1.Backtrader 简概
2.量化交易Python实用功能函数（6）
3.干货 | 用python从零实现基于事件驱动的回测回测量化回测（Backtest）系统（一）
4.Python之路 11 双均线策略的3种回测方法
5.手把手教你动量指标的Python量化回测
6.如何评价vnpy量化回测?

Backtrader 简概

       Backtrader，这个年开源的源码Python量化回测框架，因其功能全面、代码灵活性高而备受青睐。回测回测它以Python为开发基础，源码利用pandas的代码抖推系统源码高效矢量运算，提供了快速处理金融数据的回测回测能力。内置的源码Ta-lib金融指标库，使得策略分析更为精确。代码此外，回测回测Backtrader还支持可视化展示，源码拥有活跃的代码社区支持和详尽的文档资源，显著节省策略开发时间。回测回测

       官方文档深入介绍了各个模块，源码便于用户理解和使用，代码可以从[1]链接获取详细信息。源码开源，开发者可以根据需求自由修改，地址在[2]。通过这个强大的工具，你可以逐步探索和掌握回测的奥秘，Backtrader堪称回测领域的神器。

       如果你对Backtrader感兴趣，可以按照文档的模块划分进行学习，逐步掌握其使用方法。如果你正在寻找一个既强大又灵活的量化工具，Backtrader无疑是一个值得考虑的选择。

       发布于年9月日::

       mdnice发布

量化交易Python实用功能函数（6）

       量化交易的一大功能是“回测”，通过回测可以直观检验策略的有效性及存在问题。

       上篇文章《大牛量化：量化双均线策略回测效果如何？》对双均线策略的回测分析，总结经验，量化交易不再迷茫，将不确定行情转化为可操作交易。

       已介绍的代码功能包括：

       获取股票上市时间（get_open_date()）

       判断回测模式（ContextInfo.do_back_test）

       设置回测基准（ContextInfo.benchmark）

       设定回测系统日志显示级别（ContextInfo.data_info_level）

       获取特定记录（get_result_records()）

       接下来，将分享QMT量化平台的行情函数：

       (一) 设置定时器（ContextInfo.run_time(funcName,period,startTime)）

       实现：设置定时器执行指定函数

       参数：funcName回调函数名称，period执行周期，startTime开始时间

       示例：ContextInfo.run_time('funcName', '1min', '--')

       (二) 创建板块（create_sector(parent_node,sector_name,overwrite)）

       实现：在指定节点下创建板块

       参数：parent_node根节点，sector_name板块名称，overwrite覆盖已有板块

       示例：create_sector('root', 'my_sector', True)

       (三) 创建板块目录节点（create_sector_folder(parent_node,folder_name,overwrite)）

       实现：在指定目录下创建节点

       参数：parent_node根节点，folder_name节点名称，overwrite覆盖已有节点

       示例：create_sector_folder('root_folder', 'my_subfolder', True)

       (四) 获取板块目录信息（get_sector_list(node)）

       实现：获取指定节点下的所有板块信息

       参数：node目标节点

       示例：get_sector_list('root')

       (五) 设置板块成分股（reset_sector_stock_list(sector,stock_list)）

       实现：更新板块内成分股

       参数：sector板块名称，stock_list股票代码列表

       示例：reset_sector_stock_list('my_sector', ['AAPL', 'GOOGL'])

干货 | 用python从零实现基于事件驱动的量化回测（Backtest）系统（一）

       为何撰写类似文章？最近，我有位朋友问我是否还能编写代码，这如同“廉颇老矣，尚能饭否？”的疑问。我，.net 网上 源码作为始终秉持“talk is cheap, show me the code”理念的资深程序员，深感有必要利用业余时间贡献出实现量化回测系统的经验。该系统对于量化交易和AI量化而言，是基础且必要的组成部分。通过回测，虽能取得良好结果，但并不能保证未来收益。然而，反向思考，回测过程显示不佳的策略，就构成了冒险行为。

       量化回测系统是什么？量化交易是通过计算机依据特定策略生成交易信号的过程。由于二级市场数据可获取，计算机操作易于实现全面复盘。就好比玩扑克或“杀人游戏”后，逻辑严密的人会回溯游戏过程，分析何处可以做得更好，确保后续策略优化和提高。这就是量化回测系统的价值所在。

       量化回测系统几乎无需成本，你可以调整参数或尝试各种创意，系统将告诉你在过去一段时间（比如一年内），若真照此操作，预期的收益率和最大回撤是多少。这样可以避免花费大量真金白银在市场上“买教训”，更重要的是节省时间，几分钟内模拟多个股市周期，穿越牛熊。要经历几个股市周期，则可能需要以十年乃至更长时间维度计算，但对于量化回测引擎，几秒钟即可提供结果，且无实质损失。

       对于初学者而言，量化回测系统可能神秘，但其原理并不复杂。本文系列旨在引导大家用Python从零开始实现基于事件驱动的量化回测系统。

       为什么选择Python？与其他编程语言如Java/C++，以及数据领域常用的Matlab或R相比，Python具有显著优势。作者认为，在大数据、机器学习、人工智能时代，Python是tomcat源码 git最好的选择之一。Python增长速度显著，行业实践中通常采用事件驱动（Event-driven）方式。

       事件驱动系统通常包含如下组件：数据处理、策略执行、交易执行和风险管理等。本文将展示使用Python实现的量化回测系统架构，包括导入队列、数据处理、策略执行、交易执行和风险管理等关键模块。

       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）。专注于互联网发展趋势、AI金融量化，致力于利用最新的人工智能技术理解和挖掘经济、金融信息。

       关注公众号“AI量化实验室”（ailabx），获取AI量化最前沿技术、资讯。

Python之路 双均线策略的3种回测方法

       对于每一个交易日，都能计算出前N天的移动平均值，然后将这些平均值连起来，形成一条线，称为N日移动平均线。

       在双均线策略中，我们使用两条均线，快均线（例如：5日均线）和慢均线（例如：日均线）。当快均线上升穿过慢均线时，形成金叉，给出买入信号。反之，当快均线下降穿过慢均线时，形成死叉，给出卖出信号。然而，双均线策略并非一个可靠的CTA策略，它只提供买卖信号，没有明确的过滤器和止损，因此稳定性较差。而且因为越来越多的人了解并使用它，策略已经逐渐失效。尽管以前很多前辈能用它赚到很多钱，但现在单纯想靠双均线策略赚钱太难了。内容app源码

       由于策略的简单性，它可以作为一个很好的策略回测方法的入门，被称为量化领域的‘Holle World！’

       通常，当我们得到一组数据时，第一步是使用简单的向量回测方法来检测它是否有强的自相关性。如果数据在时间序列上表现出趋势，则适合使用CTA类的策略。反之，如果表现出均值回归（即在一定价格区间上下震荡），则使用套利类策略。

       第二步，当数据显示很强的自相关性或很弱的自相关性时，需要更精细化的策略回测，Python中可以使用事件驱动引擎来进行事件化回测或基于vn.py框架的策略回测。

       以下用上证ETF（）为例。

       导入包，使用Tushare获取数据，然后用sort_index()改变其时间排序方式，再计算每天的价格变化。

       计算两条均线，分别是5日移动均线和日移动均线。使用rolling()函数：滚动窗口的周期是5，不取中间数（FALSE）。

       从下图中可以观察到，ma5是从第5个交易日才开始有的（统计的是前4天的收盘价，加上今天的收盘价），而ma是从第个交易日才开始产生的。因此，到2月6日所有数据才完整起来，同时从这天起（个交易日）开始产生交易信号。

       清除空值，从2月6日开始统计。

       通过交易信号计算持仓情况。如果快均线上穿慢均线，即ma5>ma时，产生买入信号。因为ma5和ma是今天收盘时才刚刚统计出来的，所以其交易信号需要明天开盘时执行。

       每天盈亏=当日持仓*当天价格变化。

       当仓位发生变化时，如做多变成做空，会产生手续费。手续费=开仓的总数（这里是2万股）*当日收盘价*手续费率（万分之三）。

       净盈亏=每天盈亏-手续费。服装cad源码

       最后计算累计盈亏。

       绘图。

       测试表明双均线策略并不理想。图中显示2.3万的本金，在年全年只能盈利2千左右。

       以下为双均线策略的事件化回测。

       这里我们需要使用事件驱动引擎。

       事件驱动：当一个新的事件来临时候，我们会做一些事情并把某些结构固定下来，在这样一个框架下，你不可能获得未来的数据。只要细节的盈亏计算代码不出现问题，不应该包含任何未来函数。

       导入包，因为我使用的是Python2，这里使用一个新的库__future__，即把下一个新版本的特性导入到当前版本。这里是导入Python未来支持的语言特性division（精确除法）。

       获取当天价格变化。

       定义缓存结构，初始化输入的参数。

       定义类（每天盈亏结果），在类中再次初始化参数，然后定义各参数的逻辑关系。

       现在开始运行回测。

       df.iterrows()生成Python迭代器，enumerate()当传入一个迭代器作为参数时，会返回当前迭代变量的基数情况。在迭代的过程中，dataframe每一行是一个日期外加2个字段（close和change），所以会以table的形式返回每一行。所以在table中，第一个元素就是日期，然后是当日收盘价和差价。然后是遍历下面的内容。

       将数组中的老数据平移一格（将当前最新的收盘价插入数组最后位置上，更新到最新的情况）。

       如果尚未有个数据点缓存数量，则continue后面的逻辑则不执行。当积累到个信号后，开始正式的计算。

       计算双均线策略的交易信号。

       回测跑完后，现在要通过累计收益来显示策略结果。

       该图和上图用向量回测得到的结果差不多。

       以下为双均线策略的基于vn.py框架的回测。

       首先，搭建vn.py运行环境。

       详细，请看《懒人包：vn.py安装图文详解》（更新至v1.9.0）。

       安装好之后开始跑回测。

       导入包。

       In[1]

       获取数据。

       In[2]

       创建MongoDB连接。在MongoClient传入参数，第一个是MongoDB所在服务器的默认IP（本机地址）和第二个是默认端口。然后返回client下的数据库对象，在数据库中查找vtSymbol。

       在MongoDB数据库中可以看见collection已经创建好了。

       将数据插入历史数据库。

       最后一行：

       update_one 保证其唯一性（所谓数据库的唯一性，就是这个键是已知的时候，这个键对应的数值是唯一的，若重复插入时候，要么报错，要么新的值把老的值给覆盖掉），所以在重复插入，新的值把老的值给覆盖掉。

       { '$set':bar.__dict__} flt出现的时候做一个更新。

       用upsert=True，意思为当数据已经存在的时候，去覆盖它，upsert=False则是当数据已经存在的时候，不做任何操作。

       In[3]

       开发策略。

       导入策略模板文件中的策略模板对象。

       In[4]

       下面分别是构造函数，初始化策略，启动策略，停止策略和收到Tick推送。

       具体的双均线策略就出现在onBar函数上。

       因为是策略回测而不是实盘，所以下面都pass了。

       在策略类设置完之后，下面开始加载回测引擎。

       In[5]

       设置产品相关参数。

       让我们看看双均线策略回测结果。

       首先是参数输出，盈利是2千多，交易日从2月6号开始，最大回撤达%，这是纯双均线策略的特点，过于钝化，需要结合有效离场指标来降低亏损。

       最后是绘图结果。

       总盈亏图有些出错，应该是从2月初开始交易的，但是大致的图形都与上两幅符合。

       从双均线策略回测效果看来，vn.py的回测并不具有优势，需要导入很多库，而且策略框架写起来很麻烦。但是，vn.py对于自己手写，第一个好处就是杜绝未来函数，而且vn.py设计之初只是用于实盘交易，所以其回测与实盘公用一套代码是第二优点。最后是对于要用到多个技术指标的通道突破策略，或者多策略+多品种回测，在已有框架下写策略显然要比自己手写要轻松。

       感谢@Chandler Chan的提醒，由于那时候刚刚学Python没多久，把初始化天数和一些参数搞错了，导致vn.py回测得到的图形和上2种方法的图有相当程度的不同。现已完善得差不多。

手把手教你动量指标的Python量化回测

       在投资领域，评估一家公司以及理解市场价格是投资专业的核心技能。本文旨在带领读者以动量指标为例，利用Python进行量化回测，深入探讨动量指标的运用与策略分析。动量指标，作为技术分析的重要组成部分，旨在捕捉股价波动过程中的趋势与反转现象，主要应用于股票市场。

        动量指标概述

       动量指标，全称为Momentum Indicators，利用动力学原理研究股价波动过程中的趋势与反转。该指标基于价格与供求关系，假定股价涨幅与跌幅随时间逐渐减缓，从而提示行情可能的反转点。常见的动量指标包括ADX、CMO、MACD、RSI、KDJ、动量指数（MOM）和威廉指标等。在Python库TA-Lib中，提供了丰富的动量指标类函数，便于其在量化策略中的应用。

        MFI指标分析框架

       MFI指标（Money Flow Index）由JWellesWilder's于年提出，结合价格与成交量，类似于成交量的RSI指标。MFI通过计算典型价格（TP）和资金流量（MF），衡量市场资金流向。其计算方法如下：TP为当日最高、最低与收盘价的平均值；MF为TP与N日内成交量的乘积；PMF为MF大于昨日MF的正资金流量，NMF为相反情况的负资金流量。MFI值计算公式为：MFI = - [/(1+PMF/NMF)]，参数N通常设为日。在应用中，MFI指标的超买超卖信号是其关键决策依据。

        MFI指标 Python应用实例

       结合MFI指标的超买超卖法则，本文以上证指数为例，使用Python进行历史回测。通过pandas、numpy、talib和matplotlib等库，实现数据处理与可视化。在策略计算与历史回测中，MFI指标用于识别超买超卖信号，辅助投资者做出交易决策。结果显示，MFI指标在超买值调整后，展现了更好的效果，表明MFI适用于提供中短期买卖信号，但其在长期效果上有所局限。

        结语

       本文以MFI指标为例，介绍了动量指标的原理及其Python量化运用，通过实际应用展示了指标在量化策略中的价值。技术指标虽不能预测未来走势，但可以衡量当前市场状况，用于确认趋势。在应用中，投资者需谨慎理解指标与股价之间的关系，技术指标提供的是辅助参考，而非决策依据。通过Python金融量化领域的学习与实践，可以进一步提升投资决策的科学性和有效性。

如何评价vnpy量化回测?

       vnpy量化框架在体验上表现出色，是值得推荐的开源量化工具。在使用过程中，可能会遇到版本选择上的困惑，确保使用的是VeighNa量化社区的vn.py版本。在搭建个人量化平台时，vn.py的回测功能尤为重要，可以通过其提供的CTABacktester引擎对策略进行回测，并将结果直观地展示在平台上。

       在安装vnpy时，下载最新的开源软件包，并按照指示逐步安装，确保与所使用的Python版本兼容。在vnpy的run.py中，插入代码开启CTABacktester，需要在全局配置中输入自己的mongoDB数据库的用户名、密码等链接信息。随后，打开CTA回测界面，确保已将所需的历史行情数据导入数据库，以进行高效回测。

       回测数据包含起始资金、结束资金、总收益率、年化收益、最大回撤等多个关键指标，帮助评估策略的有效性。通过修改vn.py代码，可以将回测功能集成至个人量化平台，实现策略的自定义开发与回测。

       为了提供更直观的策略展示，可以设计个性化的量化平台Web页面，并定义特定的策略，如EMaStrategy。通过在vnpy中创建策略文件（如“ema_strategy.py”）并集成至CTABackTesting中，实现策略回测。利用plotly解决方案，自定义输出结果和表现形式，生成html格式的可视化图表，以直观展示回测结果。

       为了比较不同策略的表现，可以同时进行多策略回测。通过vnpy的回测引擎和plotly的图形化输出，可以便捷地在个人量化平台上进行策略评估与分析，优化投资决策。若有任何问题，欢迎访问adog.net.cn/news获取更多资源或加入“知shi星球（阿岛格）”进行深入讨论。

手把手教你Python实现基于事件驱动的量化回测

       本文详细介绍了如何使用Python实现基于事件驱动的量化回测，尤其以均值回归策略为例，展示了其复杂的构建思路和模块构成。虽然这种方法能更接近实际交易环境，但其复杂性、执行速度和潜在错误引入风险也是需要关注的。

       事件驱动回测框架的核心在于数据采集、事件管理、策略生成和交易执行。数据采集模块通过tushare接口获取行情数据，形成市场数据事件。策略模块基于基类生成交易信号，触发交易信号事件。交易执行模块处理这些信号，生成委托下单事件，模拟交易行为并更新头寸信息。资产头寸管理是整个框架的重要组成部分。

       Python实现时，关键在于使用面向对象技术，如类TickData和回测类的定义，以及每个时间戳数据的处理。然而，回测系统并不全面，仅测试策略的已实现收益，未涉及收益评价指标和交易成本。这表明，尽管有开源框架可用，深入理解回测系统对于个人量化交易者至关重要，但实际交易的复杂性使得完全模拟困难。

       总结，基于事件驱动的Python量化回测是一个实践学习的过程，通过理解和实现，可以提升对策略评估的精确性，但同时也要注意其局限性。后续将探讨更多量化回测框架的应用。

       参考书籍：Weiming J M, Weiming J M. Mastering Python for Finance[M]. .