這篇文章主要介紹了python使用pandas進(jìn)行量化回測(cè)，文章圍繞pandas進(jìn)行量化回測(cè)的相關(guān)資料展開簡(jiǎn)單內(nèi)容，文章內(nèi)容可以做一些比較簡(jiǎn)單的技術(shù)指標(biāo)測(cè)試,需要的朋友可以參考一下

下面文章描述可能比excel高級(jí)一點(diǎn)，距離backtrader這些框架又差一點(diǎn)。做最基礎(chǔ)的測(cè)試可以，如果后期加入加倉(cāng)功能，或者是止盈止損等功能，很不合適。只能做最簡(jiǎn)單的技術(shù)指標(biāo)測(cè)試。

導(dǎo)包，常用包導(dǎo)入：

import os
import akshare as ak
import requests
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import talib as ta
%matplotlib inline
plt.style.use("ggplot")

獲取數(shù)據(jù)，本文使用akshare中債券數(shù)據(jù)為對(duì)象分析：

bond_zh_hs_daily_df = ak.bond_zh_hs_daily(symbol="sh010107")

添加指標(biāo)：

def backtest_trend_strategy(ohlc: pd.DataFrame,
? ? ? ? ? ? ? ? ? ? ? ? ? ? fast_period: int = 50,
? ? ? ? ? ? ? ? ? ? ? ? ? ? slow_period: int = 200,
? ? ? ? ? ? ? ? ? ? ? ? ? ? threshold: float = 1.0) -> pd.DataFrame:
? ? """封裝向量化回測(cè)的邏輯"""
? ? # 計(jì)算指標(biāo)
? ? 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
?
? ? # 生成信號(hào)，1表示做多，-1表示做空，0表示空倉(cāng)
? ? ohlc["signal"] = np.where(ohlc["pct_diff"] > threshold, 1, 0)
? ? ohlc["signal"] = np.where(ohlc["pct_diff"] < -threshold, -1, ohlc["signal"])
?
? ? # 計(jì)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

運(yùn)行策略，并繪制圖片：

data = strategy1(data)
?
?
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")

參數(shù)優(yōu)化：

# 選擇核心參數(shù)和掃描區(qū)間，其它參數(shù)保持不變
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])
? ??
?
# 散點(diǎn)圖：策略收益率 vs 快速均線回溯期
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(%)")

到此這篇關(guān)于python使用pandas進(jìn)行量化回測(cè)的文章就介紹到這了,更多相關(guān)pandas進(jìn)行量化回測(cè)內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: