目录
第七章
7.0 学习资源
-
pandas计算策略评估指标：
本节介绍了如何使用Python的pandas库来计算量化策略的关键评估指标，如年化收益率、波动率和最大回撤。这些指标对于全面评估策略的表现至关重要。 -
聚宽平台量化回测实践：
介绍了聚宽（JoinQuant）平台，这是一个提供量化交易工具和服务的平台。本节通过一个具体的双均线策略示例，展示了如何在聚宽平台上实现策略并进行回测，以及如何分析回测结果。 -
Backtrader量化回测框架实践：
Backtrader是一个基于Python的开源量化回测框架。本节提供了一个双均线策略的Backtrader实现，并详细描述了如何在该框架中添加数据、设置策略、运行回测并分析结果。 -
BigQuant量化框架实战：
BigQuant是一个人工智能量化投资平台。本节介绍了如何在BigQuant上实现双均线策略，包括策略的初始化、数据处理、交易逻辑和回测结果的分析。 -
手写回测代码 - 手把手实现一个傻瓜式量化回测框架：
本节介绍了一个简化的量化回测框架，称为“傻瓜式量化回测框架”。这个框架通过纯函数模式简化了策略的编写和回测过程，使得策略开发更加直观和便捷。同时，介绍了如何使用贝叶斯超参数优化方法来优化策略参数。
7.1 pandas计算策略评估指标
读取数据
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import tushare as ts
%matplotlib inline
# 无视warning
import warnings
warnings.filterwarnings("ignore")
# 正常显示画图时出现的中文和负号
from pylab import mpl
mpl.rcParams['font.sans-serif']=['SimHei']
mpl.rcParams['axes.unicode_minus']=False
#起始和结束日期可以自行输入，否则使用默认
def get_data(code, start_date, end_date):
# 配置 tushare token
my_token = '039660346bc8f4ad98c1b7b28fbbbb7750a6c6eea62573ff80a42593'
pro = ts.pro_api(my_token)
df = pro.daily(ts_code=code, start_date=start_date, end_date=end_date)
df.index = pd.to_datetime(df.trade_date)
return df.close
#以上证综指、贵州茅台、工商银行、中国平安为例
stocks={
'600519.SH':'贵州茅台',
'601398.SH':'工商银行',
'601318.SH':'中国平安'
}
df = pd.DataFrame()
for code,name in stocks.items():
df[name] = get_data(code, '20180101', '20221231')
# 按照日期正序
df = df.sort_index()
# 本地读入沪深300合并
df_base = pd.read_csv('./000300.XSHG_2018_2022.csv')
df_base.index = pd.to_datetime(df_base.trade_date)
df['沪深300'] = df_base['close']
绘制净值曲线
# 以第一交易日2018年1月1日收盘价为基点，计算净值并绘制净值曲线
df_worth = df / df.iloc[0]
df_worth.plot(figsize=(15,6))
plt.title('股价净值走势', fontsize=10)
plt.xticks(pd.date_range('20180101','20221231',freq='Y'),fontsize=10)
plt.show()
即如果从2018年持有贵州茅台，在2021年卖出，有350%的收益。
累计收益率
# 区间累计收益率(绝对收益率)
total_return = df_worth.iloc[-1]-1
total_return = pd.DataFrame(total_return.values,columns=['累计收益率'],index=total_return.index)
total_return
年化收益率
# 年化收益率
annual_return = pd.DataFrame((1 + total_return.values) ** (252 / 1826) - 1,columns=['年化收益率'],index=total_return.index)
annual_return
波动率
df_return = df / df.shift(1) - 1
df_return = ((df_return.iloc[1:] - df_return.mean()) ** 2)
volatility = pd.DataFrame(np.sqrt(df_return.sum() * 252 / (1826-1)),columns=['波动率'],index=total_return.index)
volatility
最大回测
def max_drawdown_cal(df):
md = ((df.cummax() - df)/df.cummax()).max()
return round(md, 4)
max_drawdown = {}
stocks={
'600519.SH':'贵州茅台',
'601398.SH':'工商银行',
'601318.SH':'中国平安',
'000300.XSHG': '沪深300'
}
for code,name in stocks.items():
max_drawdown[name]=max_drawdown_cal(df[name])
max_drawdown = pd.DataFrame(max_drawdown,index=['最大回撤']).T
max_drawdown
Alpha系数和Beta系数
from scipy import stats
#计算每日收益率 收盘价缺失值（停牌），使用前值代替
rets=(df.iloc[:,:4].fillna(method='pad')).apply(lambda x:x/x.shift(1)-1)[1:]
#市场指数为x，个股收益率为y
x = rets.iloc[:,3].values
y = rets.iloc[:,:3].values
capm = pd.DataFrame()
alpha = []
beta = []
for i in range(3):
b, a, r_value, p_value, std_err=stats.linregress(x,y[:,i])
#alpha转化为年化
alpha.append(round(a*250,3))
beta.append(round(b,3))
capm['alpha']=alpha
capm['beta']=beta
capm.index=rets.columns[:3]
#输出结果：
capm
夏普比率
- 夏普比率（sharpe ratio）表示每承受一单位总风险，会产生多少的超额报酬，该比率越高越好。
# 超额收益率以无风险收益率为基准 假设无风险收益率为年化3%
ex_return=rets - 0.03/250
# 计算夏普比率
sharpe_ratio=np.sqrt(len(ex_return))*ex_return.mean()/ex_return.std()
sharpe_ratio=pd.DataFrame(sharpe_ratio,columns=['夏普比率'])
sharpe_ratio
信息比率
- 信息比率含义与夏普比率类似，只不过其参照基准不是无风险收益率，而是策略的市场基准收益率。
###信息比率
ex_return = pd.DataFrame()
ex_return['贵州茅台']=rets.iloc[:,0]-rets.iloc[:,3]
ex_return['工商银行']=rets.iloc[:,1]-rets.iloc[:,3]
ex_return['中国平安']=rets.iloc[:,2]-rets.iloc[:,3]
#计算信息比率
information_ratio = np.sqrt(len(ex_return))*ex_return.mean()/ex_return.std()
#信息比率的输出结果
information_ratio = pd.DataFrame(information_ratio,columns=['信息比率'])
information_ratio
7.2聚宽实测
7.3Backtrader平台量化回测实践
- 需要申请tushare平台的免费token
链接
在Backtrader实现一个双均线策略（具体参照ch05择时策略），并且在该平台上进行回测， 来测试整体收益率。
- 选择标的为：002594.XSHE 比亚迪
- 选择基准为：000300.XSHG 沪深300
- 策略为：当5日线金叉10日线，全仓买入；当5日线死叉10日线全仓卖出。
# 导入函数库
from __future__ import (absolute_import, division, print_function, unicode_literals)
import datetime
import pymysql
import pandas as pd
import backtrader as bt
import tushare as ts
import numpy as np
# 数据获取(从Tushare中获取数据)
"""
数据获取一般都是通过连接数据库从数据库中读取，对于不了解数据库来源的新手可以从Tushare中直接获取数据
"""
def get_data(stock_code):
"""
stock_code:股票代码,类型: str
return: 股票日线数据,类型: DataFrame
"""
token = 'Tushare token' # 可通过进入个人主页-接口TOKEN获得
ts.set_token(token)
pro = ts.pro_api(token)
data_daily = pro.daily(ts_code = stock_code, start_date='20180101', end_date='20230101')
data_daily['trade_date'] = pd.to_datetime(data_daily['trade_date'])
data_daily = data_daily.rename(columns={'vol': 'volume'})
data_daily.set_index('trade_date', inplace=True)
data_daily = data_daily.sort_index(ascending=True)
dataframe = data_daily
data_daily['openinterest'] = 0
dataframe['openinterest'] = 0
data = bt.feeds.PandasData(dataname=dataframe,
fromdate=datetime.datetime(2018, 1, 1),
todate=datetime.datetime(2023, 1, 1)
)
return data
# 双均线策略实现
class DoubleAverages(bt.Strategy):
# 设置均线周期
params = (
('period_data5', 5),
('period_data10', 10)
)
# 日志输出
def log(self, txt, dt=None):
dt = dt or self.datas[0].datetime.date(0)
print('%s, %s' % (dt.isoformat(), txt))
def __init__(self):
# 初始化数据参数
self.dataclose = self.datas[0].close # 定义变量dataclose,保存收盘价
self.order = None # 定义变量order,用于保存订单
self.buycomm = None # 定义变量buycomm,记录订单佣金
self.buyprice = None # 定义变量buyprice,记录订单价格
self.sma5 = bt.indicators.SimpleMovingAverage(self.datas[0], period=self.params.period_data5) # 计算5日均线
self.sma10 = bt.indicators.SimpleMovingAverage(self.datas[0], period=self.params.period_data10) # 计算10日均线
def notify_order(self, order):
if order.status in [order.Submitted, order.Accepted]: # 若订单提交或者已经接受则返回
return
if order.status in [order.Completed]:
if order.isbuy():
self.log(
'Buy Executed, Price: %.2f, Cost: %.2f, Comm: %.2f' %
(order.executed.price, order.executed.value, order.executed.comm))
self.buyprice = order.executed.price
self.buycomm = order.executed.comm
else:
self.log('Sell Executed, Price: %.2f, Cost: %.2f, Comm: %.2f' %
(order.executed.price, order.executed.value, order.executed.comm))
self.bar_executed = len(self)
elif order.status in [order.Canceled, order.Margin, order.Rejected]:
self.log('Order Canceled/Margin/Rejected')
self.order = None
def notify_trade(self, trade):
if not trade.isclosed: # 若交易未关闭则返回
return
self.log('Operation Profit, Total_Profit %.2f, Net_Profit: %.2f' %
(trade.pnl, trade.pnlcomm)) # pnl表示盈利, pnlcomm表示手续费
def next(self): # 双均线策略逻辑实现
self.log('Close: %.2f' % self.dataclose[0]) # 打印收盘价格
if self.order: # 检查是否有订单发送
return
if not self.position: # 检查是否有仓位
if self.sma5[0] > self.sma10[0]:
self.log('Buy: %.2f' % self.dataclose[0])
self.order = self.buy()
else:
if self.sma5[0] < self.sma10[0]:
self.log('Sell: %.2f' % self.dataclose[0])
self.order = self.sell()
if __name__ == '__main__':
cerebro = bt.Cerebro() # 创建策略容器
cerebro.addstrategy(DoubleAverages) # 添加双均线策略
data = get_data('000001.SZ')
cerebro.adddata(data) # 添加数据
cerebro.broker.setcash(10000.0) # 设置资金
cerebro.addsizer(bt.sizers.FixedSize, stake=100) # 设置每笔交易的股票数量
cerebro.broker.setcommission(commission=0.01) # 设置手续费
print('Starting Portfolio Value: %.2f' % cerebro.broker.getvalue()) # 打印初始资金
cerebro.run() # 运行策略
print('Final Portfolio Value: %.2f' % cerebro.broker.getvalue()) # 打印最终资金
cerebro.plot()
- 10000块只剩7847了，还亏钱了。
- 修改买股数量200股，亏更多：
7.4 BigQuant量化框架实战
7.5 手写回测代码 - 手把手实现一个傻瓜式量化回测框架
引用一个StupidHead.py文件
1169
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
