日本免费高清视频-国产福利视频导航-黄色在线播放国产-天天操天天操天天操天天操|www.shdianci.com

學無先后，達者為師

網站首頁 編程語言 正文

python使用pandas進行量化回測_python

作者：神出鬼沒，指的就是我! ? 更新時間： 2022-05-27 編程語言

下面文章描述可能比excel高級一點，距離backtrader這些框架又差一點。做最基礎的測試可以，如果后期加入加倉功能，或者是止盈止損等功能，很不合適。只能做最簡單的技術指標測試。

導包，常用包導入：

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")

獲取數據，本文使用akshare中債券數據為對象分析：

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

添加指標：

def backtest_trend_strategy(ohlc: pd.DataFrame,
? ? ? ? ? ? ? ? ? ? ? ? ? ? fast_period: int = 50,
? ? ? ? ? ? ? ? ? ? ? ? ? ? slow_period: int = 200,
? ? ? ? ? ? ? ? ? ? ? ? ? ? threshold: float = 1.0) -> pd.DataFrame:
? ? """封裝向量化回測的邏輯"""
? ? # 計算指標
? ? 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，1表示做多，-1表示做空，0表示空倉
? ? ohlc["signal"] = np.where(ohlc["pct_diff"] > threshold, 1, 0)
? ? ohlc["signal"] = np.where(ohlc["pct_diff"] < -threshold, -1, ohlc["signal"])
?
? ? # 計算策略收益率
? ? 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")

參數優化：

# 選擇核心參數和掃描區間，其它參數保持不變
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(%)")

原文鏈接：https://blog.csdn.net/qq_26742269/article/details/123697226

欄目分類
最近更新