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