NexQuant/results

Predix Results Documentation

Dieser Ordner enthält alle Backtesting-Ergebnisse, Faktor-Analysen und Performance-Daten.

⚠️ WICHTIG

Dieser Ordner ist in .gitignore aufgenommen!

• Ergebnisse werden NICHT zu Git hinzugefügt
• Jeder Entwickler hat lokale Ergebnisse
• Sensible Performance-Daten bleiben privat

---

📁 Ordner-Struktur

results/
├── backtests/          # Einzelne Backtest-Ergebnisse (JSON, CSV)
│   ├── FactorName_20240402_120000.json
│   ├── FactorName_20240402_120000_returns.csv
│   └── FactorName_20240402_120000_equity.csv
│
├── factors/            # Faktor-spezifische Analysen
│   ├── factor_performance.json
│   └── ic_history.csv
│
├── runs/               # Komplette Run-Ergebnisse
│   ├── risk_report_20240402_120000.json
│   └── portfolio_weights_20240402.json
│
├── logs/               # Backtesting-Logs
│   └── backtest_20240402.log
│
└── db/                 # SQLite-Datenbank
    ├── backtest_results.db
    └── test_export.json

---

📊 Gespeicherte Daten

Backtests (backtests/)

Für jeden Faktor werden gespeichert:

Datei	Inhalt
{Factor}_{Timestamp}.json	Alle Metriken (IC, Sharpe, Drawdown, etc.)
{Factor}_{Timestamp}_returns.csv	Tägliche Returns
{Factor}_{Timestamp}_equity.csv	Equity Curve

Metriken pro Faktor:

• IC (Information Coefficient)
• ICIR (IC Information Ratio)
• Sharpe Ratio
• Sortino Ratio
• Calmar Ratio
• Annualized Return
• Max Drawdown
• Win Rate
• Total Trades

---

Datenbank (db/backtest_results.db)

Tabellen:

Tabelle	Inhalt
factors	Alle generierten Faktoren
backtest_runs	Backtest-Durchläufe
backtest_metrics	Performance-Metriken pro Run
daily_returns	Tägliche Returns pro Run
loop_results	Loop-Zusammenfassungen
factor_correlations	Korrelationen zwischen Faktoren

Abfragen:

from rdagent.components.backtesting import ResultsDatabase

db = ResultsDatabase()

# Top 20 Faktoren nach Sharpe Ratio
top_factors = db.get_top_factors('sharpe_ratio', limit=20)

# Performance-Historie für Faktor
perf = db.get_factor_performance('Momentum_8Bar')

# Loop-Zusammenfassung
loops = db.get_loop_summary()

# Aggregierte Statistiken
stats = db.get_aggregate_stats()

---

Risk Reports (runs/)

Inhalt:

• Portfolio-Volatilität
• Sharpe Ratio
• Diversifikations-Ratio
• Max Drawdown
• Limit-Checks (Position Size, Leverage, Drawdown)
• Korrelationsmatrix

---

🔧 Verwendung

1. Backtest durchführen

from rdagent.components.backtesting import FactorBacktester, ResultsDatabase

# Backtester initialisieren
backtester = FactorBacktester()
db = ResultsDatabase()

# Faktor-Daten laden
factor_values = pd.Series(...)  # Faktorwerte
forward_returns = pd.Series(...)  # Forward Returns

# Backtest durchführen
metrics = backtester.run_backtest(
    factor_values=factor_values,
    forward_returns=forward_returns,
    factor_name="MyFactor"
)

# In Datenbank speichern
db.add_backtest_run(
    factor_name="MyFactor",
    metrics=metrics,
    returns=...,
    equity_curve=...
)

2. Portfolio-Optimierung

from rdagent.components.backtesting import PortfolioOptimizer, CorrelationAnalyzer

# Korrelationsmatrix
corr_analyzer = CorrelationAnalyzer()
corr_matrix = corr_analyzer.calculate_correlation_matrix(factor_returns)

# Optimierung
optimizer = PortfolioOptimizer()
weights = optimizer.mean_variance_optimization(
    expected_returns=expected_returns,
    cov_matrix=cov_matrix
)

# Speichern
optimizer.save_optimization_results(weights, factor_names, 'mean_variance')

3. Risiko-Bericht

from rdagent.components.backtesting import AdvancedRiskManager

risk_manager = AdvancedRiskManager()

report = risk_manager.generate_risk_report(
    factor_returns=factor_returns,
    portfolio_weights=weights
)

print(f"Sharpe: {report['sharpe_ratio']:.2f}")
print(f"Alle Limits OK: {report['all_limits_ok']}")

---

📈 Export

JSON Export

db.export_to_json("results/db/full_export.json")

Inhalt:

• Aggregierte Statistiken
• Top-Faktoren
• Loop-Zusammenfassung
• Export-Datum

---

🎯 Ziel-Metriken

Metrik	Ziel	Minimum
IC	> 0.05	> 0.02
ICIR	> 2.0	> 1.0
Sharpe Ratio	> 2.0	> 1.0
Max Drawdown	< 15%	< 25%
Win Rate	> 55%	> 45%
Annualized Return	> 10%	> 5%

---

📝 Dokumentation

Jeder Backtest wird automatisch dokumentiert mit:

• Timestamp
• Faktor-Name
• Alle Metriken
• Returns & Equity Curve
• Konfigurierte Parameter (Transaction Costs, etc.)

Manuelle Notizen:

• Erstelle results/logs/notes_YYYYMMDD.md für manuelle Notizen
• Dokumentiere besondere Ereignisse (Markt-Crashes, etc.)

---

🔒 Datenschutz

• Ergebnisse sind lokal (nicht in Git)
• Datenbank ist lokal (SQLite)
• Bei Team-Nutzung: Ergebnisse manuell teilen oder zentrale DB verwenden

---

🚀 Nächste Schritte

1. Backtesting für alle 110 Faktoren durchführen
2. Top-20 Faktoren nach IC/Sharpe auswählen
3. Portfolio-Optimierung durchführen
4. 4 Wochen Paper-Trading
5. Live-Performance dokumentieren

---

Stand: April 2026 Version: 1.0