我来提供一个思路,用Python对一些简单的交易策略进行回测,对这块感兴趣的可以看一看。
主要分为以下几步:
1.获取证券数据
2.编写交易逻辑
3.模拟交易操作
4.统计结果和绘图
1.获取证券数据
首先我们明确一个问题,这个交易策略将会被用在哪个市场?这样我们才能有针对性的获取数据。本文以A股市场为例,先获取A股近10年的数据并保存到数据库。
1.1.安装数据库(MongoDB)
为了提升运行效率,需要将证券数据保存到本地数据库,这里我们选择的数据库是MongoDB,安装过程在此不再赘述,参照http://www.runoob.com/mongodb/mongodb-window-install.html即可,比较简单。
1.2.编写数据库操作类
安装完数据库,我们编写一个工具类来管理数据库的增删改查等操作:
class DBManager:
def __init__(self, table_name):
self.client = MongoClient("127.0.0.1", 27017)
self.db = self.client["my_database"]
self.table = self.db[table_name]
def clsoe_db(self):
self.client.close()
# 获取股票代码列表(sz格式)
def get_code_list(self):
return self.table.find({}, {"ticker": 1}, no_cursor_timeout=True)
# 查询多条数据
def find_by_key(self, request=None):
if request is None:
request = {}
return self.table.find(request)
# 查询单条数据
def find_one_by_key(self, request=None):
if request is None:
request = {}
return self.table.find_one(request)
# 添加单条数据
def add_one(self, post, created_time=datetime.datetime.now()):
# 添加一条数据
post['created_time'] = created_time
return self.table.insert_one(post)
# 添加历史交易记录
def add_tk_item(self, ticker, __dict):
return self.table.update_one({'ticker': ticker}, {"$push": {"data_list": __dict}})
1.3.获取数据
获取证券数据的途径分为两种,第一种是去网上找现成的数据接口,通过调用接口获取数据,这种方式的优点在于简单便捷,数据的准确性有保障;第二种是自己编写数据爬虫获取数据,这种方式会相对麻烦一点,但如果你对数据的时效性要求较高,或者数据接口中的数据不能满足你的需求,可以选择第二种方式。本文采用的是第一种方式。使用的数据接口是http://www.baostock.com/。
调用接口:
bs.login() # 初始化baostock
code_list = dm.get_code_list() # 获取股票代码列表
for item in code_list:
max_try = 8 # 失败重连的最大次数
ticker = item["ticker"]
for tries in range(max_try):
rs = bs.query_history_k_data(ticker, "date,code,open,high,low,close,volume,amount,adjustflag,turn,"
"pctChg", frequency="w", adjustflag="3")
if rs.error_code == '0':
parse_pager(rs, ticker) # 解析数据
break
elif tries < (max_try - 1):
sleep(2)
continue
else:
log.logger.error("加载数据失败:" + str(ticker))
log.logger.info("加载数据完成")
bs.logout()
解析数据:
# 解析数据并保存到数据库
def parse_pager(content, ticker):
while content.next():
item_row = content.get_row_data()
__dict = {
"date": item_row[0],
"code": item_row[1],
"open": item_row[2],
"high": item_row[3],
"low": item_row[4],
"close": item_row[5],
"volume": item_row[6],
"amount": item_row[7],
"adjustflag": item_row[8],
"turn": item_row[9],
"pctChg": item_row[10]
}
dm.add_tk_item(ticker, __dict) # 将数据保存到数据库
2.编写交易逻辑
为了便于描述,本次我们选择了一个较为简单的交易逻辑。以周为交易周期,每周一开盘前分析各股的周macd数据,满足交易条件则以开盘价买入并持有一周,以当周五的收盘价卖出。这个交易逻辑非常简单,回测的表现也有可圈可点之处(回测结果见文末),但离实盘交易还有一定的距离。交易逻辑的核心代码如下:
if wmacd_list[-1] > 0 >= wmacd_list[-2]:
if np.mean(volume_list[-5:-1]) < volume_list[-1]:
if 0.1 >= diff_list[-1] >= 0:
data = [x for x in dm_tk.find_one_by_key({"ticker": item["ticker"]})["data_list"] if x["date"] == cur_date][0]
result_list.append(data)
def get_w_macd(price_list):
ema_12_list = list()
for index in range(len(price_list)):
if index == 0:
ema_12_list.append(price_list[0])
else:
ema_12_list.append(round(ema_12_list[index - 1] * 11 / 13 + price_list[index] * 2 / 13, 4))
ema_26_list = list()
for index in range(len(price_list)):
if index == 0:
ema_26_list.append(price_list[0])
else:
ema_26_list.append(round(ema_26_list[index - 1] * 25 / 27 + price_list[index] * 2 / 27, 4))
diff_list = list()
for index in range(len(ema_12_list)):
diff = ema_12_list[index] - ema_26_list[index]
diff_list.append(diff)
dea_list = list()
for index in range(len(diff_list)):
if index == 0:
dea_list.append(diff_list[0])
else:
dea_list.append(round(dea_list[index - 1] * 0.8 + diff_list[index] * 0.2, 4))
wmacd_list = list()
for index in range(len(dea_list)):
bar = (diff_list[index] - dea_list[index]) * 3
wmacd_list.append(bar)
return wmacd_list, diff_list, dea_list
对于交易逻辑我只截取了其中的一小部分,因为这段代码相对来说比较复杂,而且读者也不需要看懂其中的逻辑,实际开发过程中肯定会使用自己的交易逻辑而不是这个。
3.模拟交易操作
明确好交易逻辑后,我们就可以开始模拟交易操作了。首先我们初始化一些数据,这些数据在我们日常交易中也非常常见,比如起始资金、当前可用资金、交易周期、持仓列表、最大仓位等等,由于我们的交易策略比较简单,所以我们只要初始化起始资金就可以了:
capital_base = 1000000 # 起始资金设定为100万
history_capital = list() # 用于记录交易结果
接下来我们创建一条时间轴,所有的交易操作都将跟随时间轴进行:
# 生成时间轴
def date_range(start, end, step=1, format="%Y-%m-%d"):
strptime, strftime = datetime.datetime.strptime, datetime.datetime.strftime
days = (strptime(end, format) - strptime(start, format)).days + 1
return [strftime(strptime(start, format) + datetime.timedelta(i), format) for i in range(0, days, step)]
date_list = date_range("2016-01-01", "2016-12-31") # 生成2016-01-01至2016-12-31的所有时间点
生成好时间轴后,使用for循环遍历时间轴,按照之前设定的交易逻辑,我们需要在每周一和周五进行操作,由于该策略不涉及加减仓,故我们对交易过程就行了简化,用直接计算得到的结果替代了买入卖出的操作,对于更为复杂的交易策略,开发者需要分别实现开仓、平仓和加减仓等各种操作:
for cur_date in date_list:
if datetime.datetime.strptime(cur_date, "%Y-%m-%d").weekday() == 4: # 判断当前日期是否需要操作
result_list = list() # 用于记录当前时间符合交易条件的股票代码
for item in code_list: # 遍历各支股票,筛选出符合交易条件的股票
-执行交易逻辑-
if 符合交易条件:
result_list.append(data)
# 计算结果
if result_list:
capital = capital_base / len(result_list) # 对当前资金进行均分
temp_capital = 0
for item in result_list:
close_price = float(item["close"])
open_price = float(item["open"])
max_price = float(item["high"])
profit = (close_price - open_price) / open_price
temp_capital += (capital * (1 + profit))
capital_base = temp_capital
history_capital.append(capital_base) # 记录本次操作后剩余的资金
4.统计结果和绘图
模拟交易完成后我们来对结果进行统计,由于我们已经将交易的结果记录在history_capital中,此时我们可以轻松的计算出收益率:
net_rate = (history_capital[-1] - history_capital[0]) / history_capital[0] # 计算回测结果
log.logger.info("total_profit:" + str(round(net_rate * 100, 2)) + "%")
为了让交易的结果更加直观,我们还可以将其绘制成折线图,使用matplotlib进行绘图:
plt.subplot(111)
lable_x = np.arange(len(history_capital))
plt.plot(lable_x, history_capital, color="r", linewidth=1.0, linestyle="-")
plt.xlim(lable_x.min(), lable_x.max() * 1.1)
plt.ylim(min(history_capital) * 0.9, max(history_capital) * 1.1)
plt.grid(True)
plt.show()
回测结果展示:2014.png2015.png2016.png2017.png
到此为止,就实现了使用Python对某个交易策略进行回测的全部流程,读者可以自由变换交易逻辑来获取更多不同的结果,通过对回测结果进行分析,或许可以对我们日常的交易带来一点帮助。
与我交流:1003882179@qq.com