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r1,r2,r3r_1, r_2, r_3r1,r2,r3，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 osimport requests
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import talib%matplotlib inlineplt.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()["data"])
data["datetime"] = pd.to_datetime(data["datetime"])
data.set_index("datetime", inplace=True)data.tail()

	open	high	low	close	symbol
datetime
2020-07-31	1957.475	1986.002	1956.322	1977.152	xauusd
2020-08-02	1980.562	1992.102	1977.412	1982.452	xauusd
2020-08-03	1982.422	1982.592	1960.882	1975.715	xauusd
2020-08-04	1975.665	2031.445	1967.262	2031.445	xauusd
2020-08-05	2031.302	2056.102	2009.842	2036.905	xauusd

2. 利用talib和pandas实现

准备好数据后开始实现回测，整个过程不到20行代码。

首先提出一个简单的趋势跟随策略：

计算收盘价的快速均线和慢速均线。
计算快速均线偏离慢速均线的百分比。
当偏离百分比超过阈值，做多。
当偏离百分比低于阈值，做空。

# 模型参数
fast_period = 50  # 快速均线回溯期
slow_period = 200  # 慢速均线回溯期
threshold = 1.0  # 进场阈值，单位是百分比# 计算指标
data["fast_ema"] = talib.EMA(data.close, fast_period)
data["slow_ema"] = talib.EMA(data.close, slow_period)
data["pct_diff"] = (data["fast_ema"] / data["slow_ema"] - 1) * 100# 生成信号，1表示做多，-1表示做空，0表示空仓
data["signal"] = np.where(data["pct_diff"] > threshold, 1, 0)
data["signal"] = np.where(data["pct_diff"] < -threshold, -1, data["signal"])# 计算策略收益率
# 1. 计算收盘价的对数收益率
# 2. 把signal向前移动1天，然后乘以收益率，向前移动因为我们根据前一个交易日的数据构建头寸，获得今天的收益率
data["returns"] = np.log(data["close"] / data["close"].shift(1))
data["strategy"] = data["signal"].shift(1) * data["returns"]

data

	open	high	low	close	symbol	fast_ema	slow_ema	pct_diff	signal	returns	strategy
datetime
2003-05-06	341.946	344.618	340.696	343.836	xauusd	NaN	NaN	NaN	0	NaN	NaN
2003-05-07	343.859	344.595	339.442	341.632	xauusd	NaN	NaN	NaN	0	-0.006431	-0.000000
2003-05-08	341.834	348.535	340.484	347.936	xauusd	NaN	NaN	NaN	0	0.018284	0.000000
2003-05-09	347.839	348.987	346.366	348.434	xauusd	NaN	NaN	NaN	0	0.001430	0.000000
2003-05-12	348.673	351.986	348.094	351.202	xauusd	NaN	NaN	NaN	0	0.007913	0.000000
...	...	...	...	...	...	...	...	...	...	...	...
2020-07-31	1957.475	1986.002	1956.322	1977.152	xauusd	1817.786921	1680.568670	8.164989	1	0.010007	0.010007
2020-08-02	1980.562	1992.102	1977.412	1982.452	xauusd	1824.244375	1683.572484	8.355559	1	0.002677	0.002677
2020-08-03	1982.422	1982.592	1960.882	1975.715	xauusd	1830.184400	1686.479375	8.521007	1	-0.003404	-0.003404
2020-08-04	1975.665	2031.445	1967.262	2031.445	xauusd	1838.076972	1689.911868	8.767623	1	0.027817	0.027817
2020-08-05	2031.302	2056.102	2009.842	2036.905	xauusd	1845.874150	1693.364536	9.006307	1	0.002684	0.002684

5374 rows × 11 columns

可视化指标，持仓（信号）以及策略收益率。

fig, ax = plt.subplots(nrows=3, ncols=1, figsize=(12, 15), sharex=True)ax[0].plot(data.index, data["close"])
ax[0].plot(data.index, data["fast_ema"])
ax[0].plot(data.index, data["slow_ema"])
ax[0].set_title("Price and Indicators")ax[1].plot(data.index, data["signal"])
ax[1].set_title("Strategy Position")data[["returns", "strategy"]].cumsum().plot(ax=ax[2], title="Strategy Return")

3. 参数优化

回溯检验的一个重要课题是参数优化，合理的优化能够显著提升策略表现。对于初学者而言，很容易陷入过度拟合的陷阱，这里我们提出一个科学的理论：迭代式优化。先确定策略的核心参数，通常3-5个已经足够，然后每次优化一个参数（其它参数保持不变），试图寻找“稳健”的参数区间，所谓“稳健”即策略表现（最好使用风险调整后收益率，为简单起见，这里仍然采用累计收益率）不会随着参数的微小变化而显著波动。

对于这个简单的趋势跟随策略，fast_period可能是最关键的。选择扫描区间(5, 100, 5), 其它参数保持不变，记录每次回测的累计收益率。

def backtest_trend_strategy(ohlc: pd.DataFrame,fast_period: int = 50,slow_period: int = 200,threshold: float = 1.0) -> pd.DataFrame:"""封装向量化回测的逻辑"""# 计算指标ohlc["fast_ema"] = talib.EMA(ohlc.close, fast_period)ohlc["slow_ema"] = talib.EMA(ohlc.close, slow_period)ohlc["pct_diff"] = (ohlc["fast_ema"] / ohlc["slow_ema"] - 1) * 100# 生成信号，1表示做多，-1表示做空，0表示空仓ohlc["signal"] = np.where(ohlc["pct_diff"] > threshold, 1, 0)ohlc["signal"] = np.where(ohlc["pct_diff"] < -threshold, -1, ohlc["signal"])# 计算策略收益率ohlc["returns"] = np.log(ohlc["close"] / ohlc["close"].shift(1))ohlc["strategy"] = ohlc["signal"].shift(1) * ohlc["returns"]ohlc["strategy_returns"] = ohlc["strategy"].cumsum()return ohlc# 选择核心参数和扫描区间，其它参数保持不变
fast_period_rng = np.arange(5, 101, 5)total_return = []
for fast_period in fast_period_rng:ohlc = data.filter(["open", "high", "low", "close"])res = backtest_trend_strategy(ohlc, fast_period, 200, 1.0)total_return.append(res["strategy_returns"].iloc[-1])# 散点图：策略收益率 vs 快速均线回溯期
fig, ax = plt.subplots(figsize=(12, 7))
ax.plot(fast_period_rng, total_return, "r-o", markersize=10)
ax.set_title("Strategy Return vs Fast period")
ax.set_xlabel("fast_period")
ax.set_ylabel("return(%)")

从结果来看，当快速均线回溯期在50-70之间，策略收益率稳定在95%-115%，可以认为这是稳定的参数区间。

4. 结论

本文介绍了如何用少量代码实现向向量化回溯检验，我们提出了一个简单的趋势跟随策略，它虽然能盈利，但并没有跑赢同期黄金的表现（预期之中），而且不要忘记，回测时没有考虑交易成本，真实的表现要比回测结果更糟糕。

如果向量化回测无法给出准确的结果，为什么要学习这个技能？有两个原因：

即便是最复杂的回测软件，也无法精确复制历史，所有回测都只是对历史表现的有偏估计。
向量化回测能够大致模拟策略的表现，只需要用非常少的时间就能完成。

只有探索策略分析的结果令人满意，才值得花时间进行更复杂和贴近现实的研究。

最后我们总结一下向量化回测的步骤：

获取历史数据
计算指标（建议用talib完成）
根据策略规则生成信号，分为做多（1），做空（-1），空仓（0）
计算策略收益率
计算业绩指标和结果可视化

如果喜欢我们的文章，记得点赞和收藏哦，我们每天都会为大家带来Python，数据科学和量化交易的精品内容。

【关于我们】

蜂鸟数据：国内领先的金融数据API提供商。

蜂鸟数据团队由业界顶尖的数据工程师，数据科学家和宽客组成，我们正努力构建一个强大的金融数据库，并提供API接口，目标是令金融数据开源化和平民化。

浏览并测试我们接口吧，目前覆盖股票，外汇，商品期货，数字货币和宏观经济领域，包括实时报价(tick)和历史数据(分钟)，提供REST API和Websocket两种接入方式，能够满足金融分析师，量化交易和理财app的需求。

需要金融数据？利用蜂鸟API将数据整合到您的应用

如果您准备好了，请登录蜂鸟官网，注册免费获取API密钥，然后开始探索我们的金融数据库吧。