python 量化策略 python写量化策略并回测

欢迎大家订阅《Python实战-构建基于股票的量化交易系统》小册子，小册子会陆续推出与小册内容相关的专栏文章，对涉及到的知识点进行更全面的扩展介绍，并且会有选择地收录至小册中，更便于广大读者查阅知识点。本篇专栏为小册子内容的加推篇！！！

前言

当我们开发了一个交易策略，需要对策略进行回测。那么我们就需要一个回测框架。

目前已存在很多成熟的回测框架，也有各种平台。这些框架或平台各有优劣，并不能满足每个人的需求。为了将之前学习的量化交易的知识点贯穿起来，更好地巩固学习内容，也为了今后能够搭建适合自己的框架，本小节我们一起来搭建一个简单的回测框架。

策略回测流程

完成一个策略的回测总体来说包括以下几步：

获取行情数据。我们以股票行情数据为例，至少需要获取到收盘价、开盘价、最高价、最低价、成交量。通常我们将数据按时间先后分为两份：一份作为策略训练集数据；一份作为策略测试集数据。

产生择时策略信号。我们以课程中的择时策略为例，在训练集数据上产生包含交易信号的序列。全面一些的策略，是应该在择时策略中可以融入止盈止损机制、参数优化措施等等。

输出策略回测报告。首先设置回测初始资金，然后根据交易信号买卖股票。我们可以选择全仓买入/卖出，也可以使用仓位管理功能。最后以回测指标来评估策略的效果。回测指标包含资金收益率、与基准收益的对比、资金最大回撤、涨跌幅最大回撤等。当然，在实际交易中是有交易手续费和滑点情况的，更贴近实际的话是需要考虑这些因素。

可视化策略回测效果。可视化在各个领域的数据分析过程中都是很重要的，可以最为直观的展示数据背后的含义，此处我们可以可视化收益曲线、最大回撤曲线来更加直观地评估策略运行情况。

函数接口介绍

1、获取股票交易数据接口GetStockDatApi。

接口介绍如下：

# 数据获取接口，可参考《差异化分析常用股票交易数据接口》

# 输入参数
# :param data: code 股票代码
# :param data: start 起始日期，默认为2010年1月1日
# :param data: start 起始日期，默认为2010年1月1日
# 输出参数
# :return data: df_recon 规整化后的DataFrame格式股票数据
# 注意：该接口为股票除权数据
复制代码
接口使用例程如下，调用后会返回收盘价、开盘价、最高价、最低价、成交量：
df_stock = GetStockDatApi("000876.SZ", '20170101', '20200101')
"""
High Low Open Close Volume
trade_date
2017-01-03 8.12 8.07 8.07 8.12 179801.01
2017-01-04 8.16 8.09 8.13 8.15 166242.35
2017-01-05 8.23 8.13 8.15 8.17 222902.53
2017-01-06 8.19 8.12 8.18 8.13 128549.96
2017-01-09 8.15 8.08 8.13 8.13 136700.04
... ... ... ... ... ...
2019-12-25 18.79 18.44 18.59 18.60 207776.34
2019-12-26 18.76 18.46 18.69 18.60 189935.42
2019-12-27 19.43 18.58 18.74 19.28 504214.70
2019-12-30 19.50 18.92 19.24 19.38 379296.95
2019-12-31 20.31 19.55 19.55 19.95 562873.40
[731 rows x 5 columns]
"""
复制代码
2、择时策略信号生成接口，此处为计算N日突破信号CalNdaysSignal。
接口介绍如下：
# 计算N日突破信号接口，可参考《海龟择时策略入门量化交易》
# 输入参数
# :param data: stockdata 个股行情数据
# :param data: N1 策略参数，默认为15
# :param data: N2 策略参数，默认为5
# 输出参数
# :return data: 添加交易信号的DataFrame格式股票数据
复制代码
接口使用例程如下：
df_stock = CalNdaysSignal(df_stock, N1=15, N2=5)
复制代码
调用接口后返回的股票数据如下所示：
"""
High Low Open Close Volume N1_High N2_Low signal
trade_date
2017-01-03 8.12 8.07 8.07 8.12 179801.01 8.12 8.12 1.0
2017-01-04 8.16 8.09 8.13 8.15 166242.35 8.15 8.12 1.0
2017-01-05 8.23 8.13 8.15 8.17 222902.53 8.17 8.12 1.0
2017-01-06 8.19 8.12 8.18 8.13 128549.96 8.17 8.12 1.0
2017-01-09 8.15 8.08 8.13 8.13 136700.04 8.17 8.07 1.0
... ... ... ... ... ... ... ... ...
2019-12-25 18.79 18.44 18.59 18.60 207776.34 21.53 18.36 0.0
2019-12-26 18.76 18.46 18.69 18.60 189935.42 21.53 18.36 0.0
2019-12-27 19.43 18.58 18.74 19.28 504214.70 21.03 18.36 0.0
2019-12-30 19.50 18.92 19.24 19.38 379296.95 20.71 18.36 0.0
2019-12-31 20.31 19.55 19.55 19.95 562873.40 20.31 18.44 0.0
[731 rows x 8 columns]
"""
复制代码
3、择时策略融入风险管理因子生成交易信号接口CalNdaysStopSignal。
接口介绍如下：
# N日突破择时策略基础上引入风险管理因子，可参考《择时策略融入ATR风险管理》
# 输入参数
# :param data: stockdata 个股行情数据
# :param data: N1 策略参数，默认为15
# :param data: N2 策略参数，默认为5
# :param data: n_loss 止损策略参数，默认为0.8
# :param data: n_win 止盈策略参数，默认为2
# 输出参数
# :return data: 规整化后 添加交易信号的DataFrame格式股票数据
# 注意：该接口为股票除权数据
复制代码
接口使用例程如下：
df_stock = CalNdaysStopSignal(df_stock, N1=15, N2=5, n_loss=0.8, n_win=2)
复制代码
调用接口后产生的止盈止损信号如下：
"""
17-03-09 买入价格：8.16 止损卖出价格：8.06
17-03-28 买入价格：8.24 止损卖出价格：8.16
17-06-16 买入价格：8.07 止损卖出价格：7.98
17-07-04 买入价格：8.31 止损卖出价格：8.17
17-11-14 买入价格：7.74 止损卖出价格：7.62
17-11-23 买入价格：7.95 止损卖出价格：7.77
18-02-01 买入价格：8.32 止损卖出价格：8.04
18-05-30 买入价格：7.34 止损卖出价格：7.02
18-07-19 买入价格：6.53 止损卖出价格：6.33
18-11-20 买入价格：6.83 止损卖出价格：6.64
18-12-06 买入价格：7.52 止损卖出价格：7.27
19-01-08 买入价格：7.82 止损卖出价格：7.6
19-02-28 买入价格：11.18 止损卖出价格：10.6
19-03-13 买入价格：14.22 止损卖出价格：12.8
19-04-11 买入价格：14.84 止损卖出价格：14.03
19-05-07 买入价格：17.31 止损卖出价格：16.15
19-06-06 买入价格：20.6 止损卖出价格：18.67
19-07-18 买入价格：20.25 止损卖出价格：19.1
19-09-06 买入价格：19.51 止损卖出价格：18.48
19-10-17 买入价格：18.85 止损卖出价格：18.25
19-10-31 买入价格：23.13 止损卖出价格：22.06
"""
复制代码
调用接口后返回的股票数据如下所示：
"""
High Low Open Close ... N1_High N2_Low atr14 signal
trade_date ...
2017-01-03 8.12 8.07 8.07 8.12 ... 8.12 8.12 0.10 0.0
2017-01-04 8.16 8.09 8.13 8.15 ... 8.15 8.12 0.10 0.0
2017-01-05 8.23 8.13 8.15 8.17 ... 8.17 8.12 0.10 0.0
2017-01-06 8.19 8.12 8.18 8.13 ... 8.17 8.12 0.10 0.0
2017-01-09 8.15 8.08 8.13 8.13 ... 8.17 8.12 0.10 0.0
... ... ... ... ... ... ... ... ... ...
2019-12-25 18.79 18.44 18.59 18.60 ... 21.60 18.36 0.72 0.0
2019-12-26 18.76 18.46 18.69 18.60 ... 21.53 18.36 0.69 0.0
2019-12-27 19.43 18.58 18.74 19.28 ... 21.53 18.36 0.70 0.0
2019-12-30 19.50 18.92 19.24 19.38 ... 21.03 18.36 0.69 0.0
2019-12-31 20.31 19.55 19.55 19.95 ... 20.71 18.36 0.71 0.0
[731 rows x 9 columns]
"""
复制代码
4、输出策略回测报告接口SimpleBackTest。
接口介绍如下：
# 执行简易策略回测接口，可参考《收益与风险维度度量策略效果》
# 输入参数
# :param data: stockdata 股票数据及交易信号
# :param data: code_name 股票名称
# :param data: cash_hold 回测资金
# 输出参数
# :return data: 添加回测结果的DataFrame格式股票数据
复制代码
接口使用例程如下：
df_stock = SimpleBackTest(df_stock, "新希望", 100000)
复制代码
调用接口后可打印输出最终资金、基准收益率、股票买卖记录等回测结果。
"""
新希望 回测结果
最终资金：132180.0
基准收益率：0.8988989891622865
策略收益率：0.046179711142093044
最大回撤点：trade_date 2019-10-18 0.58
"""
"""
17-01-03 买入新希望 12300股
17-01-13 卖出新希望 12300股
17-02-10 买入新希望 12100股
17-03-10 卖出新希望 12100股
17-03-24 买入新希望 11700股
17-03-31 卖出新希望 11700股
17-06-13 买入新希望 11600股
17-07-18 卖出新希望 11600股
17-11-03 买入新希望 12500股
17-12-01 卖出新希望 12500股
18-01-08 买入新希望 12000股
18-02-02 卖出新希望 12000股
18-05-17 买入新希望 13300股
18-05-31 卖出新希望 13300股
18-07-16 买入新希望 14500股
18-08-02 卖出新希望 14500股
18-11-05 买入新希望 14600股
18-11-28 卖出新希望 14600股
18-11-29 买入新希望 14500股
18-12-18 卖出新希望 14500股
19-01-07 买入新希望 13400股
19-03-15 卖出新希望 13400股
19-04-03 买入新希望 11100股
19-04-12 卖出新希望 11100股
19-05-06 买入新希望 9400股
19-05-09 卖出新希望 9400股
19-05-31 买入新希望 7300股
19-06-24 卖出新希望 7300股
19-07-16 买入新希望 6500股
19-07-23 卖出新希望 6500股
19-09-02 买入新希望 6200股
19-09-09 卖出新希望 6200股
19-10-11 买入新希望 6100股
19-10-21 卖出新希望 6100股
19-10-22 买入新希望 6000股
19-11-18 卖出新希望 6000股
"""
复制代码
另外，接口的返回值在DataFrame格式股票数据的基础上添加了每个交易日的动态回测数据。
"""
total per_total max_total Close max_close trend_profit benchmark_profit
trade_date
2017-01-03 99997.0 1.00 99997.0 8.12 8.12 NaN NaN
2017-01-04 100367.0 1.00 100367.0 8.15 8.15 3.69e-03 3.69e-03
2017-01-05 100613.0 1.00 100613.0 8.17 8.17 2.45e-03 2.45e-03
2017-01-06 100120.0 1.00 100613.0 8.13 8.17 -4.91e-03 -4.91e-03
2017-01-09 100120.0 1.00 100613.0 8.13 8.17 0.00e+00 0.00e+00
... ... ... ... ... ... ... ...
2019-12-25 146829.0 0.74 198468.0 18.60 23.20 0.00e+00 3.77e-03
2019-12-26 146829.0 0.74 198468.0 18.60 23.20 0.00e+00 0.00e+00
2019-12-27 146829.0 0.74 198468.0 19.28 23.20 0.00e+00 3.59e-02
2019-12-30 146829.0 0.74 198468.0 19.38 23.20 0.00e+00 5.17e-03
2019-12-31 146829.0 0.74 198468.0 19.95 23.20 0.00e+00 2.90e-02
[731 rows x 7 columns]
"""
复制代码
5、策略回测效果可视化接口DrawBackTest，该接口以图表形式输出回测结果。
接口介绍如下：
# 执行简易策略回测接口，可参考《收益与风险维度度量策略效果》
# 输入参数
# :param data: df_stockload股票数据/交易信号/回测结果数据
# :param data: code_name 股票名称
复制代码
接口使用例程如下：
DrawBackTest(df_stock, "新希望")
复制代码
调用接口后以图表形式输出回测结果。
 
6、账户类ST_Account，该类中提供了当前账户的剩余资金、持仓股数、总资产、交易操作等接口。
构造函数如下所示：
#可参考《择时策略融入ATR动态仓位管理》
def __init__(
self,init_hold={},
init_cash=1000000,
commission_coeff=0,
tax_coeff= 0):
"""
:param [dict] init_hold 初始化时的股票资产
:param [float] init_cash: 初始化资金
:param [float] commission_coeff: 交易佣金 :默认 万2.5(float类型 0.00025) 此处例程设定为0
:param [float] tax_coeff: 印花税 :默认 千1.5(float类型 0.001) 此处例程设定为0
"""
self.hold = init_hold
self.cash = init_cash
复制代码
创建账户的实例，如下所示：
account_a = ST_Account(dict(), 100000) # 账户A 持股数目和初始资金
account_b = ST_Account(dict(), 100000) # 账户B 持股数目和初始资金
复制代码
7、关于ATR头寸管理和动态仓位管理接口，分别由draw_graph类和run_add_postion类完成。
draw_graph包含了计算每日账户中的交易情况、绘制账户收益曲线等方法。
run_add_postion类继承了draw_graph，并且添加了动态仓位管理方法。为了体现ATR头寸管理和动态仓位管理的效果，我们在draw_graph类中默认观察2个资金账户，一个账户执行全仓买入卖出，另一个账户执行仓位管理。
测试例程如下所示：
#可参考《择时策略融入ATR动态仓位管理》
test_kind = u"test1" # test1:ATR头寸 / test2:动态仓位调整
fig = plt.figure(figsize=(16, 8), dpi=100, facecolor="white") # 创建fig对象
if test_kind == u"test1": # ATR头寸
app_graph_a = draw_graph(fig, df_stock, "600410.SS")
app_graph_a.draw_config()
else: # 动态仓位调整
app_graph_b = draw_add_postion(fig, df_stock, "600410.SS")
app_graph_b.draw_config()
plt.show()
复制代码
比如调用draw_graph的实例之后会以图表形式输出回测结果。
 
比如调用draw_add_postion的实例之后会输出动态仓位的调整信息。
"""
17-02-10 账户A 买入价格：8.13 买入股数：12300
17-02-10 账户B 买入价格：8.13 买入股数：11822
17-02-14 账户B 加仓价格：8.14 加仓股数：720
17-02-15 账户B 减仓价格：8.16 减仓股数：810
17-02-20 账户B 减仓价格：8.26 减仓股数：804
17-02-24 账户B 加仓价格：8.19 加仓股数：551
17-03-03 账户B 加仓价格：8.11 加仓股数：831
17-03-06 账户B 加仓价格：8.15 加仓股数：526
17-03-10 账户A 卖出价格：8.06 卖出股数：12300
17-03-10 账户B 卖出价格：8.06 卖出股数：12836
……
19-10-11 账户B 买入价格：18.62 买入股数：1368
19-10-18 账户A 卖出价格：18.06 卖出股数：5267
19-10-18 账户B 卖出价格：18.06 卖出股数：1368
19-10-22 账户A 买入价格：19.3 买入股数：4929
19-10-22 账户B 买入价格：19.3 买入股数：1407
19-11-01 账户A 卖出价格：22.09 卖出股数：4929
19-11-01 账户B 卖出价格：22.09 卖出股数：1407
"""
复制代码

总结

以上这些知识点都涵盖在课程中，此处我们提供给大家一个“索引”，旨在把知识点和所在课程中的位置相匹配起来。

同学们可以结合课程中参考的小节自己调试一番，通过这个过程使大家能够对量化交易的回测方面有更整体的掌握。