七天打造一套量化交易系统：Day3-回测系统的选择、搭建及改造

前期回顾

专栏：七天打造一套量化交易系统

为了选择一个好的量化回测库，需要考虑许多方面。比如每个项目的成熟度、维护程度、教程文档是否完善、执行速度、功能性、灵活性等等。

Backtesting.py、VectorBT、Backtrader、Zipline、PyAlgotrade、PyBacktest 这些都是支持 Python 语言的量化回测库，我也都进行过测试使用。

VectorBT 对于以惊人的速度执行数千次迭代特别有用，Backtesting.py 是一个非常直观和成熟的库。这两个项目都在积极维护，并拥有一个蓬勃发展的用户社区，不断提供反馈，创建内容和教程。这也是我试用起来比较顺手的两个项目，借鉴之后自己搭建了更加适合自己的 miniQuant 量化回测系统。接下来对这三个系统进行逐一分享。

VectorBT

VectorBT 是回测量化策略最快的库，但是它的语法不太直观，并且基于向量的方法使得实现具有递归特征的策略变得具有挑战性。

VectorBT 优势

1、最快的可用库
2、优秀的文档
3、活跃社区
4、提供了大量的指南和教程
5、与TA Lib和Pandas TA的集成

VectorBT 缺点

1、新功能仅适用于专业版
2、观点化和不太直观的语法
3、量化策略实现难度大

// 基于 VectorBT 库实现的双均线策略回测代码示例
import vectorbt as vbt

price = data = get_data(ticker='AAPL',from_date='2020-01-01',to_date='2022-11-30')['Close']

fast_ma = vbt.MA.run(price, 12)
slow_ma = vbt.MA.run(price, 24)
entries = fast_ma.ma_crossed_above(slow_ma)
exits = fast_ma.ma_crossed_below(slow_ma)

pf = vbt.Portfolio.from_signals(price, entries, exits, init_cash=10_000,freq='1D')
pf.stats()
pf.plot()

VectorBT 回测绩效结果

VectorBT 回测交易记录

VectorBT 回测绩效绘图

Backtesting.py

Backtesting.py 是基于事件驱动结构实现的回测系统，事件驱动更适用于实盘中，一笔行情过来驱动一个或多个策略模块运行。但以事件驱动的方式进行回测，运行时间就会长很多。

Backtesting.py 优势

1、直观且易于上手
2、优秀的文档
3、活跃社区
4、提供了大量的指南和教程
5、事件驱动结构允许递归功能
6、与TA Lib和Pandas TA的集成

Backtesting.py 缺点

1、与基于向量的回溯器相比，执行速度较慢
2、无法测试投资组合或多资产策略

// 基于 Backtesting.py 库实现的双均线策略回测代码示例
import backtesting as bt
from backtesting import Strategy, Backtest
from backtesting.lib import crossover
import pandas as pd

def MovingAverage(closes:pd.Series, n:int) -> pd.Series:
    return pd.Series(closes).rolling(n).mean()

class SmaCross(Strategy):
    sma_fast = 12
    sma_slow = 24
    
    def init(self):
        self.sma1 = self.I(MovingAverage, self.data.Close, self.sma_fast)
        self.sma2 = self.I(MovingAverage, self.data.Close, self.sma_slow)

    def next(self):
        if not self.position and crossover(self.sma1, self.sma2):
            self.buy()
        elif self.position and crossover(self.sma2, self.sma1):
            self.position.close()

data = get_data(ticker='AAPL',from_date='2020-01-01',to_date='2022-11-30')
bt = Backtest(data, SmaCross, cash=10_000, commission=0,exclusive_orders=True)
stats = bt.run()
print(stats)
print(stats._trades)
bt.plot()

Backtesting.py 回测绩效结果

Backtesting.py 回测交易记录

Backtesting.py 回测绩效绘图

自研 miniQuant

前面提到 VectorBT 在量化回测中运行快，但是语法不易理解，编写策略的难度大；Backtesting.py 虽然易于上手，但其基于事件驱动运行比较慢。那有没有一个回测系统能够集这两个库的优点于一身，同时摒弃掉各自的缺点呢？目前还没有找到，那索性就自己造个轮子。

自研 miniQuant 实现思路也很简单，参考了 Backtesting.py 的架构，将回测中的事件驱动方式改成了循环模式，行情数据回放一遍的功夫，回测结果就出来了，运行效率大大提高。

自研的 miniQuant 可扩展性更强，各个模块独立开来，策略模块可以无缝接入实盘接口，同时也保留了用于实盘的事件驱动方式。

// 商品期货日内交易策略-HANS123 回测代码示例

from Strategy import Hans123
from DataFactory import DataFactory
from DrawChat import DrawChat

if __name__ == "__main__":
    # 策略参数，可扩展
    arg = {
        'data_path': './data/RBL8.csv',  # 行情数据路径
        'initial_equity': 10000,  # 初始权益
        'commission': 2,          # 手续费
        'price_tick': 10,         # 期货合约最小变动单位，股票基金等标的无需该参数默认填1
        'stop_surplus': 50,       # 止盈点数
        'stop_loss': -40,         # 止损点数
        'retrace_line': 5,        # 止盈后回撤反弹退出点数
        'start_minute': '31',     # 开始交易分钟数
    }

    hans123 = Hans123(arg=arg)
    hans123.run()

    # 获取策略运行分析结果
    anslysis_summary, daily_summary = hans123.anslysis()
    print("========回测结果=========")
    print(anslysis_summary)
    print("========每日汇总=========")
    print(daily_summary)

	details = hans123.get_trade_details()
    # 获取策略回测交易详情，平仓分析
    details_df, close_anslysis = hans123.get_trade_details_df()
    print("========逐笔交易=========")
    print(details_df)
    
    # 画图模块
    chat = DrawChat()
	chat.draw_fund_treand(arg['initial_equity'], 10, details, title)    

miniQuant 回测结果及交易记录

miniQuant 回测资金走势

miniQuant 绘制买卖点

从上面可以看到该策略交易了1382笔，如果把这些买卖点绘制在一张图上肯定画不下，所以提供了按单个交易日为单位绘制买卖点的方式，方便进行回测分析。

	# 画指定日期交易情况的买卖点
    details = hans123.get_trade_details('2021-06-09')
    # 获取指定日期的行情数据
    kline = hans123.get_kline_datas('2021-06-09')
    chat.draw_buy_sell_in_kline(kline, details)

这里的图就不放了，在上一篇文章中展示过买卖点的截图。【七天打造一套量化交易系统：Day2-量化交易策略基本模型及要点】