很好的东西

学习了！

如何使用ricequant 平台进行落单和回测

在上个教程中，我们学习了写交易策略必不可少的两个部分init和handle_bar，并且开始着手写我们的第一个金叉策略，已经有了基本思路和写了以下的基本代码
def init(context):

    context.s1 = "000001.XSHE"
    update_universe([context.s1])
   
def handle_bar(context, bar_dict):
     
    MA_short= bar_dict[context.s1].mavg(20,frequency='day')
    MA_long = bar_dict[context.s1].mavg(50,frequency ='day')

    curPosition =context.portfolio.positions[context.s1].quantity
    shares = context.portfolio.cash/bar_dict[context.s1].close


准备工作完成，接下来我们的目标是建立起交易落单的逻辑，以便于我们使用历史数据进行回测。金叉的交易思路我们在上一篇教程中已经分析，如果短期均线从底部突破长期均线，是买入信号，我们把思路转化为python代码。
    if MA_short > MA_long and curPosition == 0:
       order_shares(context.s1,shares)        


在这里我们接触到了新的api，就是落单功能order_shares，这里有两个参数，第一个是股票代码，第二个代表买多少share，如果数值为负数就代表卖出。在这个例子里，我们满仓买入。

Ricequant提供了强大而灵活的各种order的方法,除了最基本的order_shares之外，还可以使用order_target_value,order_lot,order_percent等等。在上面这个例子中，满仓买入我们使用order_target_percent会更加方便，在这里传入的第二个参数不再是购买（卖出）的数量，而是购买（卖出）后该股票占到投资组合的百分比，0代表0%，1代表100%。
   if MA_short > MA_long and curPosition == 0:  
       order_target_percent(context.s1,1)


如果短期均线从顶部跌破，那么出现一个清仓的信号。
    if MA_short < MA_long and curPosition != 0:      
        order_target_percent(context.s1,0)


好啦，整个可以用来回测的交易程序就基本写完了，是不是很简单呢？在进行回测前，我们还有最后一个步骤要完成，只要是交易策略不免会涉及到手续费，印花税和滑点费用。目前ricequant的默认设置如下

•固定印花税: 0.1%，


•手续费: 0.08% - 可以用context.commission手动修改


•滑点: 0.246% － 可以用context.slippage手动修改


在认为默认设置不符合实际需求的情况下，手续费和滑点可以手动在init 模块中进行修改。比如在这个回测中，我准备用的起始资金少，股票交易量较大，我认为滑点小于预设默认数值。
def init(context):
    context.slippage = 0.05
    context.commission = 0.08 #和默认数值相同，可以省略代码   


大功告成，让我们来看一看我们完成的第一个完整回测策略吧，是不是非常简单呢！
def init(context):
    context.s1 = "000001.XSHE"
    context.slippage = 0.05
    update_universe([context.s1])
   
   
def handle_bar(context, bar_dict):
     
    MA_short= bar_dict[context.s1].mavg(20,frequency ='day')
    MA_long = bar_dict[context.s1].mavg(50,frequency ='day')

    curPosition =context.portfolio.positions[context.s1].quantity
    shares = context.portfolio.cash/bar_dict[context.s1].close
   
    if MA_short > MA_long and curPosition == 0:  
       order_target_percent(context.s1,1)
      
    if MA_short < MA_long and curPosition != 0:
       order_target_percent(context.s1,0)


P2.png

除了策略表现以外，我们经常希望直观的看到一些历史数据以图表的方式展现出来，以上面金叉策略为例，我们想画出短均线，长均线和股票价格，可是直观地看出产生金叉的时候是不是一个交易的好的信号。

这时候就可以使用Ricequant的plot 功能来实现，在上述策略中的handle_bar function下面加入这几行代码
plot('close', bar_dict[context.s1].close)
plot('short_avg',MA_short)
plot('long_avg',MA_long)


这段code的意义是在每个handle_bar的时间切片上绘制下该时间的数值，这个数值可以是bar_dict当中存储的股票价格，也可以是任意我们赋值的参数，比如当前的N日均价，或者当天的某个技术指标（之后的教程中会降到），等等。

P3.png

如何解读回测结果数据

Ricequant的回测结果中，我们比较关心的回测数据主要是

回测收益 & 基准收益

这是最直观的收益对比。其他风险数据相似的情况下，回测收益相对基准收益越高，策略表现越好。

Beta

Beta 主要是衡量策略相对于大盘的系统风险性。比较优秀稳健的量化策略通常追求较低的beta值，降低策略的系统风险。也就是说无论大盘是熊是牛都能保证稳定的收益。

降低策略的beta值有几种方法，1）在策略中加入对冲部分 2）在只能做单边的情况下，增加股票数量，选择相关性较低的一篮子股票。

最大回撤和波动率

这两个数据主要是体现策略的风险性。波动率越高，最大回撤越高，策略的风险性就越大。最大回撤的数值尤为重要，如果看到过大的最大回撤，通常要考虑策略的可行性，增加止损或者其他有效的仓位控制方式。

夏普比率

Sharpe Ratio，和Sortino Ratio一样，是把风险和收益综合起来的数据，可以看成是一种考虑风险因素之后的调整收益率 。夏普指数越高，相当于每多承担一份风险，获得的额外收益越高。这是我们在策略调试中，综合衡量评定一个策略价值的重要标准。

如何使用ricequant中的回测历史功能来优化策略

为何需要查看回测历史？
•参数优化：设计交易策略中，常常会需要做一些参数的优化。比如我们写的金叉策略中，根据回测时间段的长度的不同和思路的差别，最优长短均线的设置就是需要不断优化测试，trial and error的策略参数。
•市场行情选择：某类交易策略表现和市场行情关系较大，我们希望能分别观察它们在熊市和牛市，在risk on 和 risk off 市场中的不同表现，从而把策略选择和市场动向结合起来。

为了让大家更方便的看到同一策略使用不同参数和不同时间段的回测表现，我们开发了查看回测历史的功能，在每一个策略下面，都能看到所有的历史回测表现。

P4.png

比如我们可以选择在14－15年的牛市段和13－14年的熊市段分别运行金叉这样的动量策略

对比结果

Screen Shot 2015-09-22 at 6.59.05 pm.png

当然值得注意的是，不管是参数优化还是市场行情相关，我们在优化策略的时候仍然需要以理论框架为出发点，不然单纯追求回报率，很容易造成历史数据过度拟合的情况。

python学习中，很好的帖子，谢谢楼主分享，留个言记录下，以后好继续能查到