量化投资策略回测框架（一）：胜率的估算

上次简单介绍了回测之前的一些准备工作。这里，将进一步介绍如何对一个投资策略就行完整的回测。

杂言：人啊，还是要做自己喜欢做的事情。勇于尝试，是非常好的，当感觉不合适的时候，要尽早跳出。年轻人，还是不要太安逸，所以从财富跳到了私募。事情也是自己喜欢做的了。有时你会纠结，你是要一份体面的实习，或者工作，还是有挑战性的，喜欢做的。和别人交流时，说你在一个小私募，和说你在某某总部，完全是不一样的概念。结果，貌似自己把两个某某总部都拒了。年轻人，还是累点好，多闯闯，安逸什么的，不太合适哦。

回测一般分为两种：胜率的估算和收益风险比的估算。胜率，指的是一个策略运行固定的周期，在所有的交易次数中，盈利的次数所占的百分比。收益风险比的估算，指的是设定策略回测周期，给定初始资金，假定按完全按策略执行，结束时的收益风险比情况，包括收益率、最大回撤等。（就是通常意义上的回测，例如优矿、米匡和聚宽等给出的策略回测结果）。在进行回测时，必须合理的进行评估，如果对策略不是很确定，或者策略的一些参数还很模糊，可以先进行胜率的估算，查看其结果，以评估策略是否可能有效，再决定是否进行完整的回测。毕竟，相对而言，胜率的估算较为简单。

以双均线策略为例，简要说明如何搭建胜率估算的框架。所用工具：

• anaconda 3.5（windows环境下搭建python环境）

• python + eclipse + pydev（python编译环境）

• wind资讯金融终端（应用量化接口，获取相应数据）

策略逻辑：

• 全市场选股，股本大于1亿，流通市值小于50亿

• 5日均线上穿10日均线，次日收盘买入，持有三天卖出

• 新股成立的两月内不做考虑

• 回测时间：2015.03.01 — 2015.08.05

回测过程中，大部分的时间往往消耗在与wind的通讯中，为节约时间，同时便于检测回测结果是否正确，一般尽可能的将可能重复利用的数据，以及重要数据保存到本地。

简单流程如下所示。主要分为四部分：

1. 获取待选标的，这里待选标的为全市场股票

2. 对标的进行基本面筛选，这里限制条件为股本和流通市值

3. 下载行情数据到本地，这里下载的数据为【日期 股票代码  收盘价  ma5  ma10】

4. 根据行情数据，确定每次的买点和卖点

5. 估算胜率，将结果保存到本地，进行进一步的分析。

对于其他策略而言，无外乎这几大步骤，进行具体策略的估算时，对相应部分进行逻辑的重构即可。示例的胜率估算为44.88%。（最后给出示例代码）。

对于44.88%的胜率而言，则要具体问题具体分析了。记得参加宽客聚会时，一位大佬说过，商品期货的胜率可能连50都不到，这样的情况下，必须设置严格的止盈止损。设置点位可能为止损5%，止盈10%。也就是判断准确地时候，尽可能多赚点。所以，个人感觉，胜率要根据个人经验来看了，通过设置止盈止损，或者说严格的风险控制，可能胜率不高也可以接受哦。

附上拙略的代码吧，工程目录结构如下，主要应用函数式编程，尽可能将各功能模块分离，以期重复利用。

getStock.py（获取全市场股票）:

selectStock.py（基本面筛选）:

tradeStock.py（下载行情数据到本地）：

tradeData.py（筛选买点和卖点）：

calWin.py（估算胜率）：

示例代码至此结束。结果就懒的贴出来了。上述代码，不仅对于估算胜率有用，在进行收益风险比的估算的时候，同样会用到。后续再搭建吧。