东阳网站推广,无障碍网站建设标准,中小企业网站建设新闻,塘厦初级中学文章目录 7.1 pandas计算策略评估指标数据准备净值曲线年化收益率波动率最大回撤Alpha系数和Beta系数夏普比率信息比率 7.2 聚宽平台量化回测实践平台介绍策略实现 7.3 Backtrader平台量化回测实践Backtrader简介Backtrader量化回测框架实践 7.4 BigQuant量化框架实战BigQuant简… 文章目录 7.1 pandas计算策略评估指标数据准备净值曲线年化收益率波动率最大回撤Alpha系数和Beta系数夏普比率信息比率 7.2 聚宽平台量化回测实践平台介绍策略实现 7.3 Backtrader平台量化回测实践Backtrader简介Backtrader量化回测框架实践 7.4 BigQuant量化框架实战BigQuant简介策略实现 7.5 手写回测代码 - 手把手实现一个傻瓜式量化回测框架为什么为什么要开发为什么叫傻瓜式解决什么痛点 怎么用引入StupidHead.py编写策略回测策略参数优化 框架原理和细节more 7.1 pandas计算策略评估指标
本章节介绍关于金融量化分析的一些基本概念如年华收益率、基准年化收益率、最大回撤等。在严格的量化策略回测中这些概念都是需要掌握并熟练使用的这样能够全面的评估量化策略。市面上很多策略回测笼统地使用所谓的“胜率”来确定策略的好坏这是一种非常业余而且不可靠的分析方法。在衡量基金业绩好坏的时候大部分人也只是看基金的年化收益忽略了基金的风险情况波动率。市场中充斥着大量类似的业余的分析方法这些方法导致很多所谓的回测看起来很美好其实在统计上根本站不住脚即所谓的“统计骗局”。 因此在量化回测过程中需要从收益、稳定性、胜率、风险四个方面来综合评估策略好坏。熟练掌握评估指标还能够帮助大家识别一些经典“骗局”如
只展示基金的年化收益而不提基金的波动率或者最大回撤使用周收益率来计算夏普比率而不是使用日收益率来计算
数据准备
为了帮助大家深入了解指标计算逻辑和实现方式本章节采用指标讲解和代码实现相结合的方式进行讲解。再具体计算过程中选择的目标标的是贵州茅台600519.SH、工商银行601398.SH、中国平安601318.SH策略基准是沪深300指数000300.XSHG策略采用最简单的方式买入持有。持有周期为20180101 - 20221231共1826个自然日。数据获取如下所示
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import tushare as ts
%matplotlib inline # 无视warning
import warnings
warnings.filterwarnings(ignore)# 正常显示画图时出现的中文和负号
from pylab import mpl
mpl.rcParams[font.sans-serif][SimHei]
mpl.rcParams[axes.unicode_minus]False#起始和结束日期可以自行输入否则使用默认
def get_data(code, start_date, end_date):# 配置 tushare tokenmy_token XXXXX pro ts.pro_api(my_token)df pro.daily(ts_codecode, start_datestart_date, end_dateend_date)df.index pd.to_datetime(df.trade_date)return df.close#以上证综指、贵州茅台、工商银行、中国平安为例
stocks{600519.SH:贵州茅台,601398.SH:工商银行,601318.SH:中国平安
}df pd.DataFrame()
for code,name in stocks.items():df[name] get_data(code, 20180101, 20221231)# 按照日期正序
df df.sort_index()# 本地读入沪深300合并
df_base pd.read_csv(000300.XSHG_2018_2022.csv)
df_base.index pd.to_datetime(df_base.trade_date)
df[沪深300] df_base[close]净值曲线
净值曲线是一组时间序列的曲线其含义表示为股票或基金在不同时间的价值相对于期初的价值的倍数。 再具体分析中我们可以将期初价格定位1那么如果你在当前时间点手里的净值是1.4就意味着当前时间的资产价值是期初的1.4倍。
# 以第一交易日2018年1月1日收盘价为基点计算净值并绘制净值曲线
df_worth df / df.iloc[0]
df_worth.plot(figsize(15,6))
plt.title(股价净值走势, fontsize10)
plt.xticks(pd.date_range(20180101,20221231,freqY),fontsize10)
plt.show()年化收益率
累计收益率 R t P T − P t P t R_t \frac{P_T - P_{t}} {P_{t}} RtPtPT−Pt P T P_T PT 表示在期末资产的价格 P t P_{t} Pt 表示期初资产价格。
年化收益率 R p ( 1 R ) m n − 1 R_p (1 R)^\frac{m}{n} - 1 Rp(1R)nm−1 R R R 表示期间总收益率m是与n可以是天数、周数、月数相对应的计算周期根据计算惯例m252、52、12分别指代日、周、月向年化的转换n为期间自然日天数。
年化收益的一个直观的理解是假设按照某种盈利能力换算成一年的收益大概能有多少。这个概念常常会存在误导性比如这个月股票赚了5%在随机波动的市场中这是很正常的现象。如果据此号称年化收益为5%×12个月60%这就显得不太可信了实际上每个月的收益不可能都这么稳定。所以在听到有人说年化收益的时候需要特别留意一下具体的情况否则很容易被误导。
# 区间累计收益率(绝对收益率)
total_return df_worth.iloc[-1]-1
total_return pd.DataFrame(total_return.values,columns[累计收益率],indextotal_return.index)
total_return# 年化收益率
annual_return pd.DataFrame((1 total_return.values) ** (252 / 1826) - 1,columns[年化收益率],indextotal_return.index)
annual_return波动率
波动率是对收益变动的一种衡量本质也是风险波动率和风险都是用来衡量收益率的不确定性的。我们用方差来表示年波动率等于策略收益和无风险收益的标准差除以其均值再除以交易日倒数的平方根通常交易日取252天。 V o l a t i l i t y 252 n − 1 ∑ i 1 n ( r p − r p ^ ) 2 Volatility \sqrt{\frac{252}{n-1} \sum\limits_{i1}^n (r_p - \hat{r_p})^2} Volatilityn−1252i1∑n(rp−rp^)2 r p r_p rp表示策略每日收益率 r p ^ \hat{r_p} rp^表示策略每日收益率的平均值 n n n表示策略执行天数
df_return df / df.shift(1) - 1
df_return ((df_return.iloc[1:] - df_return.mean()) ** 2)volatility pd.DataFrame(np.sqrt(df_return.sum() * 252 / (1826-1)),columns[波动率],indextotal_return.index)
volatility最大回撤
选定周期内任一历史时点往后推于最低点时的收益率回撤幅度的最大值。最大回撤用来描述可能出现的最糟糕的情况。最大回撤是一个重要的风险指标对于量化策略交易该指标比波动率还重要。 P为某一天的净值i为某一天j为i后的某一天Pi为第i天的产品净值Pj则是Pi后面某一天的净值
则该资产的最大回撤计算如下 M a x D r a w d o w n m a x ( P i − P j ) P i MaxDrawdown \frac{max(P_i - P_j)} {P_{i}} MaxDrawdownPimax(Pi−Pj)
def max_drawdown_cal(df):md ((df.cummax() - df)/df.cummax()).max()return round(md, 4)max_drawdown {}stocks{600519.SH:贵州茅台,601398.SH:工商银行,601318.SH:中国平安,000300.XSHG: 沪深300
}for code,name in stocks.items():max_drawdown[name]max_drawdown_cal(df[name])max_drawdown pd.DataFrame(max_drawdown,index[最大回撤]).T
max_drawdown Alpha系数和Beta系数
关于Alpha系数和Beta系数有很多详尽的解释这里就用最简单的一句话来帮助大家简单理解。Beta系数代表投资中的系统风险而在投资中除了系统风险外还面临着市场波动无关的非系统性风险。 Alpha系数就代表投资中的非系统性风险是投资者获得与市场波动无关的回报。
可以使用资本资产定价模型CAPM来估计策略的beta和alpha值CAPM模型为 E ( r i ) r f β ( E ( r m ) − r f ) E(r_i) r_f \beta(E(r_m) - r_f) E(ri)rfβ(E(rm)−rf) E ( r i ) E(r_i) E(ri)表示投资组合的预期收益率 r f r_f rf表示无风险利率 r m r_m rm表示市场指数收益率 β \beta β表示股市波动风险与投资机会中的结构性与系统性风险。
因此CAPM的计量模型可以表示为 r i α β r m ϵ α r_i \alpha \beta r_m \epsilon_\alpha riαβrmϵα ϵ α \epsilon_\alpha ϵα表示随机扰动可以理解为个体风险
from scipy import stats#计算每日收益率 收盘价缺失值停牌使用前值代替
rets(df.iloc[:,:4].fillna(methodpad)).apply(lambda x:x/x.shift(1)-1)[1:]#市场指数为x个股收益率为y
x rets.iloc[:,3].values
y rets.iloc[:,:3].values
capm pd.DataFrame()
alpha []
beta []
for i in range(3):b, a, r_value, p_value, std_errstats.linregress(x,y[:,i])#alpha转化为年化alpha.append(round(a*250,3))beta.append(round(b,3))capm[alpha]alpha
capm[beta]beta
capm.indexrets.columns[:3]
#输出结果
capm夏普比率
夏普比率sharpe ratio表示每承受一单位总风险会产生多少的超额报酬该比率越高。夏普比率是在资本资产定价模型进一步发展得来的。 S h a r p e R a t i o R p − R f σ p SharpeRatio \frac{R_p - R_f} {\sigma_p} SharpeRatioσpRp−Rf R p R_p Rp表示策略年化收益率 R F R_F RF表示无风险收益率 σ p \sigma_p σp表示年化标准差
# 超额收益率以无风险收益率为基准 假设无风险收益率为年化3%
ex_returnrets - 0.03/250# 计算夏普比率
sharpe_rationp.sqrt(len(ex_return))*ex_return.mean()/ex_return.std()
sharpe_ratiopd.DataFrame(sharpe_ratio,columns[夏普比率])
sharpe_ratio信息比率
信息比率含义与夏普比率类似只不过其参照基准不是无风险收益率而是策略的市场基准收益率。 I n f o r m a t i o n R a t i o R p − R f σ t InformationRatio \frac{R_p - R_f} {\sigma_t} InformationRatioσtRp−Rf R p R_p Rp表示策略年化收益率 R F R_F RF表示无风险收益率 σ t \sigma_t σt表示策略与基准每日收益率差值的年化标准差
###信息比率
ex_return pd.DataFrame()
ex_return[贵州茅台]rets.iloc[:,0]-rets.iloc[:,3]
ex_return[工商银行]rets.iloc[:,1]-rets.iloc[:,3]
ex_return[中国平安]rets.iloc[:,2]-rets.iloc[:,3]#计算信息比率
information_ratio np.sqrt(len(ex_return))*ex_return.mean()/ex_return.std()
#信息比率的输出结果
information_ratio pd.DataFrame(information_ratio,columns[信息比率])
information_ratio 7.2 聚宽平台量化回测实践
平台介绍
聚宽https://www.joinquant.com/ 成立于2015年5月是一家量化交易平台为投资者提供做量化交易的工具与服务帮助投资者更好地做量化交易。 整体来看聚宽具有以下几点优势
聚宽让做量化交易的成本极大降低提供多种优质的便于取用的数据提供投资研究功能便于自由地统计、研究、学习等提供多种的策略评价指标与评价维度支持多种策略的编写、回测、模拟、实盘具备丰富且活跃的量化社区可以发帖、学习、比赛等。
策略实现
本部分将介绍如何在聚宽平台实现一个双均线策略具体参照ch05择时策略并且在聚宽平台上进行回测 来测试整体收益率。
策略代码如下核心点有
选择标的为002594.XSHE 比亚迪选择基准为000300.XSHG 沪深300策略为当5日线金叉10日线全仓买入当5日线死叉10日线全仓卖出。
# 导入函数库
from jqdata import *# 初始化函数设定基准等等
def initialize(context):# 设定沪深上证作为基准set_benchmark(000300.XSHG)# 开启动态复权模式(真实价格)set_option(use_real_price, True)# 输出内容到日志 log.info()log.info(初始函数开始运行且全局只运行一次)# 过滤掉order系列API产生的比error级别低的log# log.set_level(order, error)### 股票相关设定 #### 股票类每笔交易时的手续费是买入时佣金万分之三卖出时佣金万分之三加千分之一印花税, 每笔交易佣金最低扣5块钱set_order_cost(OrderCost(close_tax0.001, open_commission0.0003, close_commission0.0003, min_commission5), typestock)## 运行函数reference_security为运行时间的参考标的传入的标的只做种类区分因此传入000300.XSHG或510300.XSHG是一样的# 开盘前运行run_daily(before_market_open, timebefore_open, reference_security000300.XSHG)# 开盘时运行run_daily(market_open, timeopen, reference_security000300.XSHG)# 收盘后运行run_daily(after_market_close, timeafter_close, reference_security000300.XSHG)## 开盘前运行函数
def before_market_open(context):# 输出运行时间log.info(函数运行时间(before_market_open)str(context.current_dt.time()))# 给微信发送消息添加模拟交易并绑定微信生效# send_message(美好的一天~)# 要操作的股票比亚迪g.为全局变量g.security 002594.XSHE## 开盘时运行函数
def market_open(context):log.info(函数运行时间(market_open):str(context.current_dt.time()))security g.security# 获取股票的收盘价close_data5 get_bars(security, count5, unit1d, fields[close])close_data10 get_bars(security, count10, unit1d, fields[close])# close_data20 get_bars(security, count20, unit1d, fields[close])# 取得过去五天十天的平均价格MA5 close_data5[close].mean()MA10 close_data10[close].mean()# 取得上一时间点价格#current_price close_data[close][-1]# 取得当前的现金cash context.portfolio.available_cash# 五日均线上穿十日均线if (MA5 MA10) and (cash 0):# 记录这次买入log.info(5日线金叉10日线买入 %s % (security))# 用所有 cash 买入股票order_value(security, cash)# 五日均线跌破十日均线elif (MA5 MA10) and context.portfolio.positions[security].closeable_amount 0:# 记录这次卖出log.info(5日线死叉10日线, 卖出 %s % (security))# 卖出所有股票,使这只股票的最终持有量为0for security in context.portfolio.positions.keys():order_target(security, 0)## 收盘后运行函数
def after_market_close(context):log.info(str(函数运行时间(after_market_close):str(context.current_dt.time())))#得到当天所有成交记录trades get_trades()for _trade in trades.values():log.info(成交记录str(_trade))log.info(一天结束)log.info(##############################################################)在聚宽上回测策略结果如下虽然策略整体具备较好的收益但需要提示的是该策略并不稳定。
该策略带入了后验知识。因为我们大致知道2018-2020年左右比亚迪处于上涨周期该周期内基本上五日线在10日线以上。该策略会有很强的回撤。例如回测的后半段该策略已经开始较大幅度回撤因此需要结合其他策略来进行止盈止损。该策略回测周期不够长。本策略仅回测了两年并且处于较强周期内因此不具备较强的回测意义。 7.3 Backtrader平台量化回测实践
Backtrader简介
Backtrader是一款基于Python的开源的量化回测框架功能完善安装简单。 Backtrader官方文档(英文) https://www.backtrader.com/docu/ Backtrader非官方文档(中文) https://www.heywhale.com/mw/project/63857587d0329ee911dcd7f2
Backtrader量化回测框架实践
本部分将介绍如何在Backtrader实现一个双均线策略具体参照ch05择时策略并且在该平台上进行回测 来测试整体收益率。
策略代码如下核心点有
选择标的为002594.XSHE 比亚迪选择基准为000300.XSHG 沪深300策略为当5日线金叉10日线全仓买入当5日线死叉10日线全仓卖出。
# 导入函数库
from __future__ import (absolute_import, division, print_function, unicode_literals)
import datetime
import pymysql
import pandas as pd
import backtrader as bt
import tushare as ts
import numpy as np# 数据获取(从Tushare中获取数据)数据获取一般都是通过连接数据库从数据库中读取对于不了解数据库来源的新手可以从Tushare中直接获取数据def get_data(stock_code):stock_code:股票代码,类型: strreturn: 股票日线数据,类型: DataFrametoken Tushare token # 可通过进入个人主页-接口TOKEN获得ts.set_token(token)pro ts.pro_api(token)data_daily pro.daily(ts_code stock_code, start_date20180101, end_date20230101)data_daily[trade_date] pd.to_datetime(data_daily[trade_date])data_daily data_daily.rename(columns{vol: volume})data_daily.set_index(trade_date, inplaceTrue) data_daily data_daily.sort_index(ascendingTrue)dataframe data_dailydata_daily[openinterest] 0dataframe[openinterest] 0data bt.feeds.PandasData(datanamedataframe,fromdatedatetime.datetime(2018, 1, 1),todatedatetime.datetime(2023, 1, 1))return data# 双均线策略实现
class DoubleAverages(bt.Strategy):# 设置均线周期params ((period_data5, 5),(period_data10, 10))# 日志输出def log(self, txt, dtNone):dt dt or self.datas[0].datetime.date(0)print(%s, %s % (dt.isoformat(), txt))def __init__(self):# 初始化数据参数self.dataclose self.datas[0].close # 定义变量dataclose,保存收盘价self.order None # 定义变量order,用于保存订单self.buycomm None # 定义变量buycomm,记录订单佣金self.buyprice None # 定义变量buyprice,记录订单价格self.sma5 bt.indicators.SimpleMovingAverage(self.datas[0], periodself.params.period_data5) # 计算5日均线self.sma10 bt.indicators.SimpleMovingAverage(self.datas[0], periodself.params.period_data10) # 计算10日均线def notify_order(self, order):if order.status in [order.Submitted, order.Accepted]: # 若订单提交或者已经接受则返回returnif order.status in [order.Completed]:if order.isbuy():self.log(Buy Executed, Price: %.2f, Cost: %.2f, Comm: %.2f %(order.executed.price, order.executed.value, order.executed.comm))self.buyprice order.executed.priceself.buycomm order.executed.commelse:self.log(Sell Executed, Price: %.2f, Cost: %.2f, Comm: %.2f %(order.executed.price, order.executed.value, order.executed.comm))self.bar_executed len(self)elif order.status in [order.Canceled, order.Margin, order.Rejected]:self.log(Order Canceled/Margin/Rejected)self.order Nonedef notify_trade(self, trade):if not trade.isclosed: # 若交易未关闭则返回returnself.log(Operation Profit, Total_Profit %.2f, Net_Profit: %.2f %(trade.pnl, trade.pnlcomm)) # pnl表示盈利, pnlcomm表示手续费def next(self): # 双均线策略逻辑实现self.log(Close: %.2f % self.dataclose[0]) # 打印收盘价格if self.order: # 检查是否有订单发送returnif not self.position: # 检查是否有仓位if self.sma5[0] self.sma10[0]:self.log(Buy: %.2f % self.dataclose[0])self.order self.buy()else:if self.sma5[0] self.sma10[0]:self.log(Sell: %.2f % self.dataclose[0])self.order self.sell()if __name__ __main__:cerebro bt.Cerebro() # 创建策略容器cerebro.addstrategy(DoubleAverages) # 添加双均线策略data get_data(000001.SZ)cerebro.adddata(data) # 添加数据cerebro.broker.setcash(10000.0) # 设置资金cerebro.addsizer(bt.sizers.FixedSize, stake100) # 设置每笔交易的股票数量cerebro.broker.setcommission(commission0.01) # 设置手续费print(Starting Portfolio Value: %.2f % cerebro.broker.getvalue()) # 打印初始资金cerebro.run() # 运行策略print(Final Portfolio Value: %.2f % cerebro.broker.getvalue()) # 打印最终资金cerebro.plot()7.4 BigQuant量化框架实战
BigQuant简介
BigQuant是一个人工智能量化投资平台。 BigQuant官网 https://bigquant.com/
策略实现
本部分将介绍如何在BigQuant实现一个双均线策略具体参照ch05择时策略并且在该平台上进行回测 来测试整体收益率。
策略代码如下核心点有
选择标的为600519.SHA 贵州茅台、601392.SHA 工商银行选择基准为000300.HIX 沪深300策略为当5日线金叉10日线全仓买入当5日线死叉10日线全仓卖出。
from bigdatasource.api import DataSource
from biglearning.api import M
from biglearning.api import tools as T
from biglearning.module2.common.data import Outputsimport pandas as pd
import numpy as np
import math
import warnings
import datetimefrom zipline.finance.commission import PerOrder
from zipline.api import get_open_orders
from zipline.api import symbolfrom bigtrader.sdk import *
from bigtrader.utils.my_collections import NumPyDeque
from bigtrader.constant import OrderType
from bigtrader.constant import Directiondef m3_initialize_bigquant_run(context):context.set_commission(PerOrder(buy_cost0.0003, sell_cost0.0013, min_cost5))def m3_handle_data_bigquant_run(context, data):today data.current_dt.strftime(%Y-%m-%d) stock_hold_now {e.symbol: p.amount * p.last_sale_pricefor e, p in context.perf_tracker.position_tracker.positions.items()}cash_for_buy context.portfolio.cash try:buy_stock context.daily_stock_buy[today] except:buy_stock[] try:sell_stock context.daily_stock_sell[today] except:sell_stock[] stock_to_sell [ i for i in stock_hold_now if i in sell_stock ]stock_to_buy [ i for i in buy_stock if i not in stock_hold_now ] stock_to_adjust[ i for i in stock_hold_now if i not in sell_stock ]if len(stock_to_sell)0:for instrument in stock_to_sell:sid context.symbol(instrument) cur_position context.portfolio.positions[sid].amount if cur_position 0 and data.can_trade(sid):context.order_target_percent(sid, 0) cash_for_buy stock_hold_now[instrument]if len(stock_to_buy)len(stock_to_adjust)0:weight 1/(len(stock_to_buy)len(stock_to_adjust)) for instrument in stock_to_buystock_to_adjust:sid context.symbol(instrument) if data.can_trade(sid):context.order_target_value(sid, weight*cash_for_buy) def m3_prepare_bigquant_run(context):df context.options[data].read_df()def open_pos_con(df):return list(df[df[buy_condition]0].instrument)def close_pos_con(df):return list(df[df[sell_condition]0].instrument)context.daily_stock_buy df.groupby(date).apply(open_pos_con)context.daily_stock_sell df.groupby(date).apply(close_pos_con)m1 M.input_features.v1(features# #号开始的表示注释
# 多个特征每行一个可以包含基础特征和衍生特征
buy_conditionwhere(mean(close_0,5)mean(close_0,10),1,0)
sell_conditionwhere(mean(close_0,5)mean(close_0,10),1,0),m_cachedFalse
)m2 M.instruments.v2(start_dateT.live_run_param(trading_date, 2019-03-01),end_dateT.live_run_param(trading_date, 2021-06-01),marketCN_STOCK_A,instrument_list600519.SHA
601392.SHA,max_count0
)m7 M.general_feature_extractor.v7(instrumentsm2.data,featuresm1.data,start_date,end_date,before_start_days60
)m8 M.derived_feature_extractor.v3(input_datam7.data,featuresm1.data,date_coldate,instrument_colinstrument,drop_naFalse,remove_extra_columnsFalse
)m4 M.dropnan.v2(input_datam8.data
)m3 M.trade.v4(instrumentsm2.data,options_datam4.data,start_date,end_date,initializem3_initialize_bigquant_run,handle_datam3_handle_data_bigquant_run,preparem3_prepare_bigquant_run,volume_limit0.025,order_price_field_buyopen,order_price_field_sellopen,capital_base1000000,auto_cancel_non_tradable_ordersTrue,data_frequencydaily,price_type后复权,product_type股票,plot_chartsTrue,backtest_onlyFalse,benchmark000300.HIX
) 7.5 手写回测代码 - 手把手实现一个傻瓜式量化回测框架
为什么
为什么要开发
为了避免重复造轮子简化策略的回测开发该框架VNPY等框架 过于复杂继承嵌套太多不易理解回测需填入合约名称、保证金比率、手续费等详细参数但对于一个策略的雏形验证往往不需要这么精细有时候回测标的是指数或估值市场上并没有相关合约
为什么叫傻瓜式 无需安装只需引用一个StupidHead.py文件 架构简单没有复杂的类继承及嵌套关系纯函数模式 策略编写简单
解决什么痛点 回测结果表现无需手写 封装常用技术指标 策略参数优化问题 可直接对接模拟盘、实盘
怎么用
引入StupidHead.py talib安装 技术指标库调用C的talib库安装有点麻烦步骤如下 先解压下面文件到C:\ta-lib ta-lib-0.4.0-msvc.zip 安装C编译包 vc_redist.x64.exe 安装talib CtrlF 找到对应版本的的ta-lib包下载到本地pip安装 https://www.lfd.uci.edu/~gohlke/pythonlibs/ pip install TA_Lib-0.4.17-cp37-cp37m-win_amd64.whl# %% 引入包
import pandas as pd
import math
import matplotlib.pyplot as plt
import talib # http://mrjbq7.github.io/ta-lib/doc_index.html
import numpy as np
from sqlalchemy import create_engine
from hyperopt import tpe, hp, fmin, STATUS_OK, Trials
from hyperopt.pyll.base import scope
import importlib
import warningswarnings.filterwarnings(ignore)plt.rcParams[font.sans-serif] SimHei
plt.rcParams[axes.unicode_minus] False# %% 自定义函数def setpos(pos, *args):HQDf args[1]idx args[2]HQDf.loc[idx, pos] posdef CalculateResult(HQDf):def get_max_drawdown(array):array pd.Series(array)cummax array.cummax()return array / cummax - 1# HQDf HQDf.fillna(methodffill)HQDf HQDf.fillna(0)HQDf[base_balance] HQDf.close / HQDf.close[0] # 基准净值HQDf[chg] HQDf.close.pct_change() # 单日涨跌幅# 计算策略净值HQDf[strategy_balance] 1.0for i in range(0, len(HQDf)):if i 0:HQDf.loc[HQDf.index[i], strategy_balance] HQDf.iloc[i - 1][strategy_balance] * (1. HQDf.iloc[i][chg] * HQDf.iloc[i - 1][pos])HQDf[drawdown] get_max_drawdown(HQDf[strategy_balance]) # 回撤StatDf {}StatDf[MaxDrawDown] min(HQDf[drawdown]) # 最大回撤StatDf[return] HQDf[strategy_balance][-1] - 1 # 区间收益# 计算年化收益years (HQDf.index[-1] - HQDf.index[0]).days / 365if years 1:StatDf[yearReturn] StatDf[return] / yearselse:StatDf[yearReturn] (HQDf[strategy_balance][-1] / 1) ** (1 / years) - 1StatDf[return/maxdrawdown] -1 * StatDf[return] / StatDf[MaxDrawDown]# 计算夏普比x HQDf[strategy_balance] / HQDf[strategy_balance].shift(1)x[x 0] np.nanHQDf[return] np.log(x).fillna(0)daily_return HQDf[return].mean() * 100return_std HQDf[return].std() * 100daily_risk_free 0.015 / np.sqrt(240)StatDf[sharpe_ratio] (daily_return - daily_risk_free) / return_std * np.sqrt(240)# HQDf HQDf.dropna()return HQDf, StatDfdef plotResult(HQDf):fig, axes plt.subplots(4, 1, figsize(16, 12))HQDf.loc[:, [base_balance, strategy_balance]].plot(axaxes[0], title净值曲线)HQDf.loc[:, [drawdown]].plot(axaxes[1], title回撤, kindarea)HQDf.loc[:, [pos]].plot(axaxes[2], title仓位, kindarea, stackedFalse)HQDf[empty] HQDf.close[HQDf.pos 0]HQDf[long] HQDf.close[HQDf.pos 0]HQDf[short] HQDf.close[HQDf.pos 0]HQDf.loc[:, [long, short, empty]].plot(axaxes[3], title开平仓点位, color[r, g, grey])plt.show()def CTA(HQDf, loadBars, func, **kwargs):HQDf[pos] np.nan# for idx, hq in tqdm(HQDf.iterrows()):for idx, hq in HQDf.iterrows():TradedHQDf HQDf[:idx]idx_num TradedHQDf.shape[0]if idx_num loadBars:continuefunc(TradedHQDf, HQDf, idx, idx_num, **kwargs)HQDf[:idx].pos HQDf[:idx].pos.fillna(methodffill)HQDf, StatDf CalculateResult(HQDf)# print(StatDf)return HQDf, StatDfdef hypeFun(space, target):贝叶斯超参数优化:param space: 参数空间:param target: 优化目标:return:def hyperparameter_tuning(params):HQDf, StatDf CTA(**params)return {loss: -StatDf[target], status: STATUS_OK}trials Trials()best fmin(fnhyperparameter_tuning,spacespace,algotpe.suggest,max_evals100,trialstrials)print(Best: {}.format(best))return trials, best
from StupidHead import *编写策略
策略逻辑 TradedHQDf 历史行情DataFrame函数内第一行 TradedHQDf args[0] 开多、开空、空仓通过setpos函数即可 setpos(1, *args) ——满仓开多setpos(-1, *args) ——满仓开空setpos(0, *args) ——空仓setpos(0.5, *args) ——50%仓位开多setpos(-0.5, *args) ——50%仓位开空
def doubleMa(*args, **kwargs):TradedHQDf args[0]fast_ma talib.SMA(TradedHQDf.close, timeperiodkwargs[fast])fast_ma0 fast_ma[-1]fast_ma1 fast_ma[-2]slow_ma talib.SMA(TradedHQDf.close, timeperiodkwargs[slow])slow_ma0 slow_ma[-1]slow_ma1 slow_ma[-2]cross_over fast_ma0 slow_ma0 and fast_ma1 slow_ma1cross_below fast_ma0 slow_ma0 and fast_ma1 slow_ma1if cross_over:setpos(1, *args)elif cross_below:setpos(-1, *args)回测策略
T888_1d.csv
T888_15m.csv
from stupids.StupidHead import *def doubleMa(*args, **kwargs):TradedHQDf args[0]fast_ma talib.SMA(TradedHQDf.close, timeperiodkwargs[fast])fast_ma0 fast_ma[-1]fast_ma1 fast_ma[-2]slow_ma talib.SMA(TradedHQDf.close, timeperiodkwargs[slow])slow_ma0 slow_ma[-1]slow_ma1 slow_ma[-2]cross_over fast_ma0 slow_ma0 and fast_ma1 slow_ma1cross_below fast_ma0 slow_ma0 and fast_ma1 slow_ma1if cross_over:setpos(1, *args)elif cross_below:setpos(-1, *args)if __name__ __main__:HQDf pd.read_csv(data\T888_1d.csv, index_coldate)HQDf.index pd.to_datetime(HQDf.index)ctaParas {fast: 5, slow: 10}ResultTSDf, StatDf CTA(HQDf, 30, doubleMa, **ctaParas)plotResult(ResultTSDf)
参数优化 采用机器学习中贝叶斯超参数优化方法以极短的时间寻找出最优参数 # sapce 是参数空间定义贝叶斯搜索的空间
# func 技术指标名称
# fast slow 为技术指标的参数范围
space {HQDf: HQDf,loadBars: 40,func: doubleMa,fast: hp.quniform(fast, 3, 30, 1),slow: hp.quniform(slow, 5, 40, 1),}# 调用贝叶斯搜索第一个参数为参数空间第二个为优化目标求解优化目标极值
trials, best hypeFun(space, sharpe_ratio)BestResultTSDf, BestStatDf CTA(HQDf, 30, doubleMa, **best)
plotResult(BestResultTSDf)
框架原理和细节
more
修改setpos(pos, *args)行情订阅可以直接变为实盘可以添加组合回测功能完善代码可读性
