如何通过3行Python代码计算最大回撤

作者：陈可桐 修改：邢不行

如何评价一个量化策略的好坏？

简单的来讲，我首先是看年化收益。收益太差，基本就不用看了。

在收益不错的情况下，其次我就看最大回撤。

最大回撤属于风险指标，判断一个策略风险的高低。很多人评价风险，会用一些比较学术的指标，例如方差、波动率等。但我觉着这些都太不直观，比如算出来一个方差，0.035，根本就不能直观的知道是啥意思。

本文通过逐行讲解python代码的方式，详细解释什么是最大回撤，以及具体计算方法，完整的源代码见文末。大家可以看到计算的过程其实非常简单，主要部分也就三行代码。

另外，除了年化收益，最大回撤之外，我第三看中的指标是什么呢？这个大家可以在评论中回复，感兴趣的人多的话，下次写篇文章讲讲。

最大回撤是评价策略风险的指标，它的含义是：在某一个高点之后，资金曲线下挫最大的幅度。也就是这个策略在最坏的情况下，会亏掉多少钱。

例如，在①的位置开多头仓位，一直没有平仓。那么在持仓期间，就发生了两次比较大的回撤（图中的黄色箭头），以及若干次小的回撤（图中的红色箭头）。

而最大回撤，就是要找到这些回撤中使资金损失最大的一次。并且用百分比的方式量化地表示出来。

最大回撤的概念虽然直观，但到底应该怎么计算呢？比如下面这根资金曲线：

在这根资金曲线上，从 ① 到 ②，从 ③ 到 ④，都发生了比较大的回撤。从百分比上来讲，究竟哪次最大？我们用代码和数据说话。

首先，我们读取策略的已经计算完成的资金曲线，也就是回测之后得到的结果。原始数据是这样的：

实际上，要计算最大回撤，我们需要的只有candle_begin_time（k线开始时间）和equity_curve（资金曲线的值）这两列。选出数据中我们需要的部分，保存在 equity 这个 dataframe里。

然后，我们用expanding()计算资金曲线的滚动最高值(max to here)：

什么叫滚动最高值呢：

图中的红线就是滚动最高值。表示截至某个时间点，资金曲线的最大值。

接下来，我们计算回撤，也就是资金曲线在滚动最高点之后，下挫的百分比：

这里计算的 dd2here 是：回撤完之后，资金剩余的百分比。在图中直观地看：

浅色的线就是我们计算得到的 dd2here 。比较明显的是，在图中的※位置，回撤结束后只剩下约 20%的资金，几乎可以说是整根资金曲线中发生的最大的回撤。

下一步，我们只要找出 dd2here 这列数据中的最小值，就可以知道最大回撤了。

根据 dd2here 对 equity 进行从小到大的排序，那么第一行就包含了 dd2here 的最小值。

取第一行的candle_begin_time 和 dd2here，它们就是最大回撤结束的时间，以及回撤结束时资金剩余的百分比。我们把这两个值分别赋给 end_date 和 remains，那么很明显，最大回撤就是 1 - remains。

最后，我们需要找到最大回撤开始的时间，也就是在最大回撤结束之前，最后一次滚动最高值出现的点，也就是资金曲线的最高点。在图中表示为这个点：

找到这个点的代码如下：

首先选出资金曲线在最大回撤结束之前的部分。

然后，将这部分资金曲线的 dataframe 根据资金的值 (equity_curve) 进行从大到小排序，那么第一行就包含了资金曲线的最大值，它的时间也就是我们想要找的最大回撤开始时间。

最后，我们将最大回撤和这两个时间点打印出来：

确实是产生了高达79.34%的回撤。

最大回撤的计算就完成了。

下面是完整的最大回撤计算代码：