干货 | 用python从零实现基于事件驱动的量化回测（Back
为何写类似的文章。最近有朋友问我，还能写代码么，颇有“廉颇老矣，尚能饭否？”的意味。作为一直信奉"talk is cheap, show me the code"理念的资深码农，深感利用业余时间奉献出来实现这个系统的必要性。
一个题外话，“talk is cheap, show me the code”在知乎上有经典中文翻译：
“屁话少说，放码过来”。
“代码胜于雄辩”。
“空谈误国，写代码”。
包括现在火热的深度学习，大家都在谈，谈理想，谈恐惧。最理想的方式，实现它，后续计划结合深度学习在金融文本领域的挖掘，输出一系列的文章，特点就是都是代码实现，不空谈。
前一篇文章提到过“量化回测系统”是AI量化的基础必要组成。尽管通过回测，取得良好结果，不代表未来有好的收益。但反向是可以证明的，也就是使用回测过程显示结果不好的策略，是一种冒险。
那“量化回测系统”是什么呢？
量化交易，就是计算机按指定的策略，产生特定的交易信号。因为二级市场所有历史数据、财务数据都是可获得的，那么既然是计算机进行操作，就很容易对整个交易进行复盘。好比我们玩扑克牌或者“杀人游戏”，在一局结束，总有自认逻辑严密的人喜欢对游戏过程进行复盘，刚哪里可以做得更好，分析出了什么问题，确保后续如何优先，调整和提高。这就是“回测”系统的价值。
回测系统几乎是无代价的，我们可以调整参数，或者各种创造性的想法，这个系统会告诉你，在过往一段时间（比如一年），假如你真的这么做了，收益率，最大回撤是多少。这就避免我们花大量真金白银去市场上买教训，更重要的事，节省时间，你可以在几分钟内模拟几个股市周期，穿越牛熊。你如果要想经历几个股市周期，那估计是以10年甚至更长的时间维度来计算，但对于量化回测引擎，几秒钟就可以告诉你结果，且没有产生实质的损失。
量化回测系统对于初学者是神秘的，但其原理并不复杂。此系列文章的目的，就是带着大家，用python从零实现一个基于事件驱动的量化回测系统。
为什么是python？这个在很多文章里都有论述，对比java/c++以及同为数据领域的matlab或R，python都有非常大的优势，总之作者认为它是大数据，机器学习，人工智能时代最好的选择，没有之一。
如下图python的增长速度是无与伦比的。
按行业的常规做法我们同样选择使用“事件驱动（Event-driven）”的方式。选择事件驱动的好处，相对于直接用pandas来运算，有很多好处，当然也有复杂性，运算相对慢的缺点。这里不展开论述，后续有机会用pandas直接实现一个直观的回测运算。
先亮一下总体结构，aiquant是顶层包，engine是引擎主体。下面是几个主模块。test目录下是自动化测试用例，demo目录用于写一些策略。
一个事件驱动的系统，通常包含如下组件：
Backtest，主系统入口，在run函数下对市场数据进行循环，并产生各种事件。
事件 -Event类，是事件驱动系统的基础事件类，它包含一个type(本系统我们实现 ‘BAR’,'SIGNAL','ORDER','FILL')，这个type代表事件类型，然后这些事件，会在事件循环里被一一处理。
事件队列 -events_queue就是一个内存队列，新产生未处理的event都在这里排队，等待处理。这里直接用python内置的Queue即可。
数据处理器 -DataHandler类，负责处理数据，包含模拟历史数据或实盘的市场真实数据到达。
策略类 -Strategy类，这是一个抽象基类，我们想表达的策略，算法，都在这个策略类里实现，每次bar事件，即一个新的（tick）k线到达，就会触发这个strategy.onbar函数，在onbar里实现算法即可。
投资组合类 -Portfolio抽象基类，负责头寸跟踪、订单管理，投资组合管理，可以进一步做收益分析、风险管控，结果绘图等交易执行单元 -ExecutionHandler,负责模拟交易所交易或实盘订单执行。
importqueue
fromaiquant.engine.dataimportCSVDataHandler
fromaiquant.engine.portfolioimportSimplePortfolio
fromaiquant.engine.executionimportSimulatedExecutionHandler
fromaiquant.engineimportvisual
classBacktest(object):
def__init__(self,strategy_cls):
self.events = queue.Queue()
self._data_handler = CSVDataHandler(self.events,'../demo/testdata',['600008','600018'])
self._portfolio = SimplePortfolio(self._data_handler,self.events)
self._execution = SimulatedExecutionHandler(self.events)
self._strategy = strategy_cls(self._data_handler,self.events)
self._init_event_handlers()
#挂载事件，每个事件类型对应一个处理函数
def_init_event_handlers(self):
self._event_handler = {}
self._event_handler['BAR'] =self._handle_event_bar
self._event_handler['SIGNAL'] =self._handle_event_signal
self._event_handler['ORDER'] =self._handle_event_order
self._event_handler['FILL'] =self._handle_event_fill
#主系统入口
defrun(self):
while True:
#每次loop，都会让data_handler触发新的bar事件，即有一个新bar到达
#b_continue_backtest是数据管理器的标志，置False则回测停止
ifself._data_handler.b_continue_backtest:
self._data_handler.update_bars()
else:
break
#可能有多事件，要处理完，如果队列暂时是空的，不处理
while True:
#队列为空则消息循环结束
try:
event =self.events.get(False)
exceptqueue.Empty:
break
else:
self._handle_event(event)
defshow_results(self):
df_all,idicators =self._portfolio.calc_performance()
print(df_all.tail())
visual.show_draw_result('回测净值曲线图',df_all,idicators)
def_handle_event(self,event):
handler =self._event_handler.get(event.type,None)
ifhandleris None:
print('type:%s,handler is None'%event.type)
else:
handler(event)
def_handle_event_bar(self,event):
print('OnBar Event',event.type)
self._strategy.onbar()
self._portfolio.update_timeindex()
#处理策略产生的交易信号
def_handle_event_signal(self,event):
print('OnSignal Event', event.type)
self._portfolio.on_signal(event)
#处理ORDER
def_handle_event_order(self, event):
print('OnOrder Event', event.type)
self._execution.execute_order(event)
#处理FILL
def_handle_event_fill(self, event):
print('OnFill Event', event.type)
self._portfolio.on_fill(event)
如上部分，实现了基于事件驱动的量化回测系统的核心组件和事件驱动的流程，后续系列文章，我们再对各个组件的原理，代码实现详细展开。
关于作者：魏佳斌，互联网产品/技术总监，北京大学光华管理学院（MBA）,特许金融分析师（CFA）。深度关注互联网发展趋势，AI金融量化。致力于使用最新的人工智能技术去理解经济、金融，实现信息增值。
扫描下方二维码，关注：AI量化实验室，了解AI量化最前沿技术、资讯。
