下面文章描述可能比excel高级一点，距离backtrader这些框架又差一点。做最基础的测试可以，如果后期加入加仓功能，或者是止盈止损等功能，很不合适。只能做最简单的技术指标测试。
导包，常用包导入：
|
1
2
3
4
5
6
7
8
9
|
import osimport akshare as akimport requestsimport numpy as npimport pandas as pdimport matplotlib.pyplot as pltimport talib as ta%matplotlib inlineplt.style.use("ggplot") |
获取数据，本文使用akshare中债券数据为对象分析：
bond_zh_hs_daily_df = ak.bond_zh_hs_daily(symbol="sh010107")
添加指标：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
|
def backtest_trend_strategy(ohlc: pd.DataFrame, fast_period: int = 50, slow_period: int = 200, threshold: float = 1.0) -> pd.DataFrame: """封装向量化回测的逻辑""" # 计算指标 ohlc["fast_ema"] = talib.EMA(ohlc.close, fast_period) ohlc["slow_ema"] = talib.EMA(ohlc.close, slow_period) ohlc["pct_diff"] = (ohlc["fast_ema"] / ohlc["slow_ema"] - 1) * 100 # 生成信号，1表示做多，-1表示做空，0表示空仓 ohlc["signal"] = np.where(ohlc["pct_diff"] > threshold, 1, 0) ohlc["signal"] = np.where(ohlc["pct_diff"] < -threshold, -1, ohlc["signal"]) # 计算策略收益率 ohlc["returns"] = np.log(ohlc["close"] / ohlc["close"].shift(1)) ohlc["strategy"] = ohlc["signal"].shift(1) * ohlc["returns"] ohlc["strategy_returns"] = ohlc["strategy"].cumsum() return ohlc |
运行策略，并绘制图片：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
|
data = strategy1(data) fig, ax = plt.subplots(nrows=3, ncols=1, figsize=(12, 15), sharex=True) ax[0].plot(data.index, data["close"])ax[0].plot(data.index, data["fast_ema"])ax[0].plot(data.index, data["slow_ema"])ax[0].set_title("Price and Indicators") ax[1].plot(data.index, data["signal"])ax[1].set_title("Strategy Position") data[["returns", "strategy"]].cumsum().plot(ax=ax[2], title="Strategy Return") |
参数优化：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
|
# 选择核心参数和扫描区间，其它参数保持不变fast_period_rng = np.arange(5, 101, 5) total_return = []for fast_period in fast_period_rng: ohlc = data.filter(["open", "high", "low", "close"]) res = backtest_trend_strategy(ohlc, fast_period, 200, 1.0) total_return.append(res["strategy_returns"].iloc[-1]) # 散点图：策略收益率 vs 快速均线回溯期fig, ax = plt.subplots(figsize=(12, 7))ax.plot(fast_period_rng, total_return, "r-o", markersize=10)ax.set_title("Strategy Return vs Fast period")ax.set_xlabel("fast_period")ax.set_ylabel("return(%)") |
到此这篇关于python使用pandas进行量化回测的文章就介绍到这了,更多相关pandas进行量化回测内容请搜索服务器之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持服务器之家！
原文链接：https://blog.csdn.net/qq_26742269/article/details/123697226
