python股票回测_Python量化交易-回测简单的交易策略

这篇文章主要介绍如何使用Python对一些简单的交易策略进行回测，对这块比较感兴趣的朋友可以看一看。

1.获取证券数据

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，我们先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)

1.3.获取数据

获取证券数据的途径主要有两种，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。本文采用的是第一种方式。使用的数据接口是http://www.baostock.com/。

调用数据接口：

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()

解析数据并保存到数据库：

# 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，本文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，再以当周五的收盘价卖出。这个交易逻辑比较简单且实操性强，回测的结果也有可圈可点之处（回测结果见文末）。交易逻辑的核心代码如下：

if wmacd_list[-1] > 0 >= wmacd_list[-2]: # 判断某支股票是否符合当前交易逻辑

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): # 生成每支股票的周macd数据

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

以上只是该交易策略的部分代码，读者不需要看懂其中的逻辑，实际操作过程中应该使用自己的交易策略。

3.模拟交易操作

编写好交易策略后，我们开始对交易策略进行回测。首先我们设定一些初始数据，这些数据是我们日常交易中常见到的，比如初始资金总额、当前可用资金、最大仓位等等，由于该交易策略比较简单，所以我们只需要设定起始资金就可以了：

capital_base = 1000000 # 起始资金设定为100万

history_capital = list() # 用于记录交易结果

接着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（模拟时间推进，并且过滤掉周末和节假日），按照之前设定的交易策略，我们在每周一和周五进行买入卖出操作即可。由于该策略不涉及加减仓，故我们对交易过程进行了简化，通过直接计算得出每周的收益。

对于更为复杂的交易策略，建议开发者分别实现开仓、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)

# 计算本次操作的收益

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过程记录在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，这里使用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（该收益曲线是在限制最大仓位的条件下得出的，如果取消该限制，收益率将更高）：

2014年全年收益

2015年全年收益

2016年全年收益

2017年全年收益

到此为止，我们就完成了对某个交易策略进行回测的全部流程，从回测结果中可以看出，该交易策略在2014-2017这4年中有着不错的表现。按照策略的规则，交易者只需要在每周一开盘前运行策略，开盘后买进策略推荐的股票，最后在周五收盘前卖掉即可，是易于实盘操作的。

读者也可以自由变换交易逻辑来获取不同的结果，通过对回测结果进行分析，可以对我们日常的交易带来一些帮助。

与我交流：[email protected]