------从零开始学量化------
简书：量化目录传送门
知乎：量化目录传送门
0. 前言
在1.4中，我们实现了一个简单的量化择时策略，那么该策略到底效果如何呢？我们该使用什么开源框架，使用历史数据回测策略呢？我们又该用那些指标评价一个策略？
本篇的内容就是回答以上的问题的，下面给一个简要的答案：
回测的开源框架：zipline
策略的评价指标：
- 累计收益
- 年化收益
- 最大回撤
- 夏普比率
为什么选择zipline？主要由以下几点原因：
- 在quant的框架中star数最多，版本更新和维护比较快。
- 社区生态比较好，出现问题，google容易找到解决方案。
- 该框架在国外已经比较成熟，坑少。
1. 策略的回测结果
1.1 策略的回测指标
年化收益率 = 8.34%
累计收益率 = 17.37%
最大回撤 = -16.14%
夏普比率 = 0.62
1.2 策略的收益图
策略收益图
1.3 回测的环境
量化框架：zipline（version = 1.3.0）
1.4 策略追踪的股票和benchmark
追踪的股票：个股选择了苹果（AAPL）
benchmark：美国标普500（SPX）的指数
策略时间： 2015-01-01 ~ 2017-01-01
1.5 择时策略描述
买入： 当cci >= 50
卖出：当cci < 50
2. zipline回测前的准备
在开始回测之前，zipline首先需要下载数据包（data bundle）。由于在1.2篇——环境安装中已经说明了zipline的安装方式,如果还有问题可以查看zipline github installation。下面假设大家已经使用anaconda安装好了zipline（我的zipline的版本是1.3.0）。
zipline安装完毕后，可以打开命令行，输入命令查询zipline目前支持的数据包，具体可以参考Zipline Data Bundles，输入的命令如下：
# 命令行中输入查询数据包的命令
zipline bundles
# 返回的结果
csvdir <no ingestions>
quandl <no ingestions>
quantopian-quandl <no ingestions>
从命令行中可以看到，zipline中没有载入任何数据包。然后我们开始下载数据包，具体可以参考Zipline 的安装配置。下载数据包主要分为两步：
第一步：登录quandl官网，进行注册，获得api key。
第二部：设置api key，并下载数据包，具体命令如下：
# 设置quandl的api key
set QUANDL_API_KEY=your_key
# 下载数据包
zipline ingest -b quandl
# 查询数据包
zipline bundles
# 返回
csvdir <no ingestions>
quandl 2018-07-23 09:34:37.144466
quandl 2018-07-23 09:28:37.817531
quantopian-quandl <no ingestions>
当zipline bundles 返回的quandl中出现上面的返回，说明数据下载成功。
3. 策略代码
from datetime import datetime
import matplotlib.pyplot as plt
import pytz
import seaborn as sns
import talib as ta
from empyrical import cum_returns, annual_return, sharpe_ratio, max_drawdown
from matplotlib.dates import DateFormatter
from zipline import run_algorithm
from zipline.api import symbol, order, record
from zipline.finance import commission, slippage
def initialize(context):
# 记录股票代码，通过股票代码获取股票对象
context.asset = symbol('AAPL')
# 定义是否买入股票的标记
context.invested = False
# 设置交易的手续费，股票成交时，手续费按成交金额一定比例收取
# 设置手续费率和最低费用
context.set_commission(commission.PerShare(cost=.0075, min_trade_cost=1.0))
# 设置模拟真实交易的滑价，当实际下单交易时，下单订单将影响市场。买单驱使价格上涨，卖单驱使价格下滑;
# 这通常被称为交易的“价格影响”。价格影响的大小取决于订单与当前交易量相比有多大。
context.set_slippage(slippage.VolumeShareSlippage(volume_limit=0.025, price_impact=0.1))
def handle_data(context, data):
# 获取历史股票数据
# context.asset表示股票列表
# fields – 历史数据项或集合，项可以为’close’, ‘open’, ‘high’, ‘low’, ‘price’
# bar_count – 获取多少单位时间
# frequency – 可以取值‘1m’ 或 ‘1d’。 ‘1m’表示分钟单位, ‘1d’表示日单位, 现在只支持日单位
trailing_window = data.history(context.asset, ['high', 'low', 'close', 'open'], 40, '1d')
# 数据为空则返回
if trailing_window.isnull().values.any():
return
# 计算cci指标
cci = ta.CCI(trailing_window['high'].values, trailing_window['low'].values, trailing_window['close'].values,
timeperiod=14)
# 定义买入和卖出的标志位
buy = False
sell = False
if (cci[-1] >= 50) and not context.invested:
# 买卖股票，按股票数量生成订单，amount为负，表示做空。
# 参数:
# asset – 股票
# amount – 交易数量, 正数表示买入, 负数表示卖出
# style –（可选参数）指定下单类型，默认为市价单，可用的下单类型如下：
# style=MarketOrder()，下市价单
# style=StopOrder(stop_price)，下止损单，通常用来止损或者锁定利润
# style=LimitOrder(limit_price)，下限价单，限定一个价格买入或卖出
# style=StopLimitOrder(limit_price=price1, stop_price=price2)，指定限价和止损价格
order(context.asset, 100)
# 设置买入
context.invested = True
buy = True
elif (cci[-1] < 50) and context.invested:
order(context.asset, -100)
context.invested = False
sell = True
# 记录函数，在交易执行时记录用户自定义数据，该数据存放在回测输出结果中
record(open=data.current(context.asset, "open"),
high=data.current(context.asset, "high"),
low=data.current(context.asset, "low"),
close=data.current(context.asset, "close"),
cci=cci[-1],
buy=buy,
sell=sell)
# 定义分析回测效果的函数
def analyze(context=None, results=None):
pass
def draw_return_rate_line(result):
sns.set_style('darkgrid')
sns.set_context('notebook')
ax = plt.axes()
# 设置时间显示格式
years_fmt = DateFormatter('%Y-%m-%d')
ax.xaxis.set_major_formatter(years_fmt)
# 让x轴坐标旋转45度
labels = ax.get_xticklabels()
plt.setp(labels, rotation=35, horizontalalignment='right')
# 画出收益率曲线
sns.lineplot(x='period_close',
y='algorithm_period_return',
data=result,
label="AAPL")
sns.lineplot(x='period_close',
y='benchmark_period_return',
data=result, label="SPX")
plt.legend(loc='upper left')
plt.title("return rate of AAPL and SPX")
plt.xlabel('time')
plt.ylabel('return rate')
plt.show()
if __name__ == '__main__':
capital_base = 10000
start = datetime(2015, 1, 1, 0, 0, 0, 0, pytz.utc)
end = datetime(2017, 1, 1, 0, 0, 0, 0, pytz.utc)
# 运行算法
result = run_algorithm(start=start, end=end, initialize=initialize,
capital_base=capital_base, handle_data=handle_data,
bundle='quandl', analyze=analyze)
# 画出收益曲线图
draw_return_rate_line(result)
return_list = result['returns']
# 计算年化收益率
ann_return = annual_return(return_list)
# 计算累计收益率
cum_return_list = cum_returns(return_list)
# 计算sharp ratio
sharp = sharpe_ratio(return_list)
# 最大回撤
max_drawdown_ratio = max_drawdown(return_list)
print("年化收益率 = {:.2%}, 累计收益率 = {:.2%}, 最大回撤 = {:.2%}, 夏普比率 = {:.2f} ".format
(ann_return, cum_return_list[-1], max_drawdown_ratio, sharp))
如果你对我的文章有兴趣，可以关注一下我的简书和知乎，后期会在简书和知乎上定期更新，传送门在下方：
简书：潇潇夜雨归何处
知乎：潇潇夜雨
我相信，有趣的灵魂总会相遇！！！
你的关注，是我前进的动力！！！
