量化杂谈之基础篇系列文章：
【一】获取所有股票的代码和名字：一个爬虫的简单例子https://bbs.pinggu.org/thread-4145710-1-1.html
【二】回测的那些事
https://bbs.pinggu.org/thread-4154818-1-1.html


关注我的微信公众号，有更多关于量化的原创文章哦！。
我的微信公众号：会掘金的小鹿（NuggetsRoad)
是时候关注一波了！

       策略的回测是存在一定共性的，比如都需要获取历史数据、识别交易信号、平开仓操作、策略表现计算等。如果我们对每个策略都单独做一套的话，那么会浪费很多时间在重复性的工作上。因此，搭建一个完善高效的回测系统是非常有必要的。回测系统包含策略回测的整个过程，并且封装了各种容易调用的接口，可以快速地进行策略的回测。

数据库的搭建

       建立回测系统的第一步是搭建存储数据的数据库。数据库主要用于原始数据的存储，原始数据清洗或变换后的数据存储，以及回测产生的交易和结果数据的存储。常用的数据库有以下几种：

• SQL：MySQL，Oracle，SQL Server，PostgreSQL

• NoSQL：MongoDB等

  
  

       此外，构建一个Linux的开发环境是对你非常有帮助的（在Windows系统上可以采用虚拟机），采用Shell脚本能够对任务进行定时的调度。

回测工具的选取

       哪一款工具是最适合策略回测的，不同的量化研究人员会给你不同的答案，下面这几种是回测中比较流行的工具和编程语言。

• Matlab

• Python

• R

• C++

  
  

       Matlab的优点在于其矩阵运算特性，Matlab与统计和金融相关的toolbox能让你轻松完成一些复杂模型的建立，非常容易上手。Python是一种高级、开源的脚本语言，numpy、pandas、scipy等扩展模块能够帮助你完成矩阵、数据统计、数值计算等方面的处理，开发效率很高。R擅长统计和时间序列的处理，在统计、计量、数据规整以及画图等方面有优秀的package。C++是执行速度最快的高级语言之一，一般用于超高频策略的回测中。

       具体选择哪种回测工具取决于策略的类型和交易频率，开发的效率要求，购买和维护成本，源码是否能够获得，交易软件的API接口是否支持以及第三方库的丰富性。当然，作为业余的量化投资研究，我们也不需要纠结这么多因素，哪个工具你更熟悉、用起来更方便就用哪个。我曾经使用Matlab做过很多策略的回测，现在更倾向于使用Python，因为它的通用性更加有利于扩展，并且其开源特性更适合业余学习。

回测系统环境的搭建

       我推荐的回测环境是Spyder，Spyder是Python的一个集成的pyton开发环境，其界面与Matlab非常类似，并且自带了很多package，省去了我们单独安装的麻烦。当然原生或者其他如pycharm的IDE也是可以选择的，这取决于你的偏好。无论选择怎样的IDE，以下模块是在回测中需要经常用到的：

• numpy

• pandas

• scipy

• matplotlib或其他绘图包

• scikit-learn或其他机器学习包

• MySQLdb或其他数据库接口

  
  

回测框架的建立

       建立怎样的回测框架取决于你的策略是怎样的，你的回测目的又是什么。如果回测仅仅是为了对策略进行研究和探索，那么在回测框架中不需要对委托下单等具体事件进行构建。以下我们建立了一个最简单的回测框架以供参考，该框架可以用于低频择时策略的回测研究。

       框架主体有三个模块组成：策略模块是根据策略的参数和规则产生交易信号，交易模块根据信号决定各期的仓位、并记录交易过程中产生的费用以及资金情况，回测表现模块则是对策略进行评判、输出相关指标、图形以及测试报告。

• 策略模块

  
  

Input：交易品种的bars，Open-High-Low-Close-Volume (OHLCV)

Output: 信号signals，取值为(1,0,-1)，分别表示buy,hold,sell

• 交易模块

  
  

Input：Signals

Output:  交易相关数据的tracing（仓位，交易费用，资金流）

• 回测表现模块

  
  

Inputs：交易相关数据

Output：策略评价指标，图形，回测报告等