自建基于事件驱动的策略回测、因子/指标计算框架简介

一、概述

1、如果条件允许，实盘交易之前，将自己的策略用某种方式回测/复盘一下

做权益资产的量化投资，首先要有个自用的回测平台或者框架（以下简称回测框架），自己的投资思路在交易之前就能快速得到初步验证，如果这一步都不能通过，就不用花费更多时间、精力和金钱进行后续的仿真交易、实盘交易了。
有诗为证：“回测绩效好的策略不一定能赚钱，回测绩效不好的策略一定不能赚钱”

2、回测平台的选择

回测框架可以用任何自己熟悉或者顺手的语言来编写，也可以用商业化的黑盒平台，或者商业化的开放式平台，他们各有优缺点。
商业化平台的优点是功能成熟完备，而且有专职技术支持服务，常见的策略类型也有代码模板，方便使用者快速上手，缺点是有一些个性化的数据与功能无法短期内根据客户的需求加入，另外既然是商业化了，就有使用成本，有的平台费用还不低，后续如果想转换到其他平台，或者该平台不再对外提供回测框架服务，如果内嵌的语言差异比较大，将代码移植到新平台的工作量也不小。
自己编写的平台，其优缺点与商业化平台的大部分相反，优点是完全开源，只要有数据源，想加的数据和功能都能自己加，缺点是开发工作量大，功能没有那么成熟完备，有的功能实现受限于代码质量，效率没有那么高。每个人都可以根据自己的需求选择最合适的。

3、回测平台的结构

回测框架的核心结构类型一般分成两种，一种是矢量型，将各类市场数据进行矢量化计算，其优点是计算速度很快，结果很快就能出来，缺点是主要适用于比较简单、情况比较规整的场景，例外情况多时就不大好处理，另外不注意时有可能引用未来数据。
另外一种是事件驱动型，参考实际交易过程中，从产生交易信号，到信号变委托、委托变成交的整个过程，定义了相应的各类事件，以及每类事件发生时的相应措施。这类框架的优点是框架比较完整，只要有数据源，理论上能够处理所有市场交易中发生的事情，而且不大容易出现引用未来数据的情况，缺点是框架相对比较复杂，运行相同思路的策略，速度没有矢量型那么快。

我的回测平台是用python编写的事件驱动类型的无界面平台。

二、事件驱动型框架结构介绍

大致的框架如图所示。

简要介绍：
1、从数据源获得数据之后，根据数据源来源、内容的不同，分别保存到本地的 sqlite db、dolphin db、pickle files 中备用，并每日更新。
2、事件驱动管理中心（简称“管理中心”）是整个框架的核心，负责各类事件的定义、订阅、响应管理等。
3、基于管理中心，衍生出策略回测、策略运行、因子/指标计算三个应用。
4、应用在运行过程中产生的重要信息，根据内容的不同，分别保存到本地数据库或者本地文件中，策略回测的绩效统计形成带图表的绩效报告。
5、因为事件驱动框架下策略回测的思路与策略运行的思路比较接近，一个策略如果回测阶段合格，转入运行阶段时，核心代码修改量比较小，只要切换一下委托撮合与账户信息获取等方法即可。
6、采用事件驱动框架计算因子/指标，只用处理行情事件，在同一个时间横截面上，计算所有安排计划中指标/因子的当期值。这样处理的优点是，一次性更新所有指标/因子，并立即入库。如果中途发生中断，下次计算，所有指标/因子都在中断日继续往下计算。并且虽然首次计算并入库时比较费时间，后续每日更新时，所用时间并不是很多；缺点是如果指标/因子的参数值发生变化了，需要将其历史值单独重算后加入。

三、策略类别

目前将策略分成三大类：
1、只择时的策略
基于各类技术指标，对指定的权益资产进行择时（比如各类CTA策略）。目前暂时没有把期货合约的数据纳入，主要是对指数、基金、股票择时。

2、只选股的策略
基于各类因子，定期对资产池中的权益资产进行横截面选股，并形成资产组合。

3、既择时也选股
基于指标，对指数进行择时（即判断指数方向），如果方向向上，就进行选股。

四、运行效果展示

（以下策略都没有考虑交易成本和滑点，仅用于展示，不代表最终效果）
1、指数择时策略：对沪深300指数择时

2、指数择时，股票选股策略：
对沪深300指数进行择时（选方向），处于上行状态时根据bp、roe选股。

3、定期选股策略：每个月最后一个交易日，根据bp、roe选股。

五、相关资源

此框架最初的版本在 这里，感兴趣的可以去看看。