Python量化交易：如何用不到20行代码实现回溯检验

假设您有了一个交易策略，接下来怎么做？实盘交易测试策略的有效性？不，在使用资金进行冒险前，应该先对策略进行回溯检验，在历史数据上测试策略是否有效。

什么是回溯检验？

回溯检验（backtest）：在历史数据上测试策略的有效性。通过模拟进场，平仓和资金管理，然后计算夏普比率和最大回撤等业绩指标，获取策略表现的相关信息。

回溯检验并不是完美地复制过去，有很多因素导致无法精确建模，例如无法准确估计滑点和自有订单对市场的冲击等，研究员也可能因为经验不足而犯下一些错误，例如前瞻性偏差和过度拟合，最终导致策略的表现比真实好得多。

向量化回测 vs 事件驱动回测

回溯检验有两种方式：向量化(vectorized)和事件驱动(event-driven)。

事件驱动回测涉及到模拟市场价格和策略信号的交互，例如在新的tick或K线形成时计算指标和信号，然后模拟订单成交。这种方式更逼近现实，但会花费更多时间。

相反向量化回测只需要收集与策略相关的数据，并将它们组织成向量和矩阵，然后通过简单的线性代数进行处理，模拟过去的表现。因为只需要进行简单的矩阵计算，向量化回溯比事件驱动回测要快得多，但它缺乏灵活性，无法模拟订单成交等细节。

向量化回测用于探索性策略分析，事件驱动回测适用于深入分析。当您有一个初步想法时，可以先进行向量化回测，快速评估模型是否盈利，只有探索分析的结果令人满意，才值得花时间深入研究。

对数收益率

在开始写代码前，还需要明白一个概念：对数收益率(log-return)，我们会使用对数收益率计算策略收益。

对数收益率计算公式为：

假设3个交易日的对数收益率分别为$r_1,r_2,r_3$，那么第三个交易日的累计收益率是多少？只需要把3天的对数收益率相加即可，推导如下：

1. 准备数据

从蜂鸟数据下载黄金的日图历史价格。大家可以到蜂鸟官网注册，获取API密钥，免费获取金融数据。

import os

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

%matplotlib inline

plt.style.use("ggplot")

params = {
   
    "symbol": "XAUUSD",  # 现货黄金ID
    "start_date": "2003-01-01",
    "end_date": "2020-08-05",
    "apikey": os.getenv("TROCHIL_API")  # 使用您的API密钥
}
resp = requests.get("https://api.trochil.cn/v1/forex/history", params)
data = pd.DataFrame.from_records(resp.json(