量化投资系列文章：
Backtrader 教程 — Python 量化投资原来这么简单(1)
Python 量化投资原来这么简单(3) —A股回测MACD策略
Python 量化投资原来这么简单(5) — A股回测KDJ 策略
Github仓库：https://github.com/Ckend/pythondict-quant
在之前的五篇系列文章中，计算收益率时没有考虑每次按策略进行交易时的收益率，而是单纯回测一段时间后，通过计算最终价值和本金的差距并除以本金，得到最终收益率。这样的计算方法其实是不准确的，因为交易时每次都采用100股的形式进行，在没有引入调仓技术前，我们应该以每次交易的平均收益率为准。
具体计算方法如下：
- 在每次买入股票的时候，记录购买价格：self.buyprice
- 在每次卖出股票的时候，计算收益率：(卖出价格-买入价格)/买入价格，忽略佣金。
- 将每次交易收益存入params变量中，以便后续分析。
1.准备
开始之前，你要确保Python和pip已经成功安装在电脑上，如果没有，请访问这篇文章：超详细Python安装指南 进行安装。如果你用Python的主要目的是数据分析，可以直接安装Anaconda：Python数据分析与挖掘好帮手—Anaconda，内含许多科学计算模块。
Windows环境下打开Cmd(开始—运行—CMD)，苹果系统环境下请打开Terminal(command+空格输入Terminal)，准备开始输入命令安装依赖。
当然，我更推荐大家用VSCode编辑器，把本文代码Copy下来，在编辑器下方的终端运行命令安装依赖模块，多舒服的一件事：Python 编程的最好搭档—VSCode 详细指南。
在终端输入以下命令安装我们所需要的依赖模块:
pip install backtrader
看到 Successfully installed xxx 则说明安装成功。
Backtrader基本使用请看我们前一篇文章：
backtrader教程—量化投资原来这么简单(1)
本文全部代码，请在Python实用宝典后台回复：量化投资6 进行下载。
2.交易收益率
以第二篇的macd策略为例，首先初始化策略变量，用于记录股票交易的每次收益率：
class TestStrategy(bt.Strategy):
params = (
('code', 0),
('profits', [])
)第二，要在notify_order函数中记录购买时的价格：
def notify_order(self, order):
# 交易状态处理
# Python实用宝典
if order.status in [order.Submitted, order.Accepted]:
return
if order.status in [order.Completed]:
if order.isbuy():
self.log(
"BUY EXECUTED, Price: %.2f, Cost: %.2f, Comm %.2f"
% (order.executed.price, order.executed.value, order.executed.comm)
)
# 记录买入价格
self.buyprice = order.executed.price
self.buycomm = order.executed.comm
self.bar_executed_close = self.dataclose[0]第三，在卖出的时候，根据卖出价格和买入价格计算收益率，并存入策略变量里的profits变量中：
def notify_order(self, order):
# 交易状态处理
# Python实用宝典
if order.status in [order.Submitted, order.Accepted]:
return
if order.status in [order.Completed]:
if order.isbuy():
self.log(
"BUY EXECUTED, Price: %.2f, Cost: %.2f, Comm %.2f"
% (order.executed.price, order.executed.value, order.executed.comm)
)
# 记录买入价格
self.buyprice = order.executed.price
self.buycomm = order.executed.comm
self.bar_executed_close = self.dataclose[0]
else:
self.log(
"SELL EXECUTED, Price: %.2f, Cost: %.2f, Comm %.2f"
% (order.executed.price, order.executed.value, order.executed.comm)
)
# 收益率计算
profit_rate = float(order.executed.price - self.buyprice)/float(self.buyprice)
# 存入策略变量
self.params.profits.append(profit_rate)
self.bar_executed = len(self)在策略运行完毕后，可以通过以下变量获得策略变量里profits的值：
cerebro.runstrats[0][0].params.profits
结果如下：
[0.021676761236850372, -0.1054225992123598, 0.10678571428571423, 0.11044953855314062, 0.21502209131075103, 0.15729837813819164, 0.10841304881039966, 0.16918294849023086]
可以看到，每次该策略进行交易时的收益率，第一次盈利2%、第二次亏损10%、第三次盈利10%、第四次盈利11%…
有趣的是第五次，盈利了21%，这个策略明明是在盈利10%的时候卖出，为什么这次交易能盈利21%？
主要是在涨停板之下，股票无法卖出导致的。
这也给我们一个hint：这个策略写死的涨/跌10%卖出是不是过于死板了，有没有更合适的卖出策略？
大家可以尝试一下找到更好的卖出策略，下一篇文章中我们将重点讨论这个问题。
3. 平均收益率
使用numpy的mean函数，可以直接算出数组的平均值：
print(np.mean(profits))
结果如下：
0.09792573520161482
平均下来，该策略在这只股票上的收益率为9.7%.
但是这并不代表这个策略是可用的，因为有可能它只是适用于这只股票，是否适合所有股票需要通过回测A股来决定：Python 量化投资原来这么简单(3) —A股回测MACD策略
我们的文章到此就结束啦，如果你喜欢今天的 Python 教程，请持续关注Python实用宝典。
有任何问题，可以在公众号后台回复：加群，回答相应验证信息，进入互助群询问。
原创不易，希望你能在下面点个赞和在看支持我继续创作，谢谢！
Python实用宝典 ( pythondict.com )
不只是一个宝典
欢迎关注公众号：Python实用宝典
