手把手教你使用【python】在京東量化平臺完成簡單策略回測

今天來教大家使用量化平臺中Python的部分，完成一個簡單的策略回測。

首先，回測界面是長這個樣子的

可以看到，左半邊的大部分區(qū)域是編輯代碼的地方，開發(fā)環(huán)境會自動識別Python語言的關(guān)鍵詞。在代碼區(qū)上面的設(shè)置標(biāo)志里面可以個性化調(diào)節(jié)開發(fā)環(huán)境的視覺效果。

Python的回測代碼主要包括init()函數(shù)，handle_data()函數(shù)，以及其他用戶自定義內(nèi)容。如果在每天開盤前要進(jìn)行額外的處理或計算，可選擇添加before_trade()函數(shù)。

def init(context):
         # 這里用來寫策略開始時要做什么
注釋
其中，init()是初始化函數(shù)，可以設(shè)置基準(zhǔn)，滑點，傭金等回測參數(shù)，也可以利用context自定義變量。在Python及大部分其他編程語言中，在局部變量只在該變量定義的函數(shù)體有效，在其他函數(shù)體內(nèi)是無效的。而context被定義為一個局部變量，可以把內(nèi)容在不同函數(shù)代碼之間傳導(dǎo)。該函數(shù)在回測開始時運行一次。    
def handle_data(context, data_dict):
         # 這里用來寫每天開盤后要做什么，可以是計算，輸出日志，或者下單

注釋
handle_data()是每個交易時間點（分鐘/日）時自動運行一次的函數(shù)，可以在此函數(shù)內(nèi)設(shè)置交易判斷和下單，是策略核心邏輯所在。    
 def before_trade(context):
         # 非強制，在這里寫每天開盤之前要做什么，不可下單
 注釋
用戶可以按照Python語言規(guī)則定義其他函數(shù)，包括運算/數(shù)據(jù)處理函數(shù)，也可以通過task()函數(shù)設(shè)置自定義函數(shù)的執(zhí)行頻率和執(zhí)行時間。

 III、編譯策略代碼

1、確定策略框架內(nèi)容
舉個栗子，用一個簡單的策略為例來演示這個過程。
策略的內(nèi)容是對貴州茅臺（600519.SH）進(jìn)行擇時
如果前一天收益率大于滬深300收益率，則買入持倉
如果前一天收益率小于滬深300收益率，則不持倉。
只買賣一只股票操作是很簡單的。首先，我們在init()函數(shù)里面設(shè)置我們的股票（貴州茅臺（600519.SH））和比較標(biāo)的（滬深300（000300.SH））：    
# init方法是您的初始化邏輯。context對象可以在任何方法之間傳遞。
def init(context):
    context.stock = '600519.SH'
    context.set_benchmark = '000300.SH'
注釋
1）只要在“#”后面的內(nèi)容都是注釋，不會被Python編譯
2）設(shè)置stock和set_benchmark對象時，一定要在前面加上“context.”，這樣才能傳遞到之后的函數(shù)中。設(shè)置標(biāo)的后，回測中的基準(zhǔn)曲線和收益將采用設(shè)置的指數(shù)。
2、確認(rèn)每個交易日的邏輯：
l 獲取目標(biāo)股票和標(biāo)的的歷史價格    
# 日或分鐘或?qū)崟r數(shù)據(jù)更新，將會調(diào)用這個方法
def handle_data(context, data_dict):
    price = get_history(2, '1d', 'close')[context.stock]
    priceBm = get_history(2, '1d', 'close')[context.set_benchmark]
注釋
1）其中context.stock和context.set_benchmark都在init()函數(shù)中定義好了。
2）get_history()函數(shù)是京東量化平臺封裝的取歷史交易數(shù)據(jù)的函數(shù)。其中“2”代表要取歷史兩天的數(shù)據(jù)，以便計算上個交易日的收益?！啊?d’”和“'close’”分別表示數(shù)據(jù)頻率為天，所需數(shù)據(jù)為收盤價。
3）返回的價格為pandas.Series類型。各個平臺函數(shù)的使用方法可以查看幫助板塊中的API文檔。
l 定義收益率
為了方便計算收益率，自定義了一個CalRet()函數(shù)，輸入連續(xù)兩天的價格，計算第二天的收益率：    
def CalRet(price):
     r = (price[1] - price[0]) / price[0]
return r
注釋
1）這段函數(shù)寫在handle_data()之前。自定義函數(shù)編輯的語法符合Python語法即可。
2）這個函數(shù)會返回float類型的r。
l 計算目標(biāo)股票和標(biāo)的的收益率
我們回到handle_data()函數(shù)，利用剛剛定義的函數(shù)和獲取的股票及指數(shù)價格計算收益率：    
 ytdRet = CalRet(price)
 bmRet = CalRet(priceBm)

注釋

1）以上函數(shù)可以得到上個交易日股票的收益率ytdRet和指數(shù)收益率bmRet。

3、確認(rèn)股票買入賣出的邏輯：
   如果ytdRet大于bmRet，則全倉買入平安銀行股票，否則清倉
    
 if ytdRet > bmRet:
        order_target_percent(context.stock, 1)
    else:
        order_target_percent(context.stock, 0)
注釋
1）order_target_percent()是量化平臺編輯的下單函數(shù)，可以設(shè)置某個股票的倉位至一個百分比。
2）平臺同樣支持加減倉，用手?jǐn)?shù)，金額等方式下單，詳見API文檔。
4、確認(rèn)所有策略邏輯
以上，所有的策略邏輯就完成啦！    
def init(context):
    context.stock = '600519.SH'
    context.set_benchmark = '000300.SH'
 
def handle_data(context, data_dict):
    price = get_history(2, '1d', 'close')[context.stock]
    priceBm = get_history(2, '1d', 'close')[context.set_benchmark]
    ytdRet = CalRet(price)
    bmRet = CalRet(priceBm)
    if ytdRet > bmRet:
        order_target_percent(context.stock, 1)
    else:
        order_target_percent(context.stock, 0)
 
def CalRet(price):
    r = (price[1] - price[0]) / price[0]
    return r

完成簡單的策略回測

現(xiàn)在，我們就完成了這個策略的設(shè)計?；販y平臺會自動按照這個邏輯，在回測區(qū)間內(nèi)完成交易。
選定回測的時間區(qū)間。初始金額以及調(diào)倉頻率，如下圖

我們設(shè)置回測區(qū)間為2015年1月1日-2016年1月1日，初始金額為一百萬，調(diào)倉頻率為每天，點擊“運行回測”。結(jié)果如下：

注釋

1）回測：策略回測就是拿到證券市場歷史的財務(wù)數(shù)據(jù)、行情數(shù)據(jù)，對現(xiàn)有的策略進(jìn)行歷史回測檢驗，通過回測結(jié)果來修正自己的策略，從而驗證策略在過去市場的有效性以及穩(wěn)定性。

2）回測輸出結(jié)果

I、我們可以看到在回測區(qū)間內(nèi)，策略和基準(zhǔn)的凈值曲線，每天盈虧，買賣等圖像，以及回測的技術(shù)指標(biāo)。同時可以查看相對收益，對數(shù)收益等。

II、在左邊的交易詳情，持倉和輸出日志中可以看到回測中的具體情況，方便進(jìn)行歸因分析，調(diào)整策略等等，同時還可以查看歷史回測記錄。

III、我們可以看到，這個策略能夠跑贏大盤。當(dāng)然，這只是一個例子。

3）回測的評判

I、收益，回測收益和基準(zhǔn)收益的對比，收益越高盈利能力越強

II、最大回撤，最大回撤要低，越低代表虧損幅度越低，策略越穩(wěn)定

III、交易頻率，點擊交易詳情可以查看策略交易的頻次，頻率越高，策略越穩(wěn)定

III、把回測的策略發(fā)布到策略榜，還可以分析策略的晨星風(fēng)格及收益歸因分析，多角度的判斷策略的好壞