过年前忙于其它项目，过年期间又贪玩偷懒了，今天简要的将几段学习代码更新上来，供大家参交流。
量化交易在实盘交易之前，必须对量化交易策略进行回测。在此，我们主要介绍其中比较优秀的 Pyalgotrade 框架。

Pyalgotrade 简介

Pyalgotrade是事件驱动的回测框架，支持虚盘和实盘两种交易。文档完整，整合了TA-Lib(技术分析库)。在速度和灵活方面都表现出众。但它的一大硬伤是不支持 Pandas 的模块和对象，而且数据格式不支持国内股票数据，需要我们自己实现数据转换。

PyAlgoTrade 六大组件：

• Strategies策略： 定义的实现交易逻辑的类：何时买、何时卖，等等；
• Feeds数据源：These are data providing abstractions. 例如，你可以使用CSV数据源从一个格式化后的csv(以逗号分割)文件中加载数据推送给策略。 数据源不仅限于bars。
• Brokers经纪商：经纪商模块负责执行订单。
• DataSeries数据序列：DataSeries 是用于管理时间序列的抽象类
• Technicals指标计算：这是你用来对DataSeries进行计算的一组过滤（指标）器。 例如简单移动平均线（SMA）,相对强弱指标(RSI)等. 这些过滤(指标)器被建模为DataSeries 的装饰器。
• Optimizer优化：这是能让你在不同电脑之间、或多进程、或二者结合以加快回测效率的一组类。

自定义回归策略

这里不废话了，我们直接上代码，我们的交易策略类 MyStrategy 继承自Pyalgotrade.strategy.BacktestingStrategy 类：

# 基于 pyalgotrade 的交易策略类
class MyStrategy(strategy.BacktestingStrategy):
    def __init__(self, feed, instrument, smaPeriod):
        super(MyStrategy, self).__init__(feed)
        self.__instrument = instrument
        self.__closed = feed[instrument].getCloseDataSeries()
        self.__sma = ma.SMA(self.__closed, smaPeriod)
        self.__position = None
        self.getBroker()
       
    def getSMA(self):
        return self.__sma
   
    def onEnterLong(self, position):
        print("onEnterLong", position.getShares())

    def onEnterOk(self, position):
        execInfo = position.getEntryOrder().getExecutionInfo()
        self.info("BUY at %.2f" % (execInfo.getPrice()))
       
    def onEnterCanceled(self, position):
        self.__position = None
        print("onEnterCanceled", position.getShares())
       
    def onExitOk(self, position):
        execInfo = position.getExitOrder().getExecutionInfo()
        self.info("SELL at $%.2f" % (execInfo.getPrice()))
        self.__position = None
        print("onExitOk", position.getShares())
       
    def onExitCanceled(self, position):
        self.__position.exitMarket()
        print("onExitCanceled", position.getShares())
       
    def onBars(self, bars):
        if self.__position is None:
            if cross.cross_above(self.__closed, self.__sma) > 0:
                shares = int(self.getBroker().getCash() * 0.9 / bars[self.__instrument].getPrice())
                print("cross_above shares,", shares)
                # Enter a buy market order. The order is good till canceled.
                self.__position = self.enterLong(self.__instrument, shares, True)
        elif not self.__position.exitActive() and cross.cross_below(self.__closed, self.__sma) > 0:
            print("cross_below")
            self.__position.exitMarket()
           

    def getClose(self):
        return self.__closed

对股票进行策略回溯

示例代码，以 格力电器（000651）为例，初始资本 100万，回溯时间 2018年1月1日 至 2019年 2月 12日，SMA周期 30：

code = "000651" # 格力电器
feed = tsfeed.Feed()
feed.addBarsFromCode(code,start='2018-01-01',end='2019-02-12')

# Evaluate the strategy with the feed's bars.
myStrategy = MyStrategy(feed, code, 30) # SMA周期 30
returnsAnalyzer = returns.Returns()
myStrategy.attachAnalyzer(returnsAnalyzer)
sharpe_ratio = sharpe.SharpeRatio()
myStrategy.attachAnalyzer(sharpe_ratio)

plt = plotter.StrategyPlotter(myStrategy)
plt.getInstrumentSubplot(code).addDataSeries("SMA", myStrategy.getSMA())
plt.getOrCreateSubplot("returns").addDataSeries("Simple returns", returnsAnalyzer.getReturns())

myStrategy.run()
myStrategy.info("Final portfolio value: $%.2f" % myStrategy.getResult())

plt.plot()

最终回测结果如下图：

格力电器，2018-01-01 至 2019-02-12 回溯

不同周期的策略回测结果

如上图所示，格力电器 2018年 初始资本 100万，末期资本 72.88 万，亏损近 30%。如此看来，是否交易策略无效呢？
我们不妨进行更长时间的回测，从 2009年01月01日开始，进行10年时间的回测，结果如下：

格力电器，2009-01-01 至 2019-02-12 回溯

可见，格力电器 10 年时间回测结果，末期资本为 340.66 万元， 10年收益 240%。此外，经过我们测试，SMA 不同周期对收益也有明显影响，下面，直接给出我们针对 格力电器和工商银行 不同周期，不同SMA频率的回测结果：

结论

根据我们基于自定义策略对格力电器和 工商银行的回测分析，初步可以得到如下结论：

1. 基于我们的策略，坚持长期策略投资，其最大收益高于大盘表现（最大收益率 347% ：格力电器，10年期，SMA 20）；
2. 选取SMA 周期，在 20 左右（在15 ~ 30 之间），其收益最大，相对亏损风险较小；
3. 选取SMA 周期越大（等于 50 时），风险越小；
4. 综合来看，投资格力电器收益率更大，而风险在可控范围内。

注：以上结论只是作为对策略历史数据回测的结果分析，不可作为实际投资参考。