python股票回测_主流 Python 量化回测平台,回测速度客观评测

使用 python 的量化平台目前很多啊，现在就三家**ricequant,joinquant,raquant**做一下简单评测

[分钟级别] 回测速度比较

同样一段双均线（ SMA 长短线）策略，虽然这个双均线，没必要每分钟都刷，毕竟作为超短期指标，双均线意义不大。

所以这也是让策略开发者困扰的一点，有时候有些策略的逻辑在“被选择的频度”下面毫无意义。镭矿则没有这一困扰，镭矿策略代码里面规定是什么频度执行就是什么频度执行。

言归正传，现在我们来用这个经典策略对比一下各个平台，分钟频度下一年半(2015-05-01 到 2017-01-01 ）的回测速度。每分钟刷日线数据肯定是更没有意义，所以小编将 ricequant 和 joinquant 的获取历史数据的参数手动改为获取分钟数据

策略 A:

回测时间： 2015-05-01 至 2017-01-01

使用分钟数据，短均线上穿长均线，则买入，反之，则清仓卖出

对篇幅很恐惧的同学请先看一下这个表格：

策略 A 的回测时间对比表格

ricequant 3 到 4 分钟

joinquant 表现好的时候 6 分钟

下面是镭矿 raquant的代码，耗时 17 秒

def init(context):

context.s1="sha-600000"

sma12_factor=SMAFactor(12,"close")

sma30_factor=SMAFactor(30,"close")

reg_factor("sma12",sma12_factor)

reg_factor("sma30",sma30_factor)

def every_minute(context,data):

stock=context.s1

ma12=factor_output("sma12",context.s1,"m1")["sma12"]

ma30=factor_output("sma30",context.s1,"m1")["sma30"]

if ma12>ma30:

order(stock,1000)

elif ma12 < ma30 and context.portfolio.positions[stock].amount > 0:

order_target_value(stock,0)

下面是 joinquant 的代码，耗时 6 分钟

# 初始化函数，设定要操作的股票、基准等等

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'

# 设定沪深 300 作为基准

set_benchmark('000300.XSHG')

# 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

close_data = attribute_history(security, 10, '1m', ['close'],df=False)

ma5 = close_data['close'][-5:].mean()

ma10 = close_data['close'].mean()

cash = context.portfolio.cash

if ma5 > ma10:

order_value(security, cash)

log.info("Buying %s" % (security))

elif ma5 < ma10 and context.portfolio.positions[security].closeable_amount> 0:

order_target(security, 0)

log.info("Selling %s" % (security))

# 绘制五日均线价格

record(ma5=ma5)

# 绘制十日均线价格

record(ma10=ma10)

下面是 ricequant 的代码，耗时 3 到 4 分钟，貌似比 joinquant 的快，也有可能是因为这个例程的买入条件比较多？但是明显 ricequant 的回测准备时间较长。

import talib

# 在这个方法中编写任何的初始化逻辑。 context 对象将会在你的算法策略的任何方法之间做传递。

def init(context):

context.s1 = "000001.XSHE"

# 设置这个策略当中会用到的参数，在策略中可以随时调用，这个策略使用长短均线，我们在这里设定长线和短线的区间，在调试寻找最佳区间的时候只需要在这里进行数值改动

context.SHORTPERIOD = 20

context.LONGPERIOD = 120

# 你选择的证券的数据更新将会触发此段逻辑，例如日或分钟历史数据切片或者是实时数据切片更新

def handle_bar(context, bar_dict):

prices = history(context.LONGPERIOD+1, '1m', 'close')[context.s1].values

short_avg = talib.SMA(prices, context.SHORTPERIOD)

long_avg = talib.SMA(prices, context.LONGPERIOD)

plot("short avg", short_avg[-1])

plot("long avg", long_avg[-1])

cur_position = context.portfolio.positions[context.s1].quantity

# 计算现在 portfolio 中的现金可以购买多少股票

shares = context.portfolio.cash/bar_dict[context.s1].close

# 如果短均线从上往下跌破长均线，也就是在目前的 bar 短线平均值低于长线平均值，而上一个 bar 的短线平均值高于长线平均值

if short_avg[-1] - long_avg[-1] < 0 and short_avg[-2] - long_avg[-2] > 0 and cur_position > 0:

# 进行清仓

order_target_value(context.s1, 0)

# 如果短均线从下往上突破长均线，为入场信号

if short_avg[-1] - long_avg[-1] > 0 and short_avg[-2] - long_avg[-2] < 0:

# 满仓入股

order_shares(context.s1, shares)

[日线级别] 回测速度比较

日线级别上，策略 A 回测时间对比表格(镭矿需要手动修改函数名 every_minute 为 every_day)

回测时间

镭矿 秒回（少于一秒）

ricequant 5 秒后秒回。(感觉任何回测都需要准备 5 秒钟)

joinquant 秒回(少于一秒）

对比不明显，我们来升级一下策略逻辑。为了简便，我们仍然修改策略 A ，形成策略 B 。

事实上这不是一个真正的策略，不产生任何交易。只不过我们这里为了尽快知道各个平台的回测速度罢了。

策略 B

每日轮询 50 只股票的 SMA 长短线， record 出符合 SMA 短线上穿长线的股票个数

def init(context):

context.stocks=find_by_group('sz50')

sma12_factor=SMAFactor(12,"close")

sma30_factor=SMAFactor(30,"close")

reg_factor("sma12",sma12_factor)

reg_factor("sma30",sma30_factor)

def every_day(context,data):

cnt=0

for stock in context.stocks:

ma12=factor_output("sma12",stock)["sma12"]

ma30=factor_output("sma30",stock)["sma30"]

if ma12>ma30:

cnt=cnt+1

record("cnt",cnt)

ricequant 代码

import talib

# 在这个方法中编写任何的初始化逻辑。 context 对象将会在你的算法策略的任何方法之间做传递。

def init(context):

context.stocks =concept('央企 50')

context.SHORTPERIOD = 20

context.LONGPERIOD = 120

def handle_bar(context, bar_dict):

cnt=0

for stock in context.stocks:

prices = history(context.LONGPERIOD+1, '1d', 'close')[stock].values

short_avg = talib.SMA(prices, context.SHORTPERIOD)

long_avg = talib.SMA(prices, context.LONGPERIOD)

if short_avg[-1] - long_avg[-1] < 0 and short_avg[-2] - long_avg[-2] > 0:

cnt=cnt+1

plot("cnt",cnt)

joinquant 的代码：

# 初始化函数，设定要操作的股票、基准等等

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.stocks =get_concept_stocks('GN177')

set_benchmark('000300.XSHG')

# 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):

cnt=0

# 获取股票的收盘价

for stock in g.stocks:

close_data = attribute_history(stock, 10, '1d', ['close'],df=False)

# 取得过去五天的平均价格

ma5 = close_data['close'][-5:].mean()

# 取得过去 10 天的平均价格

ma10 = close_data['close'].mean()

# 取得当前的现金

if ma5>ma10:

cnt=cnt+1

record(cnt=cnt)

你们一定很好奇这次得对比结果，所以小编故意卖关子放到了最后

日线级别上，策略 B 回测时间对比表格

ricequant9 秒左右

joinquant6 秒左右