本文翻譯自2018年最熱門的Python金融教程 Python For Finance: Algorithmic Trading。

本教程由以下五部分內(nèi)容構(gòu)成：

• Python金融入門
• 常見(jiàn)的金融分析方法
• 簡(jiǎn)單的動(dòng)量策略開(kāi)發(fā)
• 回溯測(cè)試策略
• 評(píng)估交易策略

本文是該教程的第四部分。

既然你手頭已經(jīng)有了一項(xiàng)交易策略，最好對(duì)其進(jìn)行回溯測(cè)試并計(jì)算其性能。但是，在進(jìn)行深入研究之前，你可能想多了解一些相關(guān)知識(shí)，比如回溯測(cè)試中的陷阱，回測(cè)器的組成，以及可以用來(lái)回測(cè)算法的Python工具。

然而，如果你已經(jīng)掌握了這些，可以跳過(guò)以下內(nèi)容，直接開(kāi)始實(shí)現(xiàn)你的回測(cè)器。

回溯測(cè)試的陷阱

回溯測(cè)試，不僅僅是“測(cè)試交易策略”，而是在相關(guān)的歷史數(shù)據(jù)中測(cè)試策略，以確保該策略在你開(kāi)始操作之前是實(shí)際可行的。利用回溯測(cè)試，交易人員能夠模擬并分析在一段時(shí)間內(nèi)，使用特定策略進(jìn)行交易的風(fēng)險(xiǎn)和收益。然而，在你進(jìn)行回測(cè)時(shí)，最好牢記一些剛開(kāi)始可能并不起眼的陷阱。

例如，有一些外部事件肯定會(huì)影響回溯測(cè)試，如市場(chǎng)體制的轉(zhuǎn)變，這是監(jiān)管的變化或是宏觀經(jīng)濟(jì)事件。此外，流動(dòng)性約束，如禁止賣空，可能會(huì)嚴(yán)重影響回溯測(cè)試。

其次，你自己也可能引入陷阱。比如當(dāng)你過(guò)擬合模型時(shí)（優(yōu)化偏差），當(dāng)你認(rèn)為這樣更好而忽略策略規(guī)則時(shí)（干擾），或當(dāng)你偶然將信息引入過(guò)去的數(shù)據(jù)時(shí)（前視偏差）。

在你學(xué)完本教程，開(kāi)始制定自己的策略并進(jìn)行回測(cè)時(shí)，需要重點(diǎn)考慮這些陷阱。

回溯測(cè)試的構(gòu)成

除了這些陷阱， 最好要知道構(gòu)成回測(cè)器的四項(xiàng)不可或缺的組件：

• 數(shù)據(jù)處理器，是數(shù)據(jù)集的接口。
• 策略，基于數(shù)據(jù)產(chǎn)生做多或做空的信號(hào)。
• 投資組合，生成訂單并管理利潤(rùn)和損失（也稱為“PnL”）。
• 執(zhí)行處理程序，向經(jīng)紀(jì)人發(fā)送訂單，并接收股票已被買入或賣出的信號(hào)。

除了這四個(gè)組件外，根據(jù)系統(tǒng)的復(fù)雜性，還可以向回測(cè)器中添加更多的東西。你絕對(duì)可以做的更多，而不僅僅局限于這四個(gè)組件。然而，在這篇初學(xué)者教程中，你只需專注于讓這些基本組件在代碼中順利運(yùn)行。

Python 工具

為了實(shí)現(xiàn)回溯測(cè)試，除了 Pandas 外還可以使用一些其它工具，在本教程的第一部分對(duì)數(shù)據(jù)進(jìn)行金融分析時(shí)，你其實(shí)已經(jīng)大量使用了這些工具。除了 Pandas，還有如 NumPy 和 SciPy，它們提供了向量化、優(yōu)化和線性代數(shù)的程序，可以在開(kāi)發(fā)交易策略時(shí)使用。

此外，當(dāng)開(kāi)發(fā)預(yù)測(cè)策略時(shí)，Python 的機(jī)器學(xué)習(xí)庫(kù) Scikit-Learn 也能派上用場(chǎng)，因?yàn)樗峁┝藙?chuàng)建回歸和分類模型所需的一切。DataCamp 的 Supervised Learning With Scikit-Learn 課程，提供了該庫(kù)的介紹。然而，如果你想使用統(tǒng)計(jì)庫(kù)進(jìn)行諸如時(shí)間序列的分析，statsmodels 庫(kù)是一個(gè)理想的選擇。在本教程中執(zhí)行普通最小二乘回歸（OLS）時(shí)，你其實(shí)已經(jīng)簡(jiǎn)單使用過(guò)這個(gè)庫(kù)了。

最后，還有 IbPy 和 ZipLine 庫(kù)。前者為 Interactive Brokers 在線交易系統(tǒng)提供了Python接口：你將獲得連接到 Interactive Brokers 的所有功能，如請(qǐng)求股票報(bào)價(jià)器數(shù)據(jù)，提交股票訂單，…… ZipLine 是一個(gè)集成的 Python 回測(cè)框架，在本教程中你將使用的 Quantopian 就是基于它的。

實(shí)現(xiàn)簡(jiǎn)單的回測(cè)器

如前所述，一個(gè)簡(jiǎn)單的回測(cè)器包括策略、數(shù)據(jù)處理器、投資組合以及執(zhí)行處理程序。在之前你已經(jīng)實(shí)現(xiàn)了一項(xiàng)策略，并且也能訪問(wèn)數(shù)據(jù)處理器，即 pandas-datareader 庫(kù)或者是從Excel讀取數(shù)據(jù)的Pandas庫(kù)。仍需實(shí)現(xiàn)的組件就剩執(zhí)行處理程序和投資組合了。

但是，作為初學(xué)者，你目前還無(wú)需要專注于實(shí)現(xiàn)執(zhí)行處理程序。相反，接下來(lái)你將看到如何開(kāi)始創(chuàng)建用于生成訂單并管理盈虧的投資組合。

在開(kāi)始之前，先獲取 apple 公司的股票數(shù)據(jù)，參考本教程的第一部分：基礎(chǔ)入門。

# 獲取apple公司股票數(shù)據(jù)
import pandas_datareader as pdr
import datetime 
aapl = pdr.get_data_yahoo('AAPL', 
                          start=datetime.datetime(2006, 10, 1), 
                          end=datetime.datetime(2012, 1, 1))

然后是創(chuàng)建均線交叉策略，參考本教程的第三部分：用Python構(gòu)建交易策略。

# 導(dǎo)入pandas,numpy
import pandas as pd
import numpy as np

# 初始化短期和長(zhǎng)期窗口
short_window = 40
long_window = 100

# 初始化 `signals` 數(shù)據(jù)框，增加 `signal` 列
signals = pd.DataFrame(index=aapl.index)
signals['signal'] = 0.0

# 創(chuàng)建短期簡(jiǎn)單移動(dòng)均值
signals['short_mavg'] = aapl['Close']  \
        .rolling(window=short_window, min_periods=1, center=False)  \
        .mean()

# 創(chuàng)建長(zhǎng)期簡(jiǎn)單移動(dòng)均值
signals['long_mavg'] = aapl['Close']  \
        .rolling(window=long_window, min_periods=1, center=False)  \
        .mean()

# 生成信號(hào)
signals['signal'][short_window:] = np.where(signals['short_mavg'][short_window:] 
                            > signals['long_mavg'][short_window:], 1.0, 0.0)   

# 生成交易命令
signals['positions'] = signals['signal'].diff()

現(xiàn)在讓我們開(kāi)始創(chuàng)建回溯測(cè)試中的投資組合（portfolio）。

• 首先，設(shè)置變量 initial_capital 來(lái)存儲(chǔ)初始資金。再創(chuàng)建一個(gè)新的數(shù)據(jù)框 positions，并拷貝數(shù)據(jù)框 signals 的索引給它，這是為了獲取信號(hào)生成的時(shí)間。

• 接著，在 positions 數(shù)據(jù)框中創(chuàng)建新的列 AAPL。當(dāng)信號(hào)（signal）為1，短期移動(dòng)均線超過(guò)了長(zhǎng)期移動(dòng)均線（針對(duì)大于最短移動(dòng)均值窗口的時(shí)期），這時(shí)買入100股。而對(duì)于信號(hào)為0的時(shí)段，運(yùn)算 100*signals['signal'] 的結(jié)果是0。

• 創(chuàng)建新的數(shù)據(jù)框 portfolio，存儲(chǔ)購(gòu)買股票的市場(chǎng)價(jià)值。

• 然后，創(chuàng)建數(shù)據(jù)框 pos_diff 存儲(chǔ)股票數(shù)目的差值。

• 接下來(lái)開(kāi)始真正的回溯測(cè)試：在數(shù)據(jù)框 portfolio 中創(chuàng)建新的一列 holdings，存儲(chǔ)買入股票的數(shù)量與調(diào)整的收盤價(jià)的乘積。

• 另外 portfolio 中還包含一列 cash，指剩余的資金：用 initial_capital 減去用于買股票的錢。

• 在 portfolio 數(shù)據(jù)框中再增加一列 total，包括了現(xiàn)金和所持股票總的價(jià)值。

• 最后，在 portfolio 中增加 returns 列，存儲(chǔ)獲得的收益率。

# 設(shè)置初始資金
initial_capital= float(100000.0)

# 創(chuàng)建數(shù)據(jù)框 `positions`
positions = pd.DataFrame(index=signals.index).fillna(0.0)

# 當(dāng)signal為1時(shí)，買入100股
positions['AAPL'] = 100*signals['signal']   
  
# 用擁有的價(jià)值初始化 portfolio  
portfolio = positions.multiply(aapl['Adj Close'], axis=0)

# 存儲(chǔ)股票數(shù)目的差值
pos_diff = positions.diff()

# 在 portfolio 中增加 `holdings` 列
portfolio['holdings'] = (positions.multiply(aapl['Adj Close'], axis=0))  \
                        .sum(axis=1)

# 在 portfolio 中增加`cash`列
portfolio['cash'] = initial_capital  \
                  - (pos_diff.multiply(aapl['Adj Close'], axis=0))  \
                    .sum(axis=1).cumsum()   

# 在 portfolio 中增加`total`列
portfolio['total'] = portfolio['cash'] + portfolio['holdings']

# 在 portfolio 中增加`returns` 列
portfolio['returns'] = portfolio['total'].pct_change()

# 輸出`portfolio`的前幾行
print(portfolio.head())

            AAPL  holdings      cash     total  returns
Date                                                   
2006-10-02   0.0       0.0  100000.0  100000.0      NaN
2006-10-03   0.0       0.0  100000.0  100000.0      0.0
2006-10-04   0.0       0.0  100000.0  100000.0      0.0
2006-10-05   0.0       0.0  100000.0  100000.0      0.0
2006-10-06   0.0       0.0  100000.0  100000.0      0.0

作為回測(cè)的最后一項(xiàng)練習(xí)，利用 Matplotlib 和回測(cè)的結(jié)果，可視化投資組合的價(jià)值，即 portfolio['total'] 隨時(shí)間變化的情況。

# 導(dǎo)入`pyplot`模塊
import matplotlib.pyplot as plt

# 創(chuàng)建一幅圖
fig = plt.figure(figsize=(12,8))

ax1 = fig.add_subplot(111, ylabel='Portfolio value in $')

# 繪制資產(chǎn)曲線
portfolio['total'].plot(ax=ax1, lw=2.)

ax1.plot(portfolio.loc[signals.positions == 1.0].index, 
         portfolio.total[signals.positions == 1.0],
         '^', markersize=10, color='m')
ax1.plot(portfolio.loc[signals.positions == -1.0].index, 
         portfolio.total[signals.positions == -1.0],
         'v', markersize=10, color='k')

# 顯示繪圖結(jié)果
plt.show()

注意，在本教程中，回測(cè)器以及交易策略的 Pandas 代碼都是以能夠輕松交互的方式編寫的。在實(shí)際應(yīng)用中，你可能會(huì)選擇使用類這種更面向?qū)ο蟮脑O(shè)計(jì)，因?yàn)樗怂械倪壿?。?a target="_blank" rel="nofollow">這里能夠找到相同的移動(dòng)均線交叉策略在使用面向?qū)ο笤O(shè)計(jì)時(shí)的示例，查看這篇演示文稿，并且千萬(wàn)不要忘了DataCamp的Python Functions Tutorial教程。

使用 ZipLine 和 Quantopian 進(jìn)行回測(cè)

現(xiàn)在你已經(jīng)了解了如何使用 Python 中流行的數(shù)據(jù)處理包 Pandas 實(shí)現(xiàn)回溯測(cè)試。然而，你會(huì)發(fā)現(xiàn)這么做很容易出錯(cuò)，也可能不是每次使用時(shí)最安全的選擇：盡管已利用了 Pandas 來(lái)獲取結(jié)果，也需要你每次從頭開(kāi)始構(gòu)建大部分組件。

這就是為什么人們普遍使用諸如 Quantopian 這樣的回測(cè)平臺(tái)來(lái)進(jìn)行回溯測(cè)試。Quantopian 是一個(gè)免費(fèi)的、以社區(qū)為中心的托管平臺(tái)，用于構(gòu)建和執(zhí)行交易策略。它由 zipline 驅(qū)動(dòng) ，這是一個(gè)用于算法交易的Python庫(kù)。你可以在本地使用該庫(kù)，但是在這篇初學(xué)者教程中，你將使用 Quantopian 來(lái)編寫并回測(cè)你的算法。不過(guò)在使用它之前，確保你已經(jīng)注冊(cè)并登錄了該平臺(tái)。

接下來(lái)，你就可以很輕松地開(kāi)始了。點(diǎn)擊“新算法”按鈕來(lái)開(kāi)始編寫你的交易算法，或者選擇已經(jīng)編寫好的實(shí)例代碼之一，以便更好地了解其使用方法。

讓我們從簡(jiǎn)單的開(kāi)始，來(lái)實(shí)現(xiàn)一個(gè)新算法，但仍然延續(xù)移動(dòng)均線交叉策略的例子，這也是zipline 快速入門指南中的標(biāo)準(zhǔn)案例。碰巧這個(gè)例子非常類似于你在前一節(jié)中實(shí)現(xiàn)的簡(jiǎn)單交易策略。不過(guò)，如你所見(jiàn)，下方的代碼塊和上方的屏幕截圖的結(jié)構(gòu)與本教程之前所示有所不同，也就是說(shuō)，從 initialize() 和 handle_data() 這兩個(gè)函數(shù)定義開(kāi)始。

def initialize(context):
    context.sym = symbol('AAPL')
    context.i = 0


def handle_data(context, data):
    # Skip first 300 days to get full windows
    context.i += 1
    if context.i < 300:
        return

    # Compute averages
    # history() has to be called with the same params
    # from above and returns a pandas dataframe.
    short_mavg = data.history(context.sym, 'price', 100, '1d').mean()
    long_mavg = data.history(context.sym, 'price', 300, '1d').mean()

    # Trading logic
    if short_mavg > long_mavg:
        # order_target orders as many shares as needed to
        # achieve the desired number of shares.
        order_target(context.sym, 100)
    elif short_mavg < long_mavg:
        order_target(context.sym, 0)

    # Save values for later inspection
    record(AAPL=data.current(context.sym, "price"),
           short_mavg=short_mavg,
           long_mavg=long_mavg)

當(dāng)程序開(kāi)始運(yùn)行并執(zhí)行一次性的啟動(dòng)邏輯時(shí)，調(diào)用第一個(gè)函數(shù) initialize()。其中的 context 參數(shù)，用于存儲(chǔ)回溯測(cè)試或在線交易中的狀態(tài)，并且可以在算法的不同地方被調(diào)用；如接下來(lái)的代碼所示，在第一個(gè)移動(dòng)均值窗口的定義中，context 參數(shù)又出現(xiàn)了。通過(guò)有價(jià)證券（如股票）的符號(hào)（如AAPL）將其查詢結(jié)果賦值給 context.security。

在模擬或在線交易中，每分鐘調(diào)用一次 handle_data() 函數(shù)，以確定進(jìn)行何種交易操作。該函數(shù)包含 context 和 data 兩項(xiàng)參數(shù)：context 和剛才所說(shuō)的一樣，data 對(duì)象包含多種API函數(shù)，比如 current() 函數(shù)用于獲取給定資產(chǎn)給定字段的最新數(shù)據(jù)，history() 函數(shù)用于獲取歷史價(jià)格和成交量的移動(dòng)窗口數(shù)據(jù)。這些API函數(shù)超出了本教程的范圍，因此沒(méi)有在代碼中顯示出來(lái)。

注意輸入Quantopian控制臺(tái)的代碼只能在該平臺(tái)中工作，不能用于像Jupyter Notebook這樣的本地程序中。

data 對(duì)象使你能夠獲取向前填充的 price 價(jià)格，如果有的話返回最后一個(gè)已知的價(jià)格，否則返回 NaN 空值。

order_target() 下訂單來(lái)調(diào)整目標(biāo)股份數(shù)量。如果資產(chǎn)中沒(méi)有頭寸，用完整的目標(biāo)數(shù)下訂單。如果資產(chǎn)中有頭寸，用目標(biāo)股份數(shù)和當(dāng)下持有量的差值下訂單。負(fù)目標(biāo)訂單將導(dǎo)致特定負(fù)數(shù)的欠缺頭寸。

提示： 如果對(duì)函數(shù)或?qū)ο笥腥魏纹渌鼏?wèn)題，請(qǐng)查看 Quantopian 的幫助頁(yè)面, 它涵蓋的內(nèi)容比本教程多得多。

當(dāng)你在界面左手邊的控制臺(tái)中使用 initialize() 和 handle_data() 函數(shù)創(chuàng)建了策略（或者粘貼-復(fù)制上述代碼），然后只要點(diǎn)擊 “Build Algorithm” 按鈕即可編譯代碼來(lái)運(yùn)行回溯測(cè)試。如果點(diǎn)擊 “Run Full Backtest” 按鈕，就會(huì)運(yùn)行一項(xiàng)完全的回溯測(cè)試，基本上和之前的 “Build Algorithm” 相同，只是返回更多的細(xì)節(jié)。無(wú)論是簡(jiǎn)單還是完全的回溯測(cè)試，都需要運(yùn)行一段時(shí)間，一定要注意頁(yè)面頂部的進(jìn)度條！

從這里能獲取更多 Quantopian 的入門知識(shí)。

注意 Quantopian 可以讓你輕松上手 zipline，但是你總可以在本地（比如 Jupyter Notebook中）繼續(xù)使用該庫(kù)。