欢迎大家订阅《Python实战-构建基于股票的量化交易系统》小册子，小册子会陆续推出与小册内容相关的专栏文章，对涉及到的知识点进行更全面的扩展介绍，并且会有选择地收录至小册中，更便于广大读者查阅知识点。本篇专栏为小册子内容的加推篇！！！

前言

当我们开发了一个交易策略，需要对策略进行回测。那么我们就需要一个回测框架。

目前已存在很多成熟的回测框架，也有各种平台。这些框架或平台各有优劣，并不能满足每个人的需求。为了将之前学习的量化交易的知识点贯穿起来，更好地巩固学习内容，也为了今后能够搭建适合自己的框架，本小节我们一起来搭建一个简单的回测框架。

策略回测流程

完成一个策略的回测总体来说包括以下几步：

获取行情数据。我们以股票行情数据为例，至少需要获取到收盘价、开盘价、最高价、最低价、成交量。通常我们将数据按时间先后分为两份：一份作为策略训练集数据；一份作为策略测试集数据。
产生择时策略信号。我们以课程中的择时策略为例，在训练集数据上产生包含交易信号的序列。全面一些的策略，是应该在择时策略中可以融入止盈止损机制、参数优化措施等等。
输出策略回测报告。首先设置回测初始资金，然后根据交易信号买卖股票。我们可以选择全仓买入/卖出，也可以使用仓位管理功能。最后以回测指标来评估策略的效果。回测指标包含资金收益率、与基准收益的对比、资金最大回撤、涨跌幅最大回撤等。当然，在实际交易中是有交易手续费和滑点情况的，更贴近实际的话是需要考虑这些因素。
可视化策略回测效果。可视化在各个领域的数据分析过程中都是很重要的，可以最为直观的展示数据背后的含义，此处我们可以可视化收益曲线、最大回撤曲线来更加直观地评估策略运行情况。

函数接口介绍

1、获取股票交易数据接口GetStockDatApi。

接口介绍如下：

# 数据获取接口，可参考《差异化分析常用股票交易数据接口》
# 输入参数
#   :param data: code 股票代码
#   :param data: start 起始日期，默认为2010年1月1日
#   :param data: start 起始日期，默认为2010年1月1日
# 输出参数
#   :return data: df_recon 规整化后的DataFrame格式股票数据
# 注意：该接口为股票除权数据

接口使用例程如下，调用后会返回收盘价、开盘价、最高价、最低价、成交量：

df_stock = GetStockDatApi("000876.SZ", '20170101', '20200101')
"""
             High    Low   Open  Close     Volume
trade_date                                       
2017-01-03   8.12   8.07   8.07   8.12  179801.01
2017-01-04   8.16   8.09   8.13   8.15  166242.35
2017-01-05   8.23   8.13   8.15   8.17  222902.53
2017-01-06   8.19   8.12   8.18   8.13  128549.96
2017-01-09   8.15   8.08   8.13   8.13  136700.04
...           ...    ...    ...    ...        ...
2019-12-25  18.79  18.44  18.59  18.60  207776.34
2019-12-26  18.76  18.46  18.69  18.60  189935.42
2019-12-27  19.43  18.58  18.74  19.28  504214.70
2019-12-30  19.50  18.92  19.24  19.38  379296.95
2019-12-31  20.31  19.55  19.55  19.95  562873.40

[731 rows x 5 columns]
"""

2、择时策略信号生成接口，此处为计算N日突破信号CalNdaysSignal。

接口介绍如下：

# 计算N日突破信号接口，可参考《海龟择时策略入门量化交易》
# 输入参数
#   :param data: stockdata 个股行情数据
#   :param data: N1 策略参数，默认为15
#   :param data: N2 策略参数，默认为5
# 输出参数
#   :return data: 添加交易信号的DataFrame格式股票数据

接口使用例程如下：

df_stock = CalNdaysSignal(df_stock, N1=15, N2=5)

调用接口后返回的股票数据如下所示：

"""
             High    Low   Open  Close     Volume  N1_High  N2_Low  signal
trade_date                                                                
2017-01-03   8.12   8.07   8.07   8.12  179801.01     8.12    8.12     1.0
2017-01-04   8.16   8.09   8.13   8.15  166242.35     8.15    8.12     1.0
2017-01-05   8.23   8.13   8.15   8.17  222902.53     8.17    8.12     1.0
2017-01-06   8.19   8.12   8.18   8.13  128549.96     8.17    8.12     1.0
2017-01-09   8.15   8.08   8.13   8.13  136700.04     8.17    8.07     1.0
...           ...    ...    ...    ...        ...      ...     ...     ...
2019-12-25  18.79  18.44  18.59  18.60  207776.34    21.53   18.36     0.0
2019-12-26  18.76  18.46  18.69  18.60  189935.42    21.53   18.36     0.0
2019-12-27  19.43  18.58  18.74  19.28  504214.70    21.03   18.36     0.0
2019-12-30  19.50  18.92  19.24  19.38  379296.95    20.71   18.36     0.0
2019-12-31  20.31  19.55  19.55  19.95  562873.40    20.31   18.44     0.0

[731 rows x 8 columns]
"""

3、择时策略融入风险管理因子生成交易信号接口CalNdaysStopSignal。

接口介绍如下：

# N日突破择时策略基础上引入风险管理因子，可参考《择时策略融入ATR风险管理》
# 输入参数
#   :param data: stockdata 个股行情数据
#   :param data: N1 策略参数，默认为15
#   :param data: N2 策略参数，默认为5
#   :param data: n_loss 止损策略参数，默认为0.8
#   :param data: n_win 止盈策略参数，默认为2
# 输出参数
#   :return data: 规整化后 添加交易信号的DataFrame格式股票数据
# 注意：该接口为股票除权数据

接口使用例程如下：

df_stock = CalNdaysStopSignal(df_stock, N1=15, N2=5, n_loss=0.8, n_win=2)

调用接口后产生的止盈止损信号如下：

"""
17-03-09 买入价格：8.16 止损卖出价格：8.06
17-03-28 买入价格：8.24 止损卖出价格：8.16
17-06-16 买入价格：8.07 止损卖出价格：7.98
17-07-04 买入价格：8.31 止损卖出价格：8.17
17-11-14 买入价格：7.74 止损卖出价格：7.62
17-11-23 买入价格：7.95 止损卖出价格：7.77
18-02-01 买入价格：8.32 止损卖出价格：8.04
18-05-30 买入价格：7.34 止损卖出价格：7.02
18-07-19 买入价格：6.53 止损卖出价格：6.33
18-11-20 买入价格：6.83 止损卖出价格：6.64
18-12-06 买入价格：7.52 止损卖出价格：7.27
19-01-08 买入价格：7.82 止损卖出价格：7.6
19-02-28 买入价格：11.18 止损卖出价格：10.6
19-03-13 买入价格：14.22 止损卖出价格：12.8
19-04-11 买入价格：14.84 止损卖出价格：14.03
19-05-07 买入价格：17.31 止损卖出价格：16.15
19-06-06 买入价格：20.6 止损卖出价格：18.67
19-07-18 买入价格：20.25 止损卖出价格：19.1
19-09-06 买入价格：19.51 止损卖出价格：18.48
19-10-17 买入价格：18.85 止损卖出价格：18.25
19-10-31 买入价格：23.13 止损卖出价格：22.06 
"""

调用接口后返回的股票数据如下所示：

"""
              High    Low   Open  Close   ...    N1_High  N2_Low  atr14  signal
trade_date                               ...                                  
2017-01-03   8.12   8.07   8.07   8.12   ...       8.12    8.12   0.10     0.0
2017-01-04   8.16   8.09   8.13   8.15   ...       8.15    8.12   0.10     0.0
2017-01-05   8.23   8.13   8.15   8.17   ...       8.17    8.12   0.10     0.0
2017-01-06   8.19   8.12   8.18   8.13   ...       8.17    8.12   0.10     0.0
2017-01-09   8.15   8.08   8.13   8.13   ...       8.17    8.12   0.10     0.0
...           ...    ...    ...    ...   ...        ...     ...    ...     ...
2019-12-25  18.79  18.44  18.59  18.60   ...      21.60   18.36   0.72     0.0
2019-12-26  18.76  18.46  18.69  18.60   ...      21.53   18.36   0.69     0.0
2019-12-27  19.43  18.58  18.74  19.28   ...      21.53   18.36   0.70     0.0
2019-12-30  19.50  18.92  19.24  19.38   ...      21.03   18.36   0.69     0.0
2019-12-31  20.31  19.55  19.55  19.95   ...      20.71   18.36   0.71     0.0

[731 rows x 9 columns]
"""

4、输出策略回测报告接口SimpleBackTest。

接口介绍如下：

# 执行简易策略回测接口，可参考《收益与风险维度度量策略效果》
# 输入参数
#   :param data: stockdata 股票数据及交易信号
#   :param data: code_name 股票名称
#   :param data: cash_hold 回测资金
# 输出参数
#   :return data: 添加回测结果的DataFrame格式股票数据

接口使用例程如下：

df_stock = SimpleBackTest(df_stock, "新希望", 100000)

调用接口后可打印输出最终资金、基准收益率、股票买卖记录等回测结果。

"""
新希望 回测结果
最终资金：132180.0
基准收益率：0.8988989891622865
策略收益率：0.046179711142093044
最大回撤点：trade_date 2019-10-18    0.58
"""
"""
17-01-03 买入新希望 12300股
17-01-13 卖出新希望 12300股
17-02-10 买入新希望 12100股
17-03-10 卖出新希望 12100股
17-03-24 买入新希望 11700股
17-03-31 卖出新希望 11700股
17-06-13 买入新希望 11600股
17-07-18 卖出新希望 11600股
17-11-03 买入新希望 12500股
17-12-01 卖出新希望 12500股
18-01-08 买入新希望 12000股
18-02-02 卖出新希望 12000股
18-05-17 买入新希望 13300股
18-05-31 卖出新希望 13300股
18-07-16 买入新希望 14500股
18-08-02 卖出新希望 14500股
18-11-05 买入新希望 14600股
18-11-28 卖出新希望 14600股
18-11-29 买入新希望 14500股
18-12-18 卖出新希望 14500股
19-01-07 买入新希望 13400股
19-03-15 卖出新希望 13400股
19-04-03 买入新希望 11100股
19-04-12 卖出新希望 11100股
19-05-06 买入新希望 9400股
19-05-09 卖出新希望 9400股
19-05-31 买入新希望 7300股
19-06-24 卖出新希望 7300股
19-07-16 买入新希望 6500股
19-07-23 卖出新希望 6500股
19-09-02 买入新希望 6200股
19-09-09 卖出新希望 6200股
19-10-11 买入新希望 6100股
19-10-21 卖出新希望 6100股
19-10-22 买入新希望 6000股
19-11-18 卖出新希望 6000股
"""

另外，接口的返回值在DataFrame格式股票数据的基础上添加了每个交易日的动态回测数据。

"""
               total  per_total  max_total  Close  max_close  trend_profit  benchmark_profit
trade_date                                                                                  
2017-01-03   99997.0       1.00    99997.0   8.12       8.12           NaN               NaN
2017-01-04  100367.0       1.00   100367.0   8.15       8.15      3.69e-03          3.69e-03
2017-01-05  100613.0       1.00   100613.0   8.17       8.17      2.45e-03          2.45e-03
2017-01-06  100120.0       1.00   100613.0   8.13       8.17     -4.91e-03         -4.91e-03
2017-01-09  100120.0       1.00   100613.0   8.13       8.17      0.00e+00          0.00e+00
...              ...        ...        ...    ...        ...           ...               ...
2019-12-25  146829.0       0.74   198468.0  18.60      23.20      0.00e+00          3.77e-03
2019-12-26  146829.0       0.74   198468.0  18.60      23.20      0.00e+00          0.00e+00
2019-12-27  146829.0       0.74   198468.0  19.28      23.20      0.00e+00          3.59e-02
2019-12-30  146829.0       0.74   198468.0  19.38      23.20      0.00e+00          5.17e-03
2019-12-31  146829.0       0.74   198468.0  19.95      23.20      0.00e+00          2.90e-02

[731 rows x 7 columns]
"""

5、策略回测效果可视化接口DrawBackTest，该接口以图表形式输出回测结果。

接口介绍如下：

# 执行简易策略回测接口，可参考《收益与风险维度度量策略效果》
# 输入参数
#   :param data: df_stockload股票数据/交易信号/回测结果数据
#   :param data: code_name 股票名称

接口使用例程如下：

DrawBackTest(df_stock, "新希望")

调用接口后以图表形式输出回测结果。

6、账户类ST_Account，该类中提供了当前账户的剩余资金、持仓股数、总资产、交易操作等接口。

构造函数如下所示：

#可参考《择时策略融入ATR动态仓位管理》
def __init__(
        self,init_hold={},
        init_cash=1000000,
        commission_coeff=0,
        tax_coeff= 0):
    """
    :param [dict] init_hold           初始化时的股票资产
    :param [float] init_cash:         初始化资金
    :param [float] commission_coeff:  交易佣金 :默认 万2.5(float类型 0.00025) 此处例程设定为0
    :param [float] tax_coeff:         印花税   :默认 千1.5(float类型 0.001) 此处例程设定为0
    """
    self.hold = init_hold
    self.cash = init_cash

创建账户的实例，如下所示：

account_a = ST_Account(dict(), 100000) # 账户A 持股数目和初始资金

account_b = ST_Account(dict(), 100000) # 账户B 持股数目和初始资金

7、关于ATR头寸管理和动态仓位管理接口，分别由draw_graph类和run_add_postion类完成。

draw_graph包含了计算每日账户中的交易情况、绘制账户收益曲线等方法。

run_add_postion类继承了draw_graph，并且添加了动态仓位管理方法。为了体现ATR头寸管理和动态仓位管理的效果，我们在draw_graph类中默认观察2个资金账户，一个账户执行全仓买入卖出，另一个账户执行仓位管理。

测试例程如下所示：

#可参考《择时策略融入ATR动态仓位管理》
test_kind = u"test1"  # test1:ATR头寸 / test2:动态仓位调整
fig = plt.figure(figsize=(16, 8), dpi=100, facecolor="white") # 创建fig对象
if test_kind == u"test1": # ATR头寸
    app_graph_a = draw_graph(fig, df_stock, "600410.SS")
    app_graph_a.draw_config()
else: # 动态仓位调整
    app_graph_b = draw_add_postion(fig, df_stock, "600410.SS")
    app_graph_b.draw_config()
plt.show()

比如调用draw_graph的实例之后会以图表形式输出回测结果。

比如调用draw_add_postion的实例之后会输出动态仓位的调整信息。

"""
17-02-10 账户A 买入价格：8.13 买入股数：12300
17-02-10 账户B 买入价格：8.13 买入股数：11822
17-02-14 账户B 加仓价格：8.14 加仓股数：720
17-02-15 账户B 减仓价格：8.16 减仓股数：810
17-02-20 账户B 减仓价格：8.26 减仓股数：804
17-02-24 账户B 加仓价格：8.19 加仓股数：551
17-03-03 账户B 加仓价格：8.11 加仓股数：831
17-03-06 账户B 加仓价格：8.15 加仓股数：526
17-03-10 账户A 卖出价格：8.06 卖出股数：12300
17-03-10 账户B 卖出价格：8.06 卖出股数：12836
……
19-10-11 账户B 买入价格：18.62 买入股数：1368
19-10-18 账户A 卖出价格：18.06 卖出股数：5267
19-10-18 账户B 卖出价格：18.06 卖出股数：1368
19-10-22 账户A 买入价格：19.3 买入股数：4929
19-10-22 账户B 买入价格：19.3 买入股数：1407
19-11-01 账户A 卖出价格：22.09 卖出股数：4929
19-11-01 账户B 卖出价格：22.09 卖出股数：1407
"""

总结

以上这些知识点都涵盖在课程中，此处我们提供给大家一个“索引”，旨在把知识点和所在课程中的位置相匹配起来。

同学们可以结合课程中参考的小节自己调试一番，通过这个过程使大家能够对量化交易的回测方面有更整体的掌握。

只有经过自己亲手实践，才能有更深刻的理解，当然我们也有提供了整理后的回测框架源码，有需要对比分析的同学可以在群中私信我。

以上策略及涉及到的股票仅用于教学，不构成任何投资建议！投资需谨慎，入市有风险！！！

更多的量化交易内容欢迎大家订阅小册阅读！！

同时也欢迎大家关注我的微信公众号【元宵大师带你用Python量化交易】了解更多Python量化交易相关内容