从零开始实现一个量化回测系统（一）

持续行动1期 41/100，“AI技术应用于量化投资研资”之可转债投资。

今天是中秋节和教师节，祝大家中秋快乐，教师节快乐！

今天开始一个主题——“从零实现一个量化回测系统”。

暂时不用考虑接入实盘，所以我会把订单、交易所，执行器等很多模拟交易的细节省掉，连事件驱动都省略，直接按bar来做循环。

这样代码看起来更加简洁，直奔核心而去，出了问题定位也相对容易。

一句话，该简化的简化，而且我们会兼容qlib的数据格式（其实等同于pandas的dataframe）。

01 账本account

我们就以自己做投资的视角来看这件回测，假设我们有一个账本叫Account。

Account有：

初始资金init_cash=10万。

维护当前还有多少现金余额：curr_cash。

当前持仓curr_holding = {"茅台": 20000.0} ,注意是股票代码：市值。

cache_dates=['2010-01-01','2010-01-02'...]就是走过的bar的日期。

cache_porfilio_mv=[100000，，，，]每天的总市值（含现金）

class Account:def __init__(self, init_cash=100000.0):self.init_cash = init_cashself.curr_cash = self.init_cashself.curr_holding = defaultdict(float)  # 当前持仓{symbol:mv}self.cache_dates = []self.cache_portfolio_mv = []

总共这5个变量就够了。

Account每天要做的事情：

一、更新持仓 curr_holding的市值，按持仓更新每支股票的市值，这个好理解，市值mv*涨跌幅。

二、把总市值和日期cache起来。

# 要更新一次df_bar及市值，再进行交易。
def update_bar(self, date, df_bar):# 所有有持仓的，按收益率更新mvtotal_mv = 0.0# 当前已经持仓中标的，使用收盘后的收益率更新for s, mv in self.curr_holding.items():rate = 0.0# 这里不同市场，比如海外市场，可能不存在的，不存在变化率就是0.0， 即不变if s in df_bar.index:symbol_bar = df_bar.loc[s]rate = symbol_bar['rate']new_mv = mv * (1 + rate)self.curr_holding[s] = new_mvtotal_mv += new_mvself.cache_portfolio_mv.append(total_mv + self.curr_cash)self.cache_dates.append(date)

02 引擎engine

engine除了init_cash之外，需要一个datafeed。

datafeed里可以得到所有股票池的df数据，然后取出排重后的交易日期列表，对列表进行逐个bar的循环：

class Engine:def __init__(self, init_cash, datafeed):self.acc = Account(init_cash=init_cash)# 从feed得到df，并从index取出日期列表self.df = datafeed.get_all_df()self.dates = self.df.index.unique()def run(self):for index, date in enumerate(self.dates):self.step(index, date)def step(self, index, date):df_bar = self.df.loc[date]if type(df_bar) is pd.Series:df_bar = df_bar.to_frame().Tdf_bar.index = df_bar['code']df_bar.sort_index(ascending=True, inplace=True)self.acc.update_bar(date, df_bar)

03 支持交易：

想想，最简单的一个策略叫“买入并持有”，只有一个买入动作。

买入可以按“比例”买，也可以按“市值”买。从真实交易的角度，就是要买多少钱。

比例也可以换算成市值。

def order_buy_mv(self, instrument, mv):logger.debug('买入{}，mv:{}'.format(instrument, mv))if mv <= 0.0:logger.warning('mv需要>0')returnif mv > self.curr_cash:logger.warning('资金不够，只能买：{}'.format(self.curr_cash))mv = self.curr_cashself.curr_holding[instrument] += mvself.curr_cash -= mv

要买的时候，需要检查现金够不够，如果不够，有多少就买多少，有一些系统是如果不行，完全不买，这个看策略。

然后更新curr_holding持仓市值，现金减少相应的市值。

卖出的逻辑类似：

def order_sell_mv(self, instrument, mv):logger.debug('卖出{}，mv:{}'.format(instrument, mv))if mv <= 0.0:logger.warning('mv需要>0')returnmv_holding = self.curr_holding.get(instrument, 0.0)if mv_holding == 0:logger.warning('当前未持仓，无法卖出')returnelse:if mv_holding < mv:logger.warning('实际持仓：{},不够：{}'.format(mv_holding, mv))mv = mv_holdingself.curr_holding[instrument] -= mvself.curr_cash += mv

卖出的市值必须为正，同时如果未持仓，无法卖出。

如果仓位不够，只卖出当前持有的（也是清仓了）

然后更新curr_holding和curr_cash即可。

04 投资的可行性及意义

要把一件事当成“长期”事业来做，我们要问两个问题，

一是这件事行不行，如果逻辑上走通的概率低，但不值得当长线的事情来做；

二是这件事的意义，能不能给我们带来满足感，人还是讲自我实现的，尤其是当遇到困难的时候。

先说可行性，投资能不能当长线事情做。

也许你会说，有很多人把投资当成事业或者职业啊。比如职业股评师，基金经理，私募基金管理人等等，甚至很多失业的大龄中年都“沦”为职业股民。

但这么说我们心里还是没谱的，毕竟投资是一个概率游戏，西蒙斯花了十年时间才实现盈利，普通人能撑多久呢？

真正让我相信这条路可以当作B计划，因为它可以同时走三条路，一是互联网产品平台模式，比如集思录，理杏仁，乌龟量化等；二是IP模式，如螺丝钉，力哥，甚至做可转债的阿秋；三才是投资本身。

后者与前两者，如同淘金和送水。淘金具备不确定性，但送水具备稳定性。送水的同时自己同时可以研究淘金，一举多得。

三者叠加起来，让投资这条路的方向变得清晰，不用再担心打井有没有水的问题。

另外一个问题，是关于意义。

尽管前途光明，但道路是曲折的。

当道理曲折时，能不能坚持下去，除了内心相信能不能赢的必胜信心之外，还有就是对于这件事的认同。

金融有没有意义，做投资如果纯粹是为了赚钱，客观讲这条路并不好走，冒的险并不少。

也许我们会说金融是为了资源跨时空的优化配置，投机有利于市场价格发现，这此理由高大上但不接地气。

西蒙斯从知名数学家进入资本市场，他的信念就是像解决数学难题一样去看待资本市场的“预测”，之于他证明定理无异。都是为了发现这个世界未知的规律，“顺便”实现了财富自由，带给自己更多的精神自由。

这一点给我不少启发。

其实，我们不是刻意做投资，我们是为了认知这个世界，社会，你如何得到相应的反馈，投资和资本市场是一个好的角度。否则你就像出租车司机般，大谈特谈对这个世界的偏见，除了夸夸其谈，并不能带来任何效果。

以投资的视角看待历史，现实，未来，去探索这个世界，“顺便”把投资做好。

这就是一个“系统”，所以，不必以短期投资效果作为衡量标准，而是持续改进我们的认知系统。

小结：

你仔细看看，一个回测引擎的核心其实就干这几件事，你就以你交易账本的视角来看就好，别管什么order， event。

就是买什么，买多少，卖什么，卖多少，每天根据市场涨跌更新一下市值。

只是后续由“量化策略”来决定买或卖以及仓位的动作。

然后还有一个部分就是回测完成之后，做分析，比如风险收益特性，各种比率以及可视化等等。

后面的篇幅再展开。

投资是为了认知世界，投资可以做为一项长线的事业来积累和经营。

pyalgotrade量化回测框架简单试用

持续行动，做成一件件小事

飞狐，科技公司CTO，用AI技术做量化投资；以投资视角观历史，解时事；专注个人成长与财富自由。

从零开始实现一个量化回测系统（一）相关推荐

年化17.5%，十年8倍的“双低”转债策略：从零实现量化回测系统之三
持续行动1期 43/100,"AI技术应用于量化投资研资"之可转债投资. 投资的心法大同小异,都是以合适的价格买入好的东西. 由于所处的周期位置不同,判断的标准产生了差异罢了. 为 ...
matlab alpha策略,如何用Matlab建立策略回测系统？
一,准备工具 matlab,windmatlab量化接口,Internet网络连接. wind量化接口可以从大奖章网站-->开放接口-->个人版处下载,根据提示进行操作,十几分钟内就 ...
手把手教你用Python搭建自己的量化回测框架【均值回归策略】
1 引言大部分量化策略都可以归类为均值回归与动量策略.事实上,只有当股票价格是均值回归或趋势的,交易策略才能盈利.否则,价格是随机游走的,交易将无利可图.均值回归是金融学的一个重要概念,指股票价格无 ...
python外汇交易回测系统_易经量化交易系统之回测系统1
我们在这里向大家介绍如何从零开始,实现一个适合于A股市场的回测系统.在这里我们以A股日K线数据为例,实际上可以比较方便的扩展为分级的数据源. Tick数据类我们首先定义一个Tick数据的基类,这个类 ...
python外汇交易回测系统_StarQuant - 综合量化交易回测系统/平台
Welcome to StarQuant StarQuant(中文名:易数交易系统)是一个轻量的.面向个人( 普通)用户的综合量化交易回测系统,目前主要用于期货期权程序化交易(CTP接口,在实盘测试中 ...
目前市面上量化交易软件、平台、框架的特点, 重点推荐VNPY底层仿真回测系统
随着这几年量化交易在国内的快速发展,各种API接口.量化平台.量化交易框架匆匆推出,呈现出一片百花齐放,欣欣向荣的景象,但是由于目前国内还处于私募基金发展的初期,大部分平台也都匆匆上马,既有自己的特点 ...
基于强化学习的期权量化交易回测系统1
概述量化交易平台很重要的一个环节就是回测系统,可以通过对历史行情的回放,验证量化交易策略的性能表现.量化交易强化学习环境,则是向Agent提供一个交互的环境,Agent(即量化策略)根据市场环境(强 ...
开源分布式量化交易系统——回测系统(一)
回测系统基础概念在开始编写策略系统之前,需要了解一些基础概念,搞明白什么是回测系统?怎么进行回测?如何进行回测分析?并且在回测中需要注意的一些要素,真正的做到有效的策略回测. 根据回测的精度可分为 ...
基于强化学习的期权量化交易回测系统5
我们现在已经可以在主循环中获取行情数据,并且传给了Agent类.接下来Agent类会调用策略类,由于决定采取的行动.在策略类做决策时,需要参考用户仓位Position信息,还有就是权利金.保证金.手续 ...

从零开始实现一个量化回测系统（一）

从零开始实现一个量化回测系统（一）相关推荐

最新文章

热门文章