在上一章节《策略回测》中采用轮询的方式对整个股票池进行了回测。虽然功能已经实现,但是效率确实不高。而且生成的结果也不方便统计。
本次在上一章的基础上进行修改,实现两方面的改进:
backtrade
专门存储回测数据。records
用于存储每次回测内容和时间,相当于回测数据的一个索引。btdata
用于存储回测数据。create database backtrade vgroups 2 stt_trigger 1 wal_retention_period 0;
use backtrade;
create table records(ts timestamp,record nchar(200));
create stable btdata(ts timestamp,profit double) tags (`fcode` binary(6), `fname` nchar(20));
根据股票代码创建子表,因为之前trade_data_c
已经有类似的表名称,可以借用一部分。
导出表名和标签,并构建建表语句。
taos -s "select distinct tbname,fcode,fname from trade_data_c.tdata" |grep "t_" |sed 's/ //g'|awk -F '|' '{print "create table " $1 " using btdata tags(\047"$2"\047,\047"$3"\047);"}' > create.sql
导入建表语句
use backtrade;
source create.sql
def thread_func(df_code,tnum,list_num):
bi = tnum*list_num
ei = bi+list_num
if tnum < (threadNum-1):
df = df_code.iloc[bi:ei,:]
else:
df = df_code.iloc[bi:len(df_code),:]
df_profit = loop_bt(df)
write_td(df_profit)
def multi_thread(df,wmethod):
print('')
print('--------------------begin------------------')
threads = []
if len(df) < threadNum:
df_profit = loop_bt(df)
write_td(df_profit)
else:
listnum = int(len(df)/threadNum)
if wmethod == 'process':
for tnum in range(threadNum):
t = multiprocessing.Process(target=thread_func,args=(df,tnum,listnum))
threads.append(t)
else:
for tnum in range(threadNum):
t = threading.Thread(target=thread_func,args=(df,tnum,listnum))
threads.append(t)
for t in threads:
t.start()
for t in threads:
t.join()
print('--------------------end------------------')
print('')
def export_sql(dbname,tbname,idata):
exsql = 'insert into '
for index,row in idata.iterrows():
exsql = exsql + dbname +'.t_' + idata.loc[index,"fcode"] + ' values ('
ts = current_time
exsql = exsql + str(ts) + ','
exsql = exsql + str(idata.loc[index,"PRate"]) + ') '
exsql = exsql + ';'
return exsql
# 将数据写入TDengine
def write_td(df):
sql_trade = export_sql('backtrade','btdata',df)
rt = get_request(sql_trade)
return rt
pfile = open(file,'a',encoding='UTF-8')
sql_code = f"select distinct tbname,fcode,fname from {db_name}.{table_name} order by fcode ;"
result = get_request(sql_code)
write_record('MACD-12_26')
df_code = pd.DataFrame(result, columns=['tbname','fcode', 'fname'])
multi_thread(df_code,'thread')
pfile.close()
该程序用于进行MACD交易策略的回测。给定一组股票数据,程序会根据MACD指标的金叉和死叉信号进行买入和卖出操作,并计算收益率。
该程序依赖以下库:
pip install requests json matplotlib pandas numpy multiprocessing
下载程序文件:将程序代码保存为一个Python脚本(例如macd_all_code.py
)。
配置数据库信息:根据实际情况,修改代码中的主机地址、端口、用户名、密码、数据库名称等。
运行程序:在控制台中运行以下命令来执行程序:
python macd_all_code.py
程序主要有以下几个部分:
定义和初始化TDengine数据库的连接信息,包括主机地址、端口、用户名、密码、数据库名称等。
实现了一个get_request(sql)
函数,用于发送RESTful请求并获取查询结果。它基于提供的主机地址、端口、用户名、密码构建URL,并发送包含查询SQL的POST请求。
定义了两个辅助函数:calculate_ema(prices, period)
和calculate_macd(prices, short_period, long_period, signal_period)
。前者用于计算指数移动平均值(EMA),后者用于计算MACD指标的值。
check_macd(macd_line, signal_line)
函数用于判断MACD金叉和死叉的发生。它遍历MACD线和信号线的历史数据,并根据交叉点的情况进行判断。
calculate_profit(prices, signals)
函数用于计算收益率。它根据买卖信号和股票价格,通过模拟真实的交易操作,计算出回测期间的收益情况。
backtrader(fcode)
函数是实现回测策略的核心部分。它接收一个股票代码作为参数,使用get_request()
函数获取该股票的历史价格数据,并调用辅助函数计算MACD指标。然后,根据MACD指标的金叉和死叉信号,计算回测期间的收益率。
程序使用get_request()
函数查询数据库,获取所有股票代码和名称。然后,它使用多线程或多进程的方式,遍历股票代码并进行回测策略。最后,将计算得到的收益率结果写入到TDengine数据库中。