在很早之前的文章中，对绩效分析的指标夏普率做过一些简单的探索，对比了不同平台上夏普率的计算方式，这次再次深入探索一下，为啥各个平台的夏普率的结果存在很大差别。这次主要探索backtrader、pyfolio和聚宽，对于夏普率如何计算。
多变的夏普率（一）（2022-03-18更新)
使用Python计算omega指标
omega指标与sharpe_ratio之间的关系
【干货】使用backtrader计算omega指标

聚宽的夏普率计算方式

这是一个读者找到并提供给我的
对于上一篇文章的可转债策略，最后输出了一个每日结束的时候的账户价值，尝试用这个相对比较真实的值按照聚宽的算法计算夏普率。

data = pd.read_csv("/home/yun/backtrader专栏/77讲/可转债的测试结果.csv",index_col=0)# 计算年化收益率value_list = list(data['value'])total_return = value_list[-1]/value_list[0]-1total_annual_return = (1+total_return)**(250/len(data))-1# 计算收益率data['rets'] = data['value'].pct_change()data = data.dropna()# 计算波动avg_ret = data['rets'].mean()ret_std = (sum([(i-avg_ret)**2 for i in data['rets']])*250/len(data))**0.5jq_sharpe = (total_annual_return - 0.04)/ret_stdprint(f"计算出来的聚宽的夏普率为:{jq_sharpe}")# 计算出来的聚宽的夏普率为:3.2647287122066317

backtrader的夏普率计算方式

backtrader计算夏普率的方式 写在了文件sharpe.py中,在这篇文章【backtrader源代码解析17】sharpe.py源代码解析(backtrader计算夏普率的方式)中对backtrader夏普率计算的源代码进行了解析，感兴趣可以参考下。
本文尝试脱离backtrader的环境，直接按照backtrader的逻辑计算下夏普率：

# backtrader夏普率的计算方式# 先把年化的无风险收益率降级到每日的无风险收益率，然后计算每日的超额收益率，计算每日超额收益率的平均值和标准差，# 用平均值除以标准差就计算得到日夏普率,然后转化成年夏普率day_risk_free_rate = (1+0.04)**(1/250)-1data['day_excess_rate'] = data['rets']-day_risk_free_rate
avg_day_excess_rate = data['day_excess_rate'].mean()std_day_excess_rate = data['day_excess_rate'].std()day_sharpe = avg_day_excess_rate/std_day_excess_rate
year_sharpe = day_sharpe*250**0.5print(f"按照backtrader的方法计算出来的夏普率为:{year_sharpe}")# 按照backtrader的方法计算出来的夏普率为:2.7833366546477807

pyfolio的夏普率计算方式

pyfolio的夏普率的计算方式是直接调用的empyrical的夏普率计算函数，我们直接调用这个函数来计算夏普率，看差别会有多少

import empyrical as epfrom empyrical.periods import DAILY, WEEKLY, MONTHLY, QUARTERLY, YEARLY
sharpe_ratio = ep.sharpe_ratio(data['rets'],
                 risk_free=day_risk_free_rate,
                 period=DAILY,
                 annualization=None)print(f"pyfolio计算的夏普率为:{sharpe_ratio}")  # pyfolio计算的夏普率为:2.794447823197053

总结

相对情况下，聚宽计算的夏普率比较虚高一些，backtrader和pyfolio计算的夏普率比较接近。下一篇来点好玩的，尝试用蒙特卡洛模拟的思想，看看哪种方式计算的夏普率更稳定一些。