Профессиональные отчёты бэктестов: метрики и дашборды
Собрали бэктест, получили финальную доходность 340% — и что дальше? Без детального отчёта это просто число. Мы сталкивались со стратегиями, где win rate превышал 80%, но стратегия сливала 60% капитала за месяц. Потому что не считали max drawdown и не анализировали распределение сделок. Разработка отчётов по бэктестам под ключ — это не просто вывод цифр, а система, которая выявляет скрытые риски, сравнивает гипотезы и обосновывает решения. Наш опыт — более 5 лет в криптотрейдинге и DeFi — позволяет собирать отчёты, которые реально используют в работе. Мы автоматизировали расчёты метрик, чтобы вы не тратили время на ручные эксельки. Многие трейдеры теряют деньги, полагаясь только на P&L — а детальный отчёт с risk-adjusted метриками позволяет избежать этого.
Почему стандартные брокерские отчёты не подходят?
Стандартные брокерские отчёты дают только P&L и simple return. Для алготрейдинга нужны risk-adjusted метрики: Sharpe, Sortino, drawdown duration, profit factor. Без них вы не сможете понять, переживёт ли стратегия рыночный шок или серию убыточных сделок. Мы используем pandas, plotly и собственные dataclass-ы (см. код ниже). Весь пайплайн автоматизирован — от загрузки сделок до HTML-дашборда с интерактивными графиками. Метрика Sharpe широко используется в финансах (Sharpe ratio). Мы гарантируем, что каждый отчёт проходит проверку на консистентность.
Какие подводные камни скрывает типичный бэктест?
Однажды клиент пришёл со стратегией на Binance Futures, показывающей Sharpe 2.3. Мы запустили отчёт с корректным расчётом drawdown — и обнаружили четыре погружения ниже -40%. Причина — стратегия не пережила бы 2-3 неудачных сделок подряд. В отчёте мы добавили секцию "Max drawdown duration" и "Rolling Sharpe". Клиент переработал логику риск-менеджмента — и через месяц Sharpe вырос до 3.8. Наш подход в 3 раза быстрее ручного расчёта в Excel.
Что входит в работу
Мы поставляем полный пакет:
- Интерактивный HTML-дашборд (Plotly) с equity curve, drawdown, monthly returns heatmap, P&L distribution.
- Исходные файлы в JSON/CSV для загрузки в ваш риск-менеджмент.
- Документация: интерпретация каждого графика и метрики.
- Обучение команды: как обновлять отчёт при изменении стратегии.
- Поддержка на этапе адаптации — помогаем интегрировать отчёт с вашим API.
Это не разовая работа: мы остаёмся на связи, чтобы доработать метрики под новые требования.
Состав отчёта
- Дашборды: equity curve, drawdown, monthly returns heatmap, P&L distribution (на
plotlyилиmatplotlib). - Метрики: Sharpe, Sortino, Calmar, profit factor, win rate, average win/loss, trade duration.
- JSON/CSV/HTML форматы под ваш риск-менеджмент.
- Документация: как интерпретировать каждый график.
- Поддержка после сдачи: мы помогаем адаптировать отчёт под новые стратегии.
Как интерпретировать метрики?
Сравним типичные ошибки. Высокий win rate не спасает, если средний убыток в 3 раза больше средней прибыли. Profit Factor (валовая прибыль / валовый убыток) должен быть > 2. А Sortino Ratio лучше Sharpe — он штрафует только отрицательную волатильность. Наша таблица интерпретации:
| Метрика | Хорошо | Приемлемо | Плохо |
|---|---|---|---|
| Sharpe Ratio | > 2.0 | 1.0–2.0 | < 1.0 |
| Sortino Ratio | > 2.5 | 1.5–2.5 | < 1.5 |
| Max Drawdown | < 15% | 15–30% | > 30% |
| Profit Factor | > 2.0 | 1.5–2.0 | < 1.5 |
| Win Rate | > 55% (для трендовых) | 45–55% | < 45% |
Важно: win rate без учёта risk/reward — ловушка. Profit Factor и expectancy важнее.
Сравнение форматов отчёта
| Формат | Преимущества | Недостатки |
|---|---|---|
| HTML (Plotly) | Интерактивные графики, легко делиться | Не подходит для автоматической обработки |
| JSON | Машиночитаем, интеграция с API | Требует визуализации отдельно |
| CSV | Универсальный, открывается в Excel | Нет графиков, большие файлы |
Как мы строим отчёт: пошаговый процесс
- Загрузка данных — выгрузка сделок из API или CSV.
- Расчёт метрик — вычисление Sharpe, Sortino, drawdown и других показателей.
- Генерация графиков — equity curve, drawdown, monthly heatmap, P&L distribution.
- Валидация — сверка с исходными данными, проверка консистентности.
- Сдача — HTML-дашборд + исходные файлы (JSON/CSV).
Свяжитесь с нами для бесплатной оценки вашего проекта. Закажите разработку отчёта уже сегодня и получите консультацию по оптимизации метрик.
Посмотреть код
from dataclasses import dataclass
from typing import Optional
import pandas as pd
import numpy as np
@dataclass
class BacktestReport:
# Сводные метрики
initial_capital: float
final_capital: float
total_return_pct: float
annual_return_pct: float
# Risk-adjusted
sharpe_ratio: float
sortino_ratio: float
calmar_ratio: float
# Drawdown
max_drawdown_pct: float
avg_drawdown_pct: float
max_drawdown_duration_days: int
# Торговля
total_trades: int
win_rate: float
profit_factor: float
avg_win_pct: float
avg_loss_pct: float
best_trade_pct: float
worst_trade_pct: float
avg_trade_duration_hours: float
# Комиссии
total_commission: float
commission_as_pct_of_pnl: float
# Временные серии
equity_curve: pd.Series
monthly_returns: pd.DataFrame
trade_list: pd.DataFrame
def compute_all_metrics(equity_curve: pd.Series, trades: list[dict]) -> BacktestReport:
returns = equity_curve.pct_change().dropna()
annual_factor = 252
# Базовые
total_return = (equity_curve.iloc[-1] / equity_curve.iloc[0]) - 1
days = (equity_curve.index[-1] - equity_curve.index[0]).days
annual_return = (1 + total_return) ** (365 / max(days, 1)) - 1
# Sharpe (risk-free rate = 0 для крипто)
sharpe = (returns.mean() * annual_factor) / (returns.std() * np.sqrt(annual_factor)) if returns.std() > 0 else 0
# Sortino (только downside volatility)
downside = returns[returns < 0].std()
sortino = (returns.mean() * annual_factor) / (downside * np.sqrt(annual_factor)) if downside > 0 else 0
# Drawdown
rolling_max = equity_curve.cummax()
drawdown_series = (equity_curve - rolling_max) / rolling_max
max_dd = drawdown_series.min()
# Max drawdown duration
in_drawdown = drawdown_series < 0
dd_start = None
max_duration = 0
for date, is_dd in in_drawdown.items():
if is_dd and dd_start is None:
dd_start = date
elif not is_dd and dd_start is not None:
duration = (date - dd_start).days
max_duration = max(max_duration, duration)
dd_start = None
# Calmar
calmar = annual_return / abs(max_dd) if max_dd != 0 else 0
# Trade-level
trades_df = pd.DataFrame(trades)
if not trades_df.empty:
winning = trades_df[trades_df['pnl'] > 0]
losing = trades_df[trades_df['pnl'] < 0]
win_rate = len(winning) / len(trades_df)
gross_profit = winning['pnl'].sum()
gross_loss = abs(losing['pnl'].sum())
profit_factor = gross_profit / gross_loss if gross_loss > 0 else float('inf')
avg_win_pct = (winning['pnl'] / winning['entry_value'] * 100).mean() if not winning.empty else 0
avg_loss_pct = (losing['pnl'] / losing['entry_value'] * 100).mean() if not losing.empty else 0
else:
win_rate = profit_factor = avg_win_pct = avg_loss_pct = 0
return BacktestReport(
initial_capital=equity_curve.iloc[0],
final_capital=equity_curve.iloc[-1],
total_return_pct=total_return * 100,
annual_return_pct=annual_return * 100,
sharpe_ratio=round(sharpe, 3),
sortino_ratio=round(sortino, 3),
calmar_ratio=round(calmar, 3),
max_drawdown_pct=max_dd * 100,
avg_drawdown_pct=drawdown_series[drawdown_series < 0].mean() * 100,
max_drawdown_duration_days=max_duration,
total_trades=len(trades),
win_rate=win_rate,
profit_factor=profit_factor,
avg_win_pct=avg_win_pct,
avg_loss_pct=avg_loss_pct,
equity_curve=equity_curve,
trade_list=trades_df,
)
def compute_monthly_returns(equity_curve: pd.Series) -> pd.DataFrame:
"""Создаём матрицу месячных доходностей для heatmap"""
monthly = equity_curve.resample('ME').last()
monthly_returns = monthly.pct_change().dropna()
# Создаём матрицу год × месяц
matrix = monthly_returns.groupby([
monthly_returns.index.year,
monthly_returns.index.month
]).first().unstack()
matrix.columns = ['Jan', 'Feb', 'Mar', 'Apr', 'May', 'Jun',
'Jul', 'Aug', 'Sep', 'Oct', 'Nov', 'Dec']
return matrix * 100 # в процентах
def generate_html_report(report: BacktestReport, strategy_name: str) -> str:
import plotly.graph_objects as go
from plotly.subplots import make_subplots
fig = make_subplots(
rows=3, cols=2,
subplot_titles=['Equity Curve', 'Drawdown', 'Monthly Returns', 'Trade P&L Distribution', 'Win/Loss', 'Rolling Sharpe'],
)
# Equity curve
fig.add_trace(go.Scatter(x=report.equity_curve.index, y=report.equity_curve.values,
name='Portfolio', line=dict(color='#00C853')), row=1, col=1)
# Drawdown
rolling_max = report.equity_curve.cummax()
drawdown = (report.equity_curve - rolling_max) / rolling_max * 100
fig.add_trace(go.Scatter(x=drawdown.index, y=drawdown.values,
fill='tozeroy', name='Drawdown', line=dict(color='#FF5252')), row=1, col=2)
# P&L distribution
if not report.trade_list.empty:
pnl_pct = report.trade_list['pnl'] / report.trade_list['entry_value'] * 100
fig.add_trace(go.Histogram(x=pnl_pct, name='Trade P&L %', nbinsx=30), row=2, col=1)
fig.update_layout(
title=f'Backtest Report: {strategy_name}',
height=1000,
showlegend=False,
template='plotly_dark',
)
return fig.to_html(include_plotlyjs='cdn')