【量化交易】研究模块调用回测功能、【暂还没对InitialPositions后的深入探究】

为了进一步打通研究模块与回测模块，我们增加了在研究中调用回测的新功能。

主要功能如下：

1. 可以在研究中创建回测
2. 设定初始持仓
3. 设定全局变量值
4. 获取回测状态
5. 获得回测参数
6. 获得收益曲线
7. 获得持仓详情
8. 获得交易详情
9. 获得所有 record 记录
10. 获得总的风险指标
11. 获得分月计算的风险指标

具体功能参看 API - 研究中创建回测函数

具体用法见下面的研究内容。

 

研究模块调用回测功能

首先打开策略编译页面，找到algorithmId， 如下所示(上方红色隐去的部分)：

测试所使用的代码如下所示：

def initialize(context):
    # 定义一个全局变量, 保存要操作的股票
    # 000001(股票:平安银行)
    g.security = '000001.XSHE'
    # 初始化此策略
    # 设置我们要操作的股票池, 这里我们只操作一支股票
    set_universe([g.security])
    # 设置均线长度
    g.ma_long = 5
    g.m = 1.01

# 每个单位时间(如果按天回测,则每天调用一次,如果按分钟,则每分钟调用一次)调用一次
def handle_data(context, data):
    security = g.security
    # 取得过去五天的平均价格
    average_price = data[security].mavg(g.ma_long, 'close')
    # 取得上一时间点价格
    current_price = data[security].close
    # 取得当前的现金
    cash = context.portfolio.cash

    # 如果上一时间点价格高出五天平均价1%, 则全仓买入
    if current_price > g.m*average_price:
        # 用所有 cash 买入股票
        order_value(security, cash)
        # 记录这次买入
        log.info("Buying %s" % (security))
    # 如果上一时间点价格低于五天平均价, 则空仓卖出
    elif current_price < average_price and context.portfolio.positions[security].sellable_amount > 0:
        # 卖出所有股票,使这只股票的最终持有量为0
        order_target(security, 0)
        # 记录这次卖出
        log.info("Selling %s" % (security))
    # 画出上一时间点价格
    record(stock_price=current_price)

接下来设定初始化仓位，设定g.全局变量的值，当然也可以选择不设置：

# 设定初始仓位
InitialPositions = [
    {
        'security': '000001.XSHE',
        'amount': '1000',  # 100股

        'avg_cost': '10.0' # 持仓均价10元
    }
]

# 设定g.全局变量的值
extra_vars = {'ma_long': 5, 'm': 1.01}
收起代码 ↑    

传入create_backtest函数的algorithm_id切记要改成自己的algorithmId，否则会提示错误：

Exception: can not find algorithm

获取 algorithmId 文章初始所示。

# 记得此处传入你自己的 algorithmId
out_algorithm_id = create_backtest('bfdde744e43517e4de41d8bc0ffd59d7','2015-01-01', '2016-06-01', \
                    frequency="day",initial_cash=100000, initial_positions=InitialPositions, extras=extra_vars)
out_algorithm_id

u'849c256bca210cd95e2d2bc9219239b3'

out_algorithm_id = '456bbf8cd483f21218528c45335cb229'

gt = get_backtest(out_algorithm_id)

gt.get_status()        # 获取回测状态

u'running'

gt.get_params()        # 获取回测参数

{u'algorithm_id': u'bfdde744e43517e4de41d8bc0ffd59d7',
 u'end_date': u'2016-06-01 23:59:59',
 u'extras': {u'm': 1.01, u'ma_long': 5},
 u'frequency': u'day',
 u'initial_cash': u'100000',展开输出 ↓    

gt.get_results()       # 获取收益曲线

[{u'benchmark_returns': 0.030516412660366532,
  u'returns': 0.10932029999999981,
  u'time': u'2015-01-05'},
 {u'benchmark_returns': 0.03038001191384132,
  u'returns': 0.0919802999999999,展开输出 ↓    

gt.get_positions()     # 获取所有持仓列表

[{u'amount': 10200,
  u'avg_cost': 10.775686274509804,
  u'closeable_amount': 10200,
  u'price': 10.87,
  u'security': u'000001.XSHE',展开输出 ↓    

gt.get_orders()        # 获取交易列表

[{u'action': u'open',
  u'amount': 9200,
  u'commission': 29.97,
  u'filled': 9200,
  u'price': 10.86,展开输出 ↓    

gt.get_records()       # 获取所有record()记录

[{u'stock_price': 10.74, u'time': u'2015-01-05'},
 {u'stock_price': 10.87, u'time': u'2015-01-06'},
 {u'stock_price': 10.7, u'time': u'2015-01-07'},
 {u'stock_price': 10.5, u'time': u'2015-01-08'},
 {u'stock_price': 10.15, u'time': u'2015-01-09'},展开输出 ↓    

gt.get_risk()          # 获取总的风险指标

{u'algorithm_return': -0.03993160000000073,
 u'algorithm_volatility': 0.26412380390523005,
 u'alpha': -0.03924882545523693,
 u'annual_algo_return': -0.029097790469759577,
 u'annual_bm_return': -0.07768720537202145,展开输出 ↓    

    k = gt.get_risk()
k['max_drawdown_period'] = [(u'2015-04-16', u'2015-10-28')]
import pandas as pd 
pd.DataFrame(k)

	algorithm_return	algorithm_volatility	alpha	annual_algo_return	annual_bm_return	benchmark_return	benchmark_volatility	beta	excess_return	information	max_drawdown	max_drawdown_period	max_leverage	period_label	sharpe	sortino	trading_days	treasury_return
0	-0.039932	0.264124	-0.039249	-0.029098	-0.077687	-0.1056	0.370343	0.25363	-0.096151	0.044267	0.25707	(2015-04-16, 2015-10-28)	0	2016-06	-0.261611	-0.357912	345	0.056219

gt.get_period_risks()  # 获取分月计算的风险指标

{'algorithm_return':          one_month  three_month  six_month  twelve_month
 2015-01  -0.078339          NaN        NaN           NaN
 2015-02  -0.013155          NaN        NaN           NaN
 2015-03   0.058672    -0.037099        NaN           NaN
 2015-04   0.195223     0.248704        NaN           NaN展开输出 ↓    

gt.get_period_risks()['alpha'] # 获取分月计算的风险指标中的alpha

	one_month	three_month	six_month	twelve_month
2015-01	-0.340114	NaN	NaN	NaN
2015-02	-0.285462	NaN	NaN	NaN
2015-03	-0.705164	-0.771542	NaN	NaN
2015-04	2.222741	-0.120284	NaN	NaN
2015-05	-0.683038	-0.435415	NaN	NaN
2015-06	0.761667	0.769600	0.005202	NaN
2015-07	-0.475122	-0.254308	0.148066	NaN
2015-08	-0.378048	-0.229071	0.173228	NaN
2015-09	-0.210559	-0.392439	0.042345	NaN
2015-10	-1.756624	-0.329792	-0.290167	NaN
2015-11	0.696051	-0.158699	-0.135661	NaN
2015-12	-0.356621	-0.268037	-0.241502	-0.077842
2016-01	-0.040000	0.167151	-0.099187	0.050571
2016-02	-0.026688	-0.058275	-0.033985	0.073793
2016-03	-0.488207	0.087901	0.033778	0.037806
2016-04	-0.242546	-0.120085	0.056010	-0.137978
2016-05	-0.040000	-0.141177	-0.050841	-0.093103
2016-06	-0.649478	-0.185857	-0.033635	-0.149710

祝大家使用愉快~~~