跟着小K开始零基础Python量化分析之旅 5: 闯荡量化江湖 —— 回测框架初体验

第五章：闯荡量化江湖 —— 回测框架初体验

在小K初步掌握了那条神秘的均线策略后，他的心中燃起了一个疑问：策略到底好不好？在充满传说的量化江湖里，只有经历过“照妖镜”——回测，才能看清策略的真面目。就在一个风和日丽的午后，小K下定决心亲自上阵，用自己的代码迎战历史数据，让数据为他揭示真相。今天，我们就跟着小K一步一步实现一个简单的回测框架，从数据生成、策略信号、模拟交易到图表展示，全程演示如何检验均线策略的威力。

---

故事情境

那天，小K像一位初出茅庐的侠客，面对着一座庞大而神秘的数据山。他记得前辈语重心长地说：“回测，是每个量化高手的试金石，是检验你武功高低的照妖镜。”这句话仿佛一道闪电击中了小K的心，让他迫不及待地想要一试身手。他打开电脑，决心用代码模拟一场“历史对决”，验证自己的均线策略是否能在市场上立足。

---

主要内容与完整演示

下面的代码将带你一步步构建回测框架。我们将从生成模拟数据开始，计算移动平均线，产生买卖信号，执行交易模拟，并最终绘制出价格走势和净值曲线。你可以直接复制下面的代码，在 Jupyter Notebook 或 Python 脚本中运行，亲自体验量化回测的乐趣！

1. 环境准备与数据生成

我们首先生成一份模拟的股票历史数据，这里采用随机漫步（Random Walk）的方式构造价格序列。代码中使用了 Pandas、NumPy 和 Matplotlib 库，请确保已安装这些依赖。

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

# 设置随机种子，确保结果可重复
np.random.seed(42)

# 生成500个交易日的模拟数据（以2022年1月1日为起点，按工作日生成）
dates = pd.date_range(start="2022-01-01", periods=500, freq='B')
# 模拟价格：从100起步，价格每天以正态分布的涨跌累积变化
prices = 100 + np.cumsum(np.random.normal(0, 1, size=len(dates)))

# 构造DataFrame
df = pd.DataFrame({
   "date": dates, "close": prices})
df.set_index("date", inplace=True)

# 显示数据前5行
print("模拟数据预览：")
print(df.head())

演示数据示例：

2. 计算移动平均线与生成买卖信号

接下来，我们计算两个常用的移动平均线：短期均线（5日）和长期均线（20日），并以此产生买入和卖出信号。基本思路是：当短期均线上穿长期均线时买入，当短期均线下穿长期均线时卖出。

# 计算5日和20日简单移动平均线（SMA）
df["MA5"] = df["close"].rolling(window=5).mean()
df["MA20"]