易经量化交易系统之回测系统2

Posted 最老程序员闫涛

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了易经量化交易系统之回测系统2相关的知识,希望对你有一定的参考价值。

订单类

当回测系统运行时,我们所开发的策略,会根据市场行情数据,生成相应的买入、卖出操作,这时就会产生订单。订单包括时间戳、交易标的代码、买卖操作、数量、价格、头寸等信息,产生订单后,会将订单提交给broker来进行处理,会进一步添加执行时间、交易价格、交易数量信息。我们这里先只处理市场价订单,其他类型订单,如限制、终止订单等,可以在这个基本系统上进行扩展。

class Order(object):
    # 订单类型定义
    OT_MARKET_ORDER = 1001 # 市价类型订单
    # 订单状态定义
    OS_ISSUED = 2001
    OS_FILLED = 2002

    def __init__(self, timestamp, symbol, quant, is_buy, 
                order_type=OT_MARKET_ORDER, price=0.0):
        self.name = 'fas.bktr.Order'
        self.timestamp = timestamp
        self.symbol = symbol
        self.quant = quant
        self.is_buy = is_buy
        self.order_type = order_type
        self.price = price
        self.order_state = Order.OS_ISSUED
        self.filled_time = None
        self.filled_price = 0.0
        self.filled_quant = 0
  • 第3行:定义订单类型常量之市价订单,后面如果我们要扩展系统,可以定义更多的订单类型;
  • 第5、6行:定义订单状态常量,分别为订单生成和订单完成;

订单包括下单时间,是否是购买订单,下单价格(在具体执行时可能是市场的当前价格),下单数量(可能是市场上最大可满足的数量),当订单执行完成时,需要有订单完成时间,实际执行价格,实际完成数量等信息。

仓位

仓位维护我们当前的仓位和账户余额,已实现损益和未实现损益:

class Position(object):
    def __init__(self):
        self.name = 'fas.bktr.Position'
        self.symbol = None
        self.buy_quants, self.sell_quants, self.net_quants = 0, 0, 0
        self.realized_pnl = 0.0
        self.unrealized_pnl = 0.0
        self.position_value = 0.0

    def event_fill(self, timestamp, is_buy, quant, price):
        if is_buy:
            self.buy_quants += quant
        else:
            self.sell_quants += quant
        self.net_quants = self.buy_quants - self.sell_quants
        changed_value = quant * price * (-1 if is_buy else 1)
        self.position_value += changed_value
        if self.net_quants == 0:
            self.realized_pnl = self.position_value

    def update_unrealized_pnl(self, price):
        if self.net_quants == 0:
            self.unrealized_pnl = 0
        else:
            self.unrealized_pnl = price * self.net_quants + \\
                        self.position_value
        return self.unrealized_pnl
  • 第5行:定义累计买入数量(股),累计卖出数量和持有数量;
  • 第6行:已实现的损益,pnl代表profile and loss;
  • 第7行:未实现的损益,通常是由于持有标的产生的;
  • 第10~17行:以买入为例,增加累计买入数量和持有数量,资金变化量为负值,代表资金将减少;若为卖出时,增加累计卖出数量,减少持有数量,资金会增加;如果持有量为0时,则资金(position_value)就全部是已实现损益;
  • 第21~27行:当持有标的价格变动时,未实现损益会发生变化。公式为当前资金再加上当前标的价格乘以持有数量;

策略

策略基类

我们编写回测平台的目的,就是要尽可能真实的测试我们的策略在市场环境下的表现,因此策略是回测系统的重要核心功能。我们在实际中,会根据不同的理论,开发不同的策略,因此我们先定一个策略的基类:

class Strategy(object):
    def __init__(self):
        self.name = 'fas.bktr.Strategy'
        self.event_send_order = None

    def event_tick(self, market_data):
        pass

    def event_order(self, order):
        pass

    def event_position(self, positions):
        pass

    def send_order(self, timestamp, symbol, is_buy, quant):
        if self.event_send_order is not None:
            order = Order(timestamp, symbol, quant, is_buy, 
                        order_type=Order.OT_MARKET_ORDER, 
                        price=0.0)
            self.event_send_order(order)
  • 第4行:定义订单发送事件响应函数;
  • 第6行:还记得在MarketDataSource.start_market_simulation方法中,每个Tick时间点都会调用一个event_tick函数,这里就是这个函数的定义,因为这里是策略类的虚基类,因此该函数为空,需要具体的策略类给出具体的实现;
  • 第9行:当订单状态发生变化时,回测系统会调用这个方法;
  • 第12行:当仓位发生变化时,回测系统会调用这个方法;
  • 第15~20行:生成订单,并将订单事件发布到系统中去;

具体策略类

具体的策略在具体的策略类中实现,在这里我们实现一个均值回归策略:

class MeanRevertingStrategy(Strategy):
    def __init__(self, symbol, lookback_intervals=20, 
                buy_threshold=-1.5, sell_threshold=1.5):
        super(MeanRevertingStrategy, self).__init__()
        self.symbol = symbol
        self.lookback_intervals = lookback_intervals
        self.buy_threshold = buy_threshold
        self.sell_threshold = sell_threshold
        self.is_long, self.is_short = False, False

    def event_position(self, positions):
        if self.symbol in positions:
            position = positions[self.symbol]
            self.is_long = True if position.net_quants > 0 else False
            self.is_short = True if position.net_quants <= 0 else False

    def event_tick(self, market_data):
        self.store_prices(market_data)
        if len(self.prices) < self.lookback_intervals:
            return
        signal_value = self.calculate_z_score()
        timestamp = market_data.get_tick_data().timestamp
        if signal_value < self.buy_threshold:
            self.on_buy_signal(timestamp)
        elif signal_value > self.sell_threshold:
            self.on_sell_signal(timestamp)

    def store_prices(self, market_data):
        tick_data = market_data.get_tick_data(self.symbol)
        timestamp = tick_data.timestamp
        self.prices.loc[timestamp, 'open'] = tick_data.open
        self.prices.loc[timestamp, 'high'] = tick_data.high
        self.prices.loc[timestamp, 'low'] = tick_data.low
        self.prices.loc[timestamp, 'close'] = tick_data.close
        self.prices.loc[timestamp, 'volume'] = tick_data.volume
        self.prices.loc[timestamp, 'outstanding_share'] = tick_data.outstanding_share
        self.prices.loc[timestamp, 'turnover'] = tick_data.turnover

    def calculate_z_score(self):
        self.prices = self.prices[-self.lookback_intervals:]
        returns = self.prices['close'].pct_change().dropna()
        z_score = ((returns - returns.mean())/returns.std())[-1]
        return z_score

    def on_buy_signal(self, timestamp):
        if not self.is_long:
            self.send_order(self.symbol, 100, True, timestamp)

    def on_sell_signal(self, timestamp):
        if not self.is_short:
            self.send_order(self.symbol, 100, False, timestamp)
  • 第2、3行:定义构造函数,lookback_intervals是向前看多少个时间点,buy_threshold为当收益率降低50%时,我们就买入该股票;sell_thrshold为当收益率涨50%时,我们就卖出该股票;
  • 第11~15行:根据仓位类,当持有股票时,is_long为真,当不持有股票时,is_short为真;
  • 第17~26行:保存价格信息,如果价格信息不够向前看的时间点数,则直接返回,什么都不做。否则计算信号量,当信号量跌破购买阈值buy_threshold时买入股票,当信号量涨破卖出阈值sell_threshold时,卖出股票;
  • 第28~37行:保存价格信息;
  • 第39~43行:取lookback_intervals长度的价格数据,用当天的收盘价减去昨日的收盘价,得到收益率序列returns,然后根据如下公式计算信号量:
    z = r − μ σ z = \\fracr - \\mu\\sigma z=σrμ
    其中r为收益率, μ \\mu μ为收益率均值, σ \\sigma σ为收益率标准差;
  • 第45~47行:当触发买入条件时,发送买入订单;
  • 第49~51行:当触发卖出条件时,发送卖出订单;

在有了上述基础类之后,我们将在下一篇博文中完善我们的回测引擎类,执行一次完整的回测过程。我们目前的回测系统,实际上还不是很真实,因为在实际交易中,还需要交手续费、过户费、印花税等,我们将在后面博文中引入Broker类,来处理这些业务逻辑。由于我们的策略都是有风险的,因此我们需要在我们回测系统中,加入风控模块,这将在我们最后一篇博文中加以介绍。

以上是关于易经量化交易系统之回测系统2的主要内容,如果未能解决你的问题,请参考以下文章

易经量化交易系统1

易经量化交易系统2

如何看待量化交易的回测?

基于强化学习的期权量化交易回测系统2

基于强化学习的期权量化交易回测系统2

自己做量化交易软件(43)小白量化实战16--利用小白量化金融模块在恒生PTrade交易系统(交易端)上仿大智慧指标回测及实战交易设计