Python 量化回测实战：从零搭建双均线策略回测系统（免费数据源 + 完整代码）

用户941614693365
0 阅读6分钟

Python 量化回测实战：从零搭建双均线策略回测系统（免费数据源 + 完整代码）

量化交易的核心不是找到一个"神奇策略"，而是用历史数据验证策略是否可行。本文不依赖任何回测框架，用纯 Python + pandas 从零搭建一个完整的双均线策略回测系统，包含信号生成、收益计算、最大回撤、年化收益等核心指标。

一、回测到底在做什么？

回测就是拿历史数据模拟交易，回答一个问题：

如果过去按这个策略操作，能赚多少钱？

一个最小可用的回测系统需要：

  1. 历史 K 线数据
  2. 交易信号生成逻辑
  3. 模拟买卖过程
  4. 收益与风险指标计算

本文选择最经典的双均线策略作为示例：

  • MA5 上穿 MA20 -> 买入
  • MA5 下穿 MA20 -> 卖出

二、环境准备

安装依赖

pip install "tickflow[all]" --upgrade

只需要一个库就够了，TickFlow SDK 自带 pandas 支持。

三、获取历史数据

使用 TickFlow 的免费服务获取日 K 线，无需注册：

from tickflow import TickFlow

tf = TickFlow.free()

df = tf.klines.get(
    "600519.SH",
    period="1d",
    count=5000,
    adjust="forward",
    as_dataframe=True,
)

print(f"获取到 {len(df)} 根 K 线")
print(df[["trade_date", "open", "high", "low", "close", "volume"]].tail())

这里选择贵州茅台（600519.SH）作为示例，获取尽可能多的历史数据，并使用前复权以保证价格连续性。

四、生成交易信号

计算均线

df["ma5"] = df["close"].rolling(5).mean()
df["ma20"] = df["close"].rolling(20).mean()

生成买卖信号

df["signal"] = 0

# MA5 上穿 MA20 -> 买入信号
buy_mask = (df["ma5"] > df["ma20"]) & (df["ma5"].shift(1) <= df["ma20"].shift(1))
df.loc[buy_mask, "signal"] = 1

# MA5 下穿 MA20 -> 卖出信号
sell_mask = (df["ma5"] < df["ma20"]) & (df["ma5"].shift(1) >= df["ma20"].shift(1))
df.loc[sell_mask, "signal"] = -1

# 查看信号
signals = df[df["signal"] != 0][["trade_date", "close", "ma5", "ma20", "signal"]]
print(f"共产生 {len(signals)} 个交易信号")
print(signals.tail(10))

五、模拟交易过程

import pandas as pd

def backtest(df, initial_capital=100000, commission=0.001):
    """
    简单回测引擎
    - initial_capital: 初始资金
    - commission: 手续费率（单边，默认千一）
    """
    capital = initial_capital
    shares = 0
    position = 0  # 0: 空仓, 1: 持仓
    trades = []

    for i, row in df.iterrows():
        if row["signal"] == 1 and position == 0:
            # 买入：用全部资金买入
            price = row["close"]
            cost = capital * commission
            shares = int((capital - cost) / price / 100) * 100  # 按手取整
            if shares <= 0:
                continue
            buy_amount = shares * price
            capital -= buy_amount + buy_amount * commission
            position = 1
            trades.append({
                "date": row["trade_date"],
                "action": "BUY",
                "price": price,
                "shares": shares,
                "capital": capital,
            })

        elif row["signal"] == -1 and position == 1:
            # 卖出：卖出全部持仓
            price = row["close"]
            sell_amount = shares * price
            capital += sell_amount - sell_amount * commission
            trades.append({
                "date": row["trade_date"],
                "action": "SELL",
                "price": price,
                "shares": shares,
                "capital": capital,
            })
            shares = 0
            position = 0

    # 如果最后还持仓，按最后一天收盘价结算
    if position == 1:
        last_price = df.iloc[-1]["close"]
        sell_amount = shares * last_price
        capital += sell_amount - sell_amount * commission
        trades.append({
            "date": df.iloc[-1]["trade_date"],
            "action": "SELL(END)",
            "price": last_price,
            "shares": shares,
            "capital": capital,
        })

    return capital, trades


final_capital, trades = backtest(df)
trade_df = pd.DataFrame(trades)

print(f"\n初始资金: 100,000")
print(f"最终资金: {final_capital:,.2f}")
print(f"总收益率: {(final_capital / 100000 - 1) * 100:.2f}%")
print(f"交易次数: {len(trade_df)}")
print("\n最近 10 笔交易:")
print(trade_df.tail(10).to_string(index=False))

六、计算核心风险指标

一个回测系统不能只看收益率，还需要看风险指标。

日收益率序列

# 计算策略的每日收益率
df["position"] = 0
pos = 0
for i in range(len(df)):
    if df.iloc[i]["signal"] == 1:
        pos = 1
    elif df.iloc[i]["signal"] == -1:
        pos = 0
    df.iloc[i, df.columns.get_loc("position")] = pos

df["strategy_return"] = df["close"].pct_change() * df["position"].shift(1)
df["cumulative_return"] = (1 + df["strategy_return"]).cumprod()
df["benchmark_return"] = df["close"] / df["close"].iloc[0]

最大回撤

def max_drawdown(cumulative_returns):
    peak = cumulative_returns.expanding().max()
    drawdown = (cumulative_returns - peak) / peak
    return drawdown.min()

mdd = max_drawdown(df["cumulative_return"].dropna())
print(f"最大回撤: {mdd * 100:.2f}%")

年化收益率

total_days = len(df)
trading_days_per_year = 244
total_return = df["cumulative_return"].iloc[-1] - 1
years = total_days / trading_days_per_year
annual_return = (1 + total_return) ** (1 / years) - 1

print(f"年化收益率: {annual_return * 100:.2f}%")

夏普比率

import numpy as np

risk_free_rate = 0.02
daily_rf = risk_free_rate / trading_days_per_year
excess_returns = df["strategy_return"].dropna() - daily_rf
sharpe = np.sqrt(trading_days_per_year) * excess_returns.mean() / excess_returns.std()

print(f"夏普比率: {sharpe:.2f}")

汇总输出

print("=" * 50)
print("回测结果汇总")
print("=" * 50)
print(f"标的: 600519.SH (贵州茅台)")
print(f"策略: 双均线 MA5/MA20")
print(f"回测区间: {df['trade_date'].iloc[0]} ~ {df['trade_date'].iloc[-1]}")
print(f"交易天数: {total_days}")
print(f"总收益率: {total_return * 100:.2f}%")
print(f"年化收益率: {annual_return * 100:.2f}%")
print(f"最大回撤: {mdd * 100:.2f}%")
print(f"夏普比率: {sharpe:.2f}")
print(f"交易次数: {len(trades)}")
print("=" * 50)

七、多股票批量回测

真正的量化研究不会只跑一只股票。下面对多只股票批量回测：

from tickflow import TickFlow
import pandas as pd
import numpy as np

tf = TickFlow.free()

test_symbols = [
    "600519.SH",  # 贵州茅台
    "000858.SZ",  # 五粮液
    "601318.SH",  # 中国平安
    "600036.SH",  # 招商银行
    "000001.SZ",  # 平安银行
]

dfs = tf.klines.batch(
    test_symbols,
    period="1d",
    count=5000,
    adjust="forward",
    as_dataframe=True,
    show_progress=True,
)

results = []

for symbol, df in dfs.items():
    if len(df) < 60:
        continue

    # 计算均线
    df["ma5"] = df["close"].rolling(5).mean()
    df["ma20"] = df["close"].rolling(20).mean()

    # 生成信号
    df["signal"] = 0
    buy = (df["ma5"] > df["ma20"]) & (df["ma5"].shift(1) <= df["ma20"].shift(1))
    sell = (df["ma5"] < df["ma20"]) & (df["ma5"].shift(1) >= df["ma20"].shift(1))
    df.loc[buy, "signal"] = 1
    df.loc[sell, "signal"] = -1

    # 计算收益
    pos = 0
    positions = []
    for _, row in df.iterrows():
        if row["signal"] == 1:
            pos = 1
        elif row["signal"] == -1:
            pos = 0
        positions.append(pos)
    df["position"] = positions
    df["strategy_return"] = df["close"].pct_change() * pd.Series(positions).shift(1).values

    cum_ret = (1 + df["strategy_return"].fillna(0)).cumprod()
    total_return = cum_ret.iloc[-1] - 1

    # 最大回撤
    peak = cum_ret.expanding().max()
    mdd = ((cum_ret - peak) / peak).min()

    # 年化
    years = len(df) / 244
    annual = (1 + total_return) ** (1 / years) - 1 if years > 0 else 0

    results.append({
        "symbol": symbol,
        "total_return": f"{total_return * 100:.2f}%",
        "annual_return": f"{annual * 100:.2f}%",
        "max_drawdown": f"{mdd * 100:.2f}%",
        "trade_days": len(df),
    })

result_df = pd.DataFrame(results)
print(result_df.to_string(index=False))

八、策略改进方向

基础的双均线策略只是起点，可以在此基础上做很多改进：

1. 增加过滤条件

# 在买入信号基础上，增加成交量放大条件
df["vol_ma20"] = df["volume"].rolling(20).mean()
buy_with_volume = buy & (df["volume"] > df["vol_ma20"] * 1.5)

2. 加入止损

# 买入后跌破买入价的 5% 则止损
stop_loss_pct = 0.05

3. 使用不同周期

# 周K回测
df_weekly = tf.klines.get("600519.SH", period="1w", count=1000, adjust="forward", as_dataframe=True)

4. 换用其他指标

可以把均线换成 MACD 金叉/死叉、RSI 超买超卖、布林带突破等。数据获取方式完全一样，只需修改信号生成逻辑。

九、总结

本文从零搭建了一个完整的量化回测系统：

  1. 数据获取：TickFlow 免费层获取全量历史日 K 线
  2. 信号生成：双均线交叉策略
  3. 模拟交易：含手续费计算和仓位管理
  4. 风险指标：总收益率、年化收益率、最大回撤、夏普比率
  5. 批量回测：对多只股票进行对比分析

整个过程不依赖任何回测框架（如 backtrader、zipline），只用 pandas，代码清晰且容易修改。

数据是回测的基础。选择一个稳定且免费的数据源，可以让你把精力集中在策略本身。

相关链接

回测不是为了证明策略有多好，而是为了知道它在什么条件下会失效。

avatar
文章
阅读
粉丝