《Python量化投资》笔记六——策略回测
Python量化投资
第十三章 策略回测
- 向量化回测
- 事件驱动回测
最基本的回测系统是指，当我们有一组交易规则，需要根据历史数据来获取这组交易规则的业绩表现时，除了给出历史表现之外，有时候还需要优化参数。比如，交易规则设定了一些参数，我们需要知道哪组参数表现最好，这种情况就还需要一个优化系统。
策略回测是一个非常广泛的需求，市面上有很多商业的或者开源的系统。
- 商业软件
- 开源框架二次开发
- 自己从头开始搭建开发
回测就是针对历史价格设定的一系列的交易规则，从而得到交易规则的历史业绩表现。
具体地说就是，针对一系列的资产，我们设定一个机制，用来选择，什么时间持有资产，什么时间清空资产。再加上资产本身的历史价格，我们就能计算出这个“交易策略”在历史业绩中的表现，比如，年化收益率、波动率、最大回撤等。
回测好的策略不一定赚钱，但回测不好的策略基本上是不可能赚钱的。
回测系统一般包含三种类型，“for循环”系统、“向量化”系统、“事件驱动”系统。
向量化系统
“向量化”系统最大的优势就是速度快，特别适合于需要大量优化参数的策略。
“向量化”系统的主要缺陷就是，对于一些复杂的逻辑是无法实现的。
For循环回测系统
For循环系统是指针对每一个数据点进行遍历。比如，对于日线数据，就是循环遍历每一个OHLC（Open、High、Low、Close）数据。在遍历的时候同时进行计算，比如计算移动均线，然后在此过程中决定是买入还是卖出某资产。一般是以当天的收盘价或者第二天的开盘价作为买入或者卖出价。
事件驱动系统
事件驱动系统会尽可能地模拟真实的交易机制，是一种结构更为复杂的系统。在事件驱动系统中，交易相关的所有行为都是由事件触发的。比如，当前K线结束了，我们需要做什么？发出委托之后，我们需要做什么？委托成交之后，我们需要做什么？事件驱动系统详尽地定义了交易中可能发生的每一个相关事件，并用函数的形式来指定发生对应事件后所应采取的行动。
回测的陷阱
-
样本内回测。如果我们使用同样的样本数据去训练模型（参数优化）并得到测试结果，那么这个测试结果一定是被夸大的。因为这里的训练是纯粹针对已知的数据进行训练，并没有对未知的数据进行测试。所以在实盘的时候，表现会差得很远。这是一种过度拟合的形式。
-
幸存者偏差。比如将市面上的对冲基金业绩表现做一个综合性指数，这个指数其实并不能代表对冲基金的真实业绩，因为业绩很差的那些基金都已经不存在了。在编制指数的时候，如果不对这种情况加以考虑，就会产生很大的偏差，因为最差的那一部分并没考虑进来。
-
前视偏差。在进行回测的时候，有时候我们会不小心使用未来的数据（又称为“未来函数”）。举个例子，假设我们使用线性回归，计算了某段时间内价格的斜率，如果在这段时间内，我们又用到了这个斜率，那么这就是使用了未来数据。有时候，如果历史回测表现得非常好，甚至是惊艳，那么就需要注意了，这很有可能是因为使用了未来数据。
-
交易成本。交易成本在回测中其实非常重要。假如我们将交易成本设为0，那么在训练模型的时候，筛选出来的模型往往都是交易频率非常高的模型。这些交易频率非常高的模型在0成本的时候表现非常好。但是一旦加入了交易成本，这些模型就会一落千丈。所以在回测的时候，一定要加入合理估计的交易成本。
-
市场结构转变。在进行长时间的回测的时候，经常会忽视这个问题。比如，国内的期货品种，有的品种有夜盘交易，夜盘交易的时间还变化过好几次。在进行回测的时候，如果不能对应地做出合理的调整，那么也会出现一定的问题。
回测中的其他考量
-
数据的准确性
-
流动性限制。在回测的时候，我们很容易假设能买到所有的股票，但实际上，很多股票因为流动性的原因，其实是买不到的。或者即使买到了，冲击成本也远高于正常的成本。比如，有的股票一天的交易量就只有100手，那么肯定就没办法买到200手。
-
选取合理的比较基准
-
稳定性。对于一个策略，我们希望它的表现越稳定越好，这就是所谓的稳定性。稳定性有两个衡量维度，一是时间上的稳定性，二是参数上的稳定性。
-
心理因素
-
交叉验证。我们在进行回测的时候，为了确保策略的稳定性，需要进行交叉验证。交叉验证一般可以在两种维度上展开，一是在不同的品种上进行交叉验证，二是在不同的时间周期和时间段上进行交叉验证。
使用Python搭建回测系统
策略的核心就是趋势跟踪，也就是说，当短期均线高于长期均线的时候，则认为是多头趋势，这个时候持多仓。当短期均线低于长期均线的时候，则认为是空头趋势，这个时候持空仓。
image.png
PyAlgoTrade简介
开源的事件驱动系统PyAlgoTrade
PyAlgoTrade是事件驱动的回测系统。
