绩效评估:看懂数字不被骗

一、三件套:一段代码全算出

继续用老实版双均线(满仓 1/0 模型),这次把成本做成参数:

import pandas as pd
import numpy as np

df = pd.read_csv("csi300.csv", parse_dates=["date"]).set_index("date").sort_index()
close = df[df.index >= "2005-04-08"]["close"]
ret = close.pct_change().fillna(0)
pos = (close.rolling(5).mean() > close.rolling(20).mean()).astype(int).shift(1).fillna(0)
years = len(close) / 243                      # 每年约243个交易日

def report(name, r_series):
    eq = (1 + r_series).cumprod()                        # 净值曲线
    total = eq.iloc[-1] - 1                              # 累计收益
    annual = eq.iloc[-1] ** (1 / years) - 1              # 年化收益(复利折算)
    max_dd = (eq / eq.cummax() - 1).min()                # 最大回撤(距历史最高点的最深跌幅)
    sharpe = r_series.mean() / r_series.std() * np.sqrt(243)  # 夏普(简化版,未扣无风险利率)
    print(f"{name}: 累计{total*100:6.1f}% 年化{annual*100:5.2f}% 回撤{max_dd*100:6.1f}% 夏普{sharpe:.2f}")

for fee in [0, 0.0005, 0.001, 0.002]:
    net = ret * pos - fee * pos.diff().abs().fillna(0)   # 每次进出场都付一次费
    report(f"费率{fee*100:.2f}%", net)
report("买入持有  ", ret)                                 # 对照组,必须有
print("换手(单边)次数:", int(pos.diff().abs().sum()))

三个指标的人话版:年化=把总收益折算成「相当于每年复利多少」;最大回撤=净值从最高点最深摔了多少(你要扛的最大痛苦);夏普=每承担一单位波动,换来多少收益(性价比)。

二、成本敏感性:看不见的手,摸得见的账单

2026-07 实测(312 次单边换手):

读出三件事:

1. 成本是复利的反面:费率每加 0.05%,年化掉约 0.8 个百分点——312 次换手,每一次都在给券商打工。换手越勤的策略,被成本杀得越狠(高频策略的成本敏感性比这夸张得多)。
2. 0.2% 时被躺平反超:年化 7.22% 输给买入持有的 7.41%。加上滑点、冲击成本、基金费率,真实世界的总成本奔着 0.2% 去并不难——很多回测里的「优势」,实盘里第一个死于成本。
3. 风险调整后仍有价值:即便 0.2% 费率,夏普 0.50 仍高于买入持有的 0.41,回撤 44.7% 也小于 72.3%——再次印证 q1.8:这类策略的价值是「少挨跌」,不是「多赚钱」。看收益它输了,看性价比它还站着——这就是为什么专业评估必看夏普。

三、724% vs 359%:同一策略,为何两个答案

细心的你该拍桌子了:q1.8 backtrader 算出 359%(0.05% 佣金),本节同费率算出 605%,差距巨大。都没错——差异全在实现细节:q1.8 用 95% 仓位、按整数份额买、指标预热期空仓;本节是理想化的满仓比例模型。

这就是本节最值钱的一课:「回测收益」从来不是一个客观数字,它是一堆假设的函数。下次任何人给你报收益率,除了 q1.9 教你的「样本外验过吗」,还要再补一问:「仓位、成本、执行,是怎么假设的?」——两问出手,九成的吹嘘当场卡壳。

📌 免责:本课为技术科普,全部数字为历史模拟且依赖简化假设,不代表实盘与未来,不构成任何投资建议;投资有风险,盈亏自负。