上节回顾
上一节我们对backtrader内置的一堆评价指标进行了实践，从视觉上对这些评价指标的输出参数有了个大概的了解。接下来，我们在循环对多支股票或多个策略进行回测的时候，就可以将评价的一些值进行输出了，这样就能对于股票和策略进行汇总、排序，从而选择出评分高的股票并采用评分高的策略来进行操作。
补充评价结果打印
参考文档： Backtrader 文档学习- Analyzers_backtrader analyzer-CSDN博客
上一节我们没有对Analyzer的文档进行深入学习，直接拿到get_analysis()的返回对象就进行打印输出，并且我们已经整理了3种方法：
# 第一种方式 key,value处理
for key, value in sout.items():
print(f'{key}: {value}')
# 第二种方式 -- 使用pandas处理
series1 = pd.Series(sout))
print(series1)
# 第三种方式 -- 转为dict再处理
dict1 = dict(sout)
print(dict1)
在此基础上，我们又学习到了新的知识：
用pprint美化打印
偶然间，在某个AI回答中看到可以使用pprint()来美化打印，于是做了以下尝试：
# 首先，你可能去 pip install pprint的时候不成功
# 但是没关系，你可以尝试直接来
import pprint
pp = pprint.PrettyPrinter(indent=2)
def add_analyzer_all(cerebro):
cerebro.addanalyzer(bt.analyzers.PeriodStats, _name='_PeriodStats')
def analyzer_output(result):
print("---------------_PeriodStats -----------------")
sout = result.analyzers._PeriodStats.get_analysis()
pp.pprint(sout)
----------------------------
策略为 经典MACD , 期末总资金 111569.09 盈利为 11569.09 总共交易次数为 11 ,交易成功率为 36.4%
---------------_PeriodStats -----------------
OrderedDict([ ('average', 0.06155213863943909),
('stddev', 0.10583966175667991),
('positive', 1),
('negative', 1),
('nochange', 0),
('best', 0.167391800396119),
('worst', -0.04428752311724082)])用内置的pprint打印
接着，我们从__init.py__中点击 .returns ， 跳转到returns.py，接着点击TimeFrameAnalyzerBase后跳转到analyzer.py
# __init.py__
from .returns import *
# to returns.py
class Returns(TimeFrameAnalyzerBase):
'''Total, Average, Compound and Annualized Returns calculated using a
logarithmic approach
......'''
# to analyzer.py
在文档最上方，就可以看到 import pprint as pp的代码，所以，backtrader早就给你安装过了。
###############################################################################
from __future__ import (absolute_import, division, print_function,
unicode_literals)
import calendar
from collections import OrderedDict
import datetime
import pprint as pp #### 看这里
......
def pprint(self, *args, **kwargs): #### 再看这里
Prints the results returned by ``get_analysis`` using the pretty
pp.pprint(self.get_analysis(), *args, **kwargs)然后在这个文档中，我们看到了def pprint()的函数定义，它跟上面我们自已用pprint其实基本上是一样的。
用内置的print进行打印
在看到 def pprint()之前，应该也看到了def print()吧？
# 在看到 def pprint(...)之前，应该看到了 def print(...)吧
'''
def print(self, *args, **kwargs):
Prints the results returned by ``get_analysis`` via a standard
``Writerfile`` object, which defaults to writing things to standard output
writer = bt.WriterFile(*args, **kwargs)
writer.start()
pdct = dict()
pdct[self.__class__.__name__] = self.get_analysis()
writer.writedict(pdct)
writer.stop()
'''
# 所以，其实backtrader早就给我们准备好了打印的函数，
# 而且这个print比pprint所谓的美化打印要更好一些。
def add_analyzer_all(cerebro):
cerebro.addanalyzer(bt.analyzers.PeriodStats, _name='_PeriodStats')
def analyzer_output(result):
print("---------------_PeriodStats -----------------")
result.analyzers._PeriodStats.print()
---------------------------
---------------_PeriodStats -----------------
===============================================================================
PeriodStats:
- average: 0.06155213863943909
- stddev: 0.10583966175667991
- positive: 1
- negative: 1
- nochange: 0
- best: 0.167391800396119
- worst: -0.04428752311724082由上，补充了backtrader已经内置的函数进行结果打印的，一个是pprint()，另一个是print()。在我们需要取某几个参数的时候，我们更倾向于用pprint()来观察参数在哪一层。
评价输出
00_实践计划
1. run_main_analyzer1的函数内容在内置评价输出时都不需要任何更改
def run_main_analyser1 (df_list,run_strategy,i, sdate1,sdate2, myplot=False, logoff=1):
#...
cerebro = bt.Cerebro()
#...
add_analyzer_all(cerebro) # 加入---------analyzer -------------
#...
result = cerebro.run()
strat = result[0]
analyzer_output(strat) # 输出--------analyzer -------------2. 在添加analyzer的函数中，可以直接添加需要的评价，这个在实践过程中也不需要更改动
# 加入直接打分或统计的评价指标
### 01_AnnualReturn - 以自然年为分组的，比如 2023年 年化收益% ， 2024年 年化收益%
### 02_drawdown - 当前回撤（周期，值，百分比） + 最大回撤（周期，值，百分比）
### 04_Sharp Ratio - 夏普比率，直接给出回测周期的夏普率
### 05_TradeAnalyzer - 交易分析，多重字典，包括交易次数（完成的，open),毛利率，净利率，连胜，连败，这里的Long short应该是开多，开空
### 06_SQN or SystemQualityNumber - 交易系统的性能得分
### 11_Returns - 回报 有4个数值，分别是总收益，平均收益，年化收益，年化收益百分比， 这个跟01的自然年不同，应该是计算近1年的（验证下？)
### 12_VWR Variability-Weighted Return, 是一种改进的夏普比率计算方法,可变加权回报率
### 15_PeriodStats 基本统计数据，包括回报率，标准差，正/负数量，最佳回报率和最差回报率
def add_analyzer_all(cerebro):
cerebro.addanalyzer(bt.analyzers.AnnualReturn, _name='_AnnualReturn') # 年化收益率 01
cerebro.addanalyzer(bt.analyzers.DrawDown, _name='_DrawDown') # 回撤 02
# 03
cerebro.addanalyzer(bt.analyzers.SharpeRatio, _name='_SharpeRatio') # 夏普比率 04
cerebro.addanalyzer(bt.analyzers.TradeAnalyzer, _name='_TradeAnalyzer') # 交易分析 05
cerebro.addanalyzer(bt.analyzers.SQN, _name='_SQN') # 交易系统性能得分 SQN 06
# 07,08,09,10
cerebro.addanalyzer(bt.analyzers.Returns, _name='_Returns', tann=252) # 计算252日度收益 11
cerebro.addanalyzer(bt.analyzers.VWR, _name='_VWR') # 可变加权回报率 VWR 12
# 13,14
cerebro.addanalyzer(bt.analyzers.PeriodStats, _name='_PeriodStats') # 基本数据统计 153. 每一组内置评价的输出添加，用一个新的analyzer_output()函数来实践。
01_年化收益
- 首先，我们打印sout01的内容，它是一个OrderedDict字典，根据回测的起止日期，得到这些年份下的年化收益率，比如当前数据是从2023年1月到2024年7月，就会得到2023的年化和2024的年化。
- 我们可以用k,v in sout01.items()的方式，遍历得到这里面项数不确定的所有项
- 把每一项的key（年份）加上字符串AR(annual Return)或者中文“年化”，添加到字典中
def analyzer_output(result):
dic1 = {}
sout01 = result.analyzers._AnnualReturn.get_analysis() # 年化收益率
print(sout01)
for k,v in sout01.items():
print(f'{k}:{v}')
# dic1[f'AR{k}']= '%.2f%%'%(v*100) # 制作为字符串显示，小数点位数控制
dic1[f'AR{k}']= v*100
print(dic1)
-----------------------------------
策略为 经典MACD , 期末总资金 111569.09 盈利为 11569.09 总共交易次数为 11 ,交易成功率为 36.4%
OrderedDict([(2023, 0.167391800396119), (2024, -0.04428752311724082)])
2023:0.167391800396119
2024:-0.04428752311724082
{'AR2023': 16.739180039611902, 'AR2024': -4.428752311724082}02_回撤
回撤是两层字典，一层是当前回撤，包括周期数，回撤的资金，回撤的百分比，另一层是’max'即最大回撤的三项信息。
我们在这里只取回撤百分比和最大回撤百分比2个参数。
def analyzer_output(result):
dic1 = {}
sout01 = result.analyzers._AnnualReturn.get_analysis() # 年化收益率 01
for k,v in sout01.items():
dic1[f'{k}年化']= v*100
sout02 = result.analyzers._DrawDown.get_analysis() # 回撤 02
print(sout02)
dic1['回撤'] = sout02['drawdown']
dic1['最大回撤'] = sout02['max']['drawdown']
print(dic1)
---------------------
AutoOrderedDict([('len', 80), ('drawdown', 13.72833873324972), ('moneydown', 17753.89797314338), ('max', AutoOrderedDict([('len', 150), ('drawdown', 14.18411680845229), ('moneydown', 18343.32380264625)]))])
{'2023年化': 16.739180039611902, '2024年化': -4.428752311724082, '回撤': 13.72833873324972, '最大回撤': 14.18411680845229}04，06，12_夏普，SQN和VWR
这里的3个都不是复杂数据，放在一个实践中进行测试
def analyzer_output(result):
dic1 = {}
sout04 = result.analyzers._SharpeRatio.get_analysis() # 夏普比率 04
print(sout04)
dic1['夏普率'] = sout04['sharperatio']
sout06 = result.analyzers._SQN.get_analysis() # 交易系统性能得分 SQN 06
print(sout06)
dic1['系统性能SQN'] = sout06['sqn']
sout12 = result.analyzers._VWR.get_analysis() # # 可变加权回报率 VWR 12
print(sout12)
dic1['VWR'] = sout12['vwr']
print(dic1)
-----------------------------
OrderedDict([('sharperatio', 0.4870776964306147)])
AutoOrderedDict([('sqn', 0.7349808981765108), ('trades', 10)])
OrderedDict([('vwr', 4.415307366076662)])
{'夏普率': 0.4870776964306147, '系统性能SQN': 0.7349808981765108, 'VWR': 4.415307366076662}11_回报-returns
上一节我们测试了252，52，12，1四组returns的数据，最后看下来，估计只需要252的转换成年化回报率的就可以了。
def analyzer_output(result):
dic1 = {}
sout11 = result.analyzers._Returns.get_analysis() # 计算252日度收益 11
# print(sout11)
# OrderedDict([('rtot', 0.10947386238015983), ('ravg', 0.00029992839008262964),
# ('rnorm', 0.07851161276138774), ('rnorm100', 7.8511612761387735)])
dic1['总回报率'] = sout11['rtot']
dic1['平均回报率'] = sout11['ravg']
dic1['年化回报率'] = sout11['rnorm100']
print(dic1)
------------------------
{'总回报率': 0.10947386238015983, '平均回报率': 0.00029992839008262964, '年化回报率': 7.8511612761387735}根据你提供的输出结果，这是一个有序字典（OrderedDict），其中包含了Returns分析器计算的几个关键指标。以下是每个指标的详细解读：
- rtot: Total compound return 这个值是0.10947386238015983，表示从回测开始到结束期间，投资组合的总复合回报率。这个值是基于对数方法计算的，反映了投资组合在这段时间内的整体增长情况。
- ravg: Average return for the entire period (timeframe specific) 这个值是0.00029992839008262964，表示整个回测期间（特定于时间框架）的平均回报率。这个值是通过将总复合回报率除以时间周期数（即回测期间的天数、周数等）得到的。
- rnorm: Annualized/Normalized return 这个值是0.07851161276138774，表示年化/标准化回报率。这个值是通过将平均回报率乘以一个调整因子（tann参数）得到的，这个因子是根据回测期间的时间框架计算的，以确保回报率的年化。
- rnorm100: Annualized/Normalized return expressed in 100% 这个值是7.8511612761387735，是将rnorm值乘以100得到的百分比形式的年化/标准化回报率。这个值更容易理解和比较，因为它以百分比的形式表示了年化/标准化回报率。
据上面解释，总回报率是对数方法计算，对我们来讲并不直观，因此这个评价里面，我们直接取第4个数据rnorm100即年化回报率。
15_基本统计数据
def analyzer_output(result):
dic1 = {}
sout15 = result.analyzers._PeriodStats.get_analysis() # # 基本数据统计 15
# print(sout15)
# OrderedDict([('average', 0.06155213863943909), ('stddev', 0.10583966175667991), ('positive', 1),
# ('negative', 1), ('nochange', 0), ('best', 0.167391800396119), ('worst', -0.04428752311724082)])
dic1['平均'] = sout15['average']
dic1['标准差'] = sout15['stddev']
dic1['最佳收益'] = sout15['best']
dic1['最大亏损'] = sout15['worst']
print(dic1)
---------------------------------------
{'平均': 0.06155213863943909, '标准差': 0.10583966175667991, '最佳收益': 0.167391800396119, '最大亏损': -0.04428752311724082}05_交易分析 TradeAnalyzer
TradeAnalyzer中有大量的交易统计的数据，用内置print()打印出来如下：
TradeAnalyzer:
-----------------------------------------------------------------------------
- total:
- total: 11
- open: 1
- closed: 10
-----------------------------------------------------------------------------
- streak:
+++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
- won:
- current: 0
- longest: 1
+++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
- lost:
- current: 2
- longest: 2
-----------------------------------------------------------------------------
- pnl:
+++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
- gross:
- total: 15641.388419738887
- average: 1564.1388419738887
+++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
- net:
- total: 15232.749667811115
- average: 1523.2749667811115
-----------------------------------------------------------------------------
- won:
- total: 4
+++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
- pnl:
- total: 32567.260408578655
- average: 8141.815102144664
- max: 16320.18708936759
-----------------------------------------------------------------------------
- lost:
- total: 6
+++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
- pnl:
- total: -17334.51074076754
- average: -2889.0851234612564
- max: -7116.267063844403
-----------------------------------------------------------------------------
- long:
- total: 10
+++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
- pnl:
- total: 15232.749667811115
- average: 1523.2749667811115
*************************************************************************
- won:
- total: 32567.260408578655
- average: 8141.815102144664
- max: 16320.18708936759
*************************************************************************
- lost:
- total: -17334.51074076754
- average: -2889.0851234612564
- max: -7116.267063844403
- won: 4
- lost: 6
-----------------------------------------------------------------------------
- short:
- total: 0
+++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
- pnl:
- total: 0.0
- average: 0.0
*************************************************************************
- won:
- total: 0.0
- average: 0.0
- max: 0.0
*************************************************************************
- lost:
- total: 0.0
- average: 0.0
- max: 0.0
- won: 0
- lost: 0
-----------------------------------------------------------------------------
- len:
- total: 132
- average: 13.2
- max: 29
- min: 3
+++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
- won:
- total: 93
- average: 23.25
- max: 29
- min: 15
+++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
- lost:
- total: 39
- average: 6.5
- max: 11
- min: 3
+++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
- long:
- total: 132
- average: 13.2
- max: 29
- min: 3
*************************************************************************
- won:
- total: 93
- average: 23.25
- max: 29
- min: 15
*************************************************************************
- lost:
- total: 39
- average: 6.5
- max: 11
- min: 3
+++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
- short:
- total: 0
- average: 0.0
- max: 0
- min: 9223372036854775807
*************************************************************************
- won:
- total: 0
- average: 0.0
- max: 0
- min: 9223372036854775807
*************************************************************************
- lost:
- total: 0
- average: 0.0
- max: 0
- min: 9223372036854775807
这里其实很多参数是重复的，比如won，在long里面又来一遍等，我们把一些认为需要的参数先提取出来。
def analyzer_output(result):
dic1 = {}
sout05 = result.analyzers._TradeAnalyzer.get_analysis() # 交易分析 05
dic1['关闭交易'] = sout05['total']['closed'] # open的订单还没关闭，下面的数据与最终总资金不同
dic1['连胜次数'] = sout05['streak']['won']['current']
dic1['最大连胜'] = sout05['streak']['won']['longest']
dic1['连负次数'] = sout05['streak']['lost']['current']
dic1['最大连负'] = sout05['streak']['lost']['longest']
dic1['毛利润'] = sout05['pnl']['gross']['total']
dic1['净利润'] = sout05['pnl']['net']['total']
dic1['总胜次数'] = sout05['won']['total']
dic1['总盈利'] = sout05['won']['pnl']['total']
dic1['最大盈利'] = sout05['won']['pnl']['max']
dic1['总亏次数'] = sout05['lost']['total']
dic1['总亏损'] = sout05['lost']['pnl']['total']
dic1['最大亏损'] = sout05['lost']['pnl']['max']
print(dic1)
-------------------------------------
{'关闭交易': 10, '连胜次数': 0, '最大连胜': 1, '连负次数': 2, '最大连负': 2,
'毛利润': 15641.388419738887, '净利润': 15232.749667811115, '总胜次数': 4,
'总盈利': 32567.260408578655, '最大盈利': 16320.18708936759, '总亏次数': 6,
'总亏损': -17334.51074076754, '最大亏损': -7116.267063844403}其他指标计算输出
某股票软件指标说明
我们来看某个股票软件交易系统评测的评价指标说明
除去刚才backtrader内置直接能获取的，我们还有一些指标需要添加
- 期末权益，盈亏比，盈亏时间比，盈亏次数比
- 阿尔法收益率，贝塔收益率
- 胜率，区间回撤，持仓周期数/持仓周期比率
- MAR比较，年化波动率，标准离差
这些指标中，有些是直接用内置评价指标简单四则运算就能得到（比如盈亏比），有的需要把数据记录取出来进行sum()计算得到（比如区间涨幅），还有的计算公式比较复杂（比如阿尔法，年化波动率等）
所以，先把需要通过数据记录进行计算的添加到analyzer中去
def add_analyzer_all(cerebro):
cerebro.addanalyzer(bt.analyzers.AnnualReturn, _name='_AnnualReturn') # 年化收益率 01
cerebro.addanalyzer(bt.analyzers.DrawDown, _name='_DrawDown') # 回撤 02
# 03
cerebro.addanalyzer(bt.analyzers.SharpeRatio, _name='_SharpeRatio') # 夏普比率 04
cerebro.addanalyzer(bt.analyzers.TradeAnalyzer, _name='_TradeAnalyzer') # 交易分析 05
cerebro.addanalyzer(bt.analyzers.SQN, _name='_SQN') # 交易系统性能得分 SQN 06
# 07,08,09,10
cerebro.addanalyzer(bt.analyzers.Returns, _name='_Returns', tann=252) # 计算252日度收益 11
cerebro.addanalyzer(bt.analyzers.VWR, _name='_VWR') # 可变加权回报率 VWR 12
# 13,14
cerebro.addanalyzer(bt.analyzers.PeriodStats, _name='_PeriodStats') # 基本数据统计 15
# 需要通过数据记录进行计算
cerebro.addanalyzer(bt.analyzers.TimeReturn, _name='pnl') # 返回收益率时序数据 # 03
cerebro.addanalyzer(bt.analyzers.PositionsValue, _name='_PositionsValue') # position 08
cerebro.addanalyzer(bt.analyzers.Transactions, _name='_Transactions') # Transactions 09添加期末权益，胜率，盈亏比，盈亏时间比
期末权益相当于就是最后的总资产，可以从broker.getvalue()来得到，在analyzer返回的result中也能获取到。
盈亏比即 总盈利/总亏损， 而胜率 = 总胜次数/ 总闭环交易次数 *100
盈亏时间比是盈利的周期数/ 总周期数
def analyzer_output(result):
list1 = []
dic1 = {}
sout05 = result.analyzers._TradeAnalyzer.get_analysis() # 交易分析 05
dic1['关闭交易'] = sout05['total']['closed']
dic1['总胜次数'] = sout05['won']['total']
dic1['总盈利'] = sout05['won']['pnl']['total']
dic1['总亏损'] = sout05['lost']['pnl']['total']
# 胜率与盈亏比
dic1['胜率'] = dic1['总胜次数']/dic1['关闭交易'] * 100
dic1['盈亏比'] = abs(dic1['总盈利']/dic1['总亏损'] )
# 期末权益
dic1['期末权益'] = result.broker.getvalue()
# 盈亏时间比 盈利周期数/亏损周期数
dic1['盈亏时间比'] = sout05['len']['won']['total'] / sout05['len']['lost']['total']
print(dic1)
-----------------------------------
{'关闭交易': 10, '总胜次数': 4,
'总盈利': 32567.260408578655, '总亏损': -17334.51074076754,
'胜率': 40.0, '盈亏比': 1.8787527894852278,
'期末权益': 111569.09090491984, '盈亏时间比': 2.3846153846153846}添加区间涨幅，持仓周期数
区间涨幅不应该使用pnl的数据，因为pnl是策略应用的情况下产生的收益，而区间涨幅与策略无关，只是这支股票的走势情况，所以使用起止日期的收盘价之差即可。
而持仓周期数，可以利用08_positions持仓来进行统计，把不为0的数值count出来。
from datetime import datetime
def analyzer_output(result):
list1 = []
dic1 = {}
# 区间涨幅
len1 = len(result.data.close) # 总共周期数
date1 = result.data.datetime[-len1+1] # 起始日期
print(bt.num2date(date1) # 转成日期格式打印
# 2023-01-11 00:00:00
close_end = result.data.close[0] # [0]代表最后一个数据
close_start = result.data.close[-len1+1] # 取第一个数据的收盘价
qjzf = (close_end - close_start)/ close_start
qjzf_pct = qjzf * 100
dic1['区间涨幅'] = qjzf_pct
# 持仓周期数 - 可以直接用positions来统计
sout08 = result.analyzers._PositionsValue.get_analysis()
# result.analyzers._PositionsValue.pprint()
# OrderedDict([(datetime.date(2023, 1, 11), [0.0]), # 日期做index， 值是List，但仅有一项
# (datetime.date(2023, 1, 12), [0.0]),
s3 = dict(sout08) # 一层字典，转为dict类型，便于处理取list中的第一项
for x in s3:
s3[x] = s3[x][0] # 将值更改为list中的第一项[0]
s2 = pd.Series(s3) # 处理后的dict可直接转为Series类型
cnt_zero = s2.eq(0).sum() # 值为0的项 = 211
cnt_all = s2.count() # 非NaN项，即所有有效项 365
cnt_position = cnt_all - cnt_zero
dic1['持仓周期数'] = cnt_position
dic1['持仓占比'] = cnt_position/cnt_all * 100
print(dic1)
------------------------
{'区间涨幅': -3.2258064516129057, '持仓周期数': 154, '持仓占比': 42.19178082191781}添加MAR率
def analyzer_output(result):
list1 = []
dic1 = {}
# MAR比率 - 年化收益率/最大回撤比
sout11 = result.analyzers._Returns.get_analysis() # 计算252日度收益 11
dic1['年化回报率'] = sout11['rnorm100']
sout02 = result.analyzers._DrawDown.get_analysis() # 回撤 02
dic1['最大回撤'] = sout02['max']['drawdown']
dic1['MAR率'] = dic1['年化回报率']/dic1['最大回撤']
print(dic1)
-------------------------------
{'年化回报率': 7.8511612761387735, '最大回撤': 14.18411680845229,
'MAR率': 0.55351781024958}添加近期涨幅指标
对于基金PK的近期指标仍念念不忘，最后还是把它们给做出来。
def analyzer_output(result):
dic1 = {}
sout03 = result.analyzers.pnl.get_analysis()
# result.analyzers.pnl.pprint()
a2 = pd.Series(sout03)
# print(series_pnl)
recent_1m = a2[-21:].sum() *100 # 近1月
recent_3m = a2[-64:].sum() *100
recent_6m = a2[-126:].sum() *100
recent_1y = a2[-252:].sum() *100
dic1['近1月'] = recent_1m
dic1['近3月'] = recent_3m
dic1['近6月'] = recent_6m
dic1['近1年'] = recent_1y
print(dic1)
-----------------------------
{'近1月': -3.0154148669233605,
'近3月': -12.396872470662734,
'近6月': -3.4178941682405317,
'近1年': 13.508146407432731}下一步实践计划
目前，我们还有几个指标没有做进来，包括阿尔法收益，贝塔收益，波动率等，这些都涉及到比较复杂的计算，我们可以自己做，但容易出错，我想大家也不希望辛苦做出来的由于一些细小的疏漏，或对经济学或数学的不太理解，出来的是一个错误的数值吧。
在上一节也提到了，backtrader有所谓的内置的pyfolio评价指标，而实际上还有一个pyfolio库，而且不是那么容易应用，不过似乎这些阿尔法收益等评价在pyfolio里面都有，后续我们再这个方向上再实践一下~
最后，我们还需要把上面这些评价指标用一个结构记录下来，并在多股票和多策略循环后在一张表里进行输出。暂时不打算再做对于这张表的处理，这些后处理的数据统计分析工作可以在excel表格中完成，或者用Pandas处理。
