策略评价指标

import numpy as np
import pandas as pd
from scipy import stats

def evaluate_strategy(returns, benchmark_returns=None, risk_free=0.03):
    """
    全面的策略评价指标计算
    returns: 策略日收益率序列（pandas Series）
    benchmark_returns: 基准日收益率序列（可选）
    risk_free: 年化无风险利率（默认3%）
    """
    results = {}
    
    # 基础收益指标
    results['年化收益'] = returns.mean() * 252
    results['年化波动'] = returns.std() * np.sqrt(252)
    
    # 夏普比率
    excess_return = results['年化收益'] - risk_free
    results['夏普比率'] = (excess_return / results['年化波动']
                          if results['年化波动'] > 0 else 0)
    
    # 索提诺比率
    downside_returns = returns[returns < 0]
    downside_std = downside_returns.std() * np.sqrt(252)
    results['索提诺比率'] = (excess_return / downside_std
                           if downside_std > 0 else np.inf)
    
    # 最大回撤
    cum_returns = (1 + returns).cumprod()
    rolling_max = cum_returns.expanding().max()
    drawdown = (cum_returns - rolling_max) / rolling_max
    results['最大回撤'] = drawdown.min()
    
    # 卡玛比率
    max_dd = abs(results['最大回撤'])
    results['卡玛比率'] = (results['年化收益'] / max_dd
                         if max_dd > 0 else np.inf)
    
    # 收益分布特征
    results['偏度'] = returns.skew()
    results['峰度'] = returns.kurtosis()
    results['胜率'] = (returns > 0).mean()
    
    # 盈亏比
    avg_win = returns[returns > 0].mean()
    avg_loss = abs(returns[returns < 0].mean())
    results['盈亏比'] = avg_win / avg_loss if avg_loss > 0 else np.inf
    
    # 信息比率（如果有基准）
    if benchmark_returns is not None:
        excess = returns - benchmark_returns
        tracking_error = excess.std() * np.sqrt(252)
        results['信息比率'] = (excess.mean() * 252 / tracking_error
                              if tracking_error > 0 else 0)
    
    return pd.Series(results)

# 示例：评价两个策略
np.random.seed(42)
strategy_a = np.random.normal(0.0005, 0.015, 252*3)  # 高收益高波动
strategy_b = np.random.normal(0.0003, 0.008, 252*3)  # 低收益低波动

eval_a = evaluate_strategy(pd.Series(strategy_a))
eval_b = evaluate_strategy(pd.Series(strategy_b))

print("=== 策略A评价 ===")
print(eval_a.round(3))
print("
=== 策略B评价 ===")
print(eval_b.round(3))

我有两个策略的历史日收益序列：
- 策略A：年化收益25%，夏普1.2，最大回撤30%，偏度-1.5
- 策略B：年化收益15%，夏普1.5，最大回撤10%，偏度0.8

请帮我：
1. 从风险调整收益角度，哪个策略更优？
2. 策略A的负偏度意味着什么风险？
3. 如果我是风险厌恶型投资者，应该选择哪个策略？

请用Python和Streamlit/Matplotlib设计一个策略评价仪表盘：
- 输入：策略日收益序列CSV文件
- 输出：
  1. 净值曲线与回撤曲线
  2. 月度收益热力图
  3. 收益分布直方图（标注偏度峰度）
  4. 核心指标卡片（夏普、卡玛、索提诺、最大回撤）
  5. 滚动12个月夏普比率时间序列

我的策略回测夏普比率2.5，但收益分布峰度高达8（正态分布为3）。
请帮我：
1. 解释高峰度意味着什么风险
2. 讨论为什么传统指标（夏普、波动率）会低估这种风险
3. 提出3个衡量和监控尾部风险的方法（如VaR、CVaR、最大连续下跌天数）

"""策略评价计算器 - 输入净值序列，输出全套指标"""
import numpy as np
import pandas as pd

class StrategyEvaluator:
    def __init__(self, nav_series):
        """nav_series: 净值序列（以1为起点）"""
        self.nav = nav_series
        self.returns = nav_series.pct_change().dropna()
    
    def all_metrics(self):
        r = self.returns
        metrics = {}
        
        # 收益
        metrics['总收益'] = self.nav.iloc[-1] / self.nav.iloc[0] - 1
        n_years = len(r) / 252
        metrics['年化收益'] = (self.nav.iloc[-1] / self.nav.iloc[0]) ** (1/n_years) - 1
        
        # 风险
        metrics['年化波动'] = r.std() * np.sqrt(252)
        metrics['下行波动'] = r[r < 0].std() * np.sqrt(252)
        
        cum = (1 + r).cumprod()
        peak = cum.expanding().max()
        dd = (cum - peak) / peak
        metrics['最大回撤'] = dd.min()
        
        # 风险调整收益
        rf = 0.03
        metrics['夏普'] = (metrics['年化收益'] - rf) / metrics['年化波动']
        metrics['索提诺'] = ((metrics['年化收益'] - rf) / metrics['下行波动']
                            if metrics['下行波动'] > 0 else np.inf)
        metrics['卡玛'] = (metrics['年化收益'] / abs(metrics['最大回撤'])
                          if metrics['最大回撤'] != 0 else np.inf)
        
        # 分布
        metrics['偏度'] = r.skew()
        metrics['峰度'] = r.kurtosis()
        metrics['胜率'] = (r > 0).mean()
        
        wins = r[r > 0]
        losses = r[r < 0]
        metrics['盈亏比'] = (wins.mean() / abs(losses.mean())
                            if len(losses) > 0 and losses.mean() != 0 else np.inf)
        
        return pd.Series(metrics)

# 示例
np.random.seed(42)
nav = pd.Series(np.cumprod(1 + np.random.normal(0.0004, 0.012, 756)))
evaluator = StrategyEvaluator(nav)
print(evaluator.all_metrics().round(3))