим исторический максимум на каждый момент времени
running_max = cumulative_returns.cummax()
# Рассчитываем текущую просадку
drawdowns = (cumulative_returns - running_max) / running_max
# Максимальная просадка — это минимальное значение просадки (наибольший пик-впадина спад)
max_drawdown = drawdowns.min()
return {
"sharpe_ratio": sharpe_ratio,
"max_drawdown": max_drawdown,
"final_return": (cumulative_returns.iloc[-1] - 1) * 100
}
if __name__ == "__main__":
ticker_symbol = "SPY"
metrics = calculate_metrics(ticker=ticker_symbol, start_date="2020-01-01", end_date="2023-12-31")
print(f"--- Результаты анализа для {ticker_symbol} ---")
print(f"Годовой коэффициент Шарпа (Sharpe Ratio): {metrics['sharpe_ratio']:.4f}")
print(f"Максимальная просадка (Max Drawdown): {metrics['max_drawdown'] * 100:.2f}%")
print(f"Общая доходность за период: {metrics['final_return']:.2f}%")
Разбор параметров
close: Ряд цен закрытия (обычноdf['Close']), используемыйpandas-taдля вычисления процентных изменений.rf_rate: Годовая безрисковая процентная ставка (например, доходность казначейских облигаций США). По умолчанию установлена на уровне0.02(2%).trading_days: Количество торговых дней в году (для фондового рынка США стандартно принимается равным252, для криптовалютного рынка —365). Используется для годовой нормализации коэффициента Шарпа.cumulative_returns: Накопленная доходность портфеля, рассчитываемая как произведение последовательных дневных доходностей.running_max: Скользящий максимум кумулятивной доходности, необходимый для определения пиковых точек перед началом просадки.
Как запустить
Для запуска скрипта вам понадобятся библиотеки pandas, pandas-ta, numpy и yfinance. Установите их с помощью пакетного менеджера pip:
pip install pandas pandas-ta numpy yfinanceПосле установки зависимостей скопируйте исходный код в файл metrics_calc.py и запустите его из терминала:
python metrics_calc.pyСкрипт автоматически загрузит данные по индексу S&P 500 (через ETF SPY) за указанный период, рассчитает метрики эффективности и выведет их в консоль.
