Every zipline algorithm consists of two functions you have to define:
- initialize(context)
- handle_data(context, data)
context
is a persistent namespace for you to store variables you need to access from one algorithm iteration to the next.Zipline的本地化回测应用主要涉及2大块内容:TradingEnvironment和TradingAlgorithm。
TradingEnvironment主要用于本地化交易环境设置,而TradingAlgorithm则是Zipline回测框架的主对象,可以理解为回测入口。TradingEnvironment本地化最重要的就是设置:
- tradingcalendar
- benchmarke_return
- treasury_return
tradingcalendar用于设置tradingdays,其默认已排除周六周日,因此只需要重写一个py文件将每年对应的holiday(国内假期)从tradingdays除去即可。
而benchmarke_return和treasury_return则作为策略回报的比较基准,将国内沪深300和对应各期限国债收益率通过重载load函数导入,将load函数对象传入至TradingEnvironment即可。
注意benchmarke_return为Pandas的Series对象,treasury_return为DataFrame对象,各期限必须包含1month ~ 10year间所有。
TradingAlgorithm的本地化则需要重点设置:simulation_parameters、initialize函数对象,handle_data函数对象。
simulation_parameters包括策略回测的起始日期和回测频率,回测起始日期必须通过Pandas的tz_localize本地化,而回测频率包含daily和minute两种方式。
而initialize函数与handle_data函数则用于策略初始化和模拟Bar周期反复回调所用。数据的准备:理论上Zipline只支持其内置的DataPortal类型,它是其回测模拟所有数据的接口。
考虑到通用性,Zipline目前也支持pandas的DataFrame和Panel,只不过它对DataFrame的支持就是将其很粗暴的转换为Panel来实现的。因此,就目前来说,Zipline只支持内置DataPortal和Pandas的Panel两种类型。所以,用户可以将任何本地可获取的数据首先转换为DataFrame,其index按日递增,columns为小写的open、high、low、close和volume等。然后以DataFrame为value,数据ticker为key来构建相对应的Panel作为回测本地化的标准数据输入。
Zipline回测框架学习
最新推荐文章于 2021-11-15 22:41:30 发布