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(2) —MACD策略(+26.9%)
Python 量化投资原来这么简单(3) —A股回测MACD策略
Github仓库：https://github.com/Ckend/pythondict-quant
许多技术投资方面的教材，经常会用几幅上涨的图来表明某些指标的用处，实际上那些上涨的图很可能只是假象。作者为了证明他所强调的指标的作用，选定了符合该指标策略的股票上升趋势图，但实际上这些策略并不一定适合全部股票，许多人被傻傻地骗了进去，血本无归。
因此，判断一个策略的好坏一定要有回测证据。我们将在A股中随机抽取1000只股票，在2010年1月1日至2020年5月10日期间采用上回的 Python 量化投资原来这么简单(4) —KDJ 策略 进行交易，并计算得到其最终收益率。最后看正收益与负收益股票的对比，基于此来判断该策略是否具有通用性。
1.准备
开始之前，你要确保Python和pip已经成功安装在电脑上噢，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
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，多舒服的一件事啊：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5 进行下载。
2.编写策略
这一部分与 Python 量化投资原来这么简单(3) —A股回测MACD策略 非常相似，不过有许多读者反映看不懂，事实上真的非常简单，可能是由于要显示许多交易日志，大家被代码弄晕了。因此这一篇文章我将详细解析每一个步骤，为了方便阅读，我把所有的日志显示代码都去除了，以清除地展示代码逻辑。
不过值得一提的是，我们在这采用的投资回报率的计算都是静态的，即本金多少，最后相比之下盈余多少作为我们的回报率，而且每次交易只买入100股，这是非常不智能的，在下一篇文章中，我们将实现动态买入股数计算投资回报率。
2.1 计算指标
第一步，构建我们的KDJ指标，在上篇Python KDJ量化投资中我们提到了KDJ的几个计算方法。此外，我们根据MACD指标优化了买入策略，你可以在 Python MACD量化投资 中阅读详细的教程。
根据这两篇文章，我们知道KDJ指标计算方法如下：
- RSV = （收盘价-N周期最低价）/（N周期最高价-N周期最低价）*100
- K值 = RSV的N周期加权移动平均值(EMA)
- D值 = K值的N周期加权移动平均值(EMA)
- J值 = 3K-2D
MACD指标计算方法如下（EMA后的括号表示周期）：
- MACD=价格EMA(12) – 价格EMA(26).
- 信号线=MACD的EMA(9)
这样，我们就可以开始计算这些指标了，在Backtrader中计算这些指标非常方便，最高价、最低价、EMA都有内置函数计算，比如bt.indicators.EMA用于计算EMA的值，period参数表示周期。计算方法如下：
import datetime
import os.path
import sys
import pickle
import backtrader as bt
from backtrader.indicators import EMA
class TestStrategy(bt.Strategy):
def __init__(self):
self.dataclose = self.datas[0].close
self.volume = self.datas[0].volume
self.order = None
self.buyprice = None
self.buycomm = None
# 9个交易日内最高价
self.high_nine = bt.indicators.Highest(self.data.high, period=9)
# 9个交易日内最低价
self.low_nine = bt.indicators.Lowest(self.data.low, period=9)
# 计算rsv值
self.rsv = 100 * bt.DivByZero(
self.data_close - self.low_nine, self.high_nine - self.low_nine, zero=None
)
# 计算rsv的3周期加权平均值，即K值
self.K = bt.indicators.EMA(self.rsv, period=3, plot=False)
# D值=K值的3周期加权平均值
self.D = bt.indicators.EMA(self.K, period=3, plot=False)
# J=3*K-2*D
self.J = 3 * self.K - 2 * self.D
# MACD策略参数
me1 = EMA(self.data, period=12)
me2 = EMA(self.data, period=26)
self.macd = me1 - me2
self.signal = EMA(self.macd, period=9)
bt.indicators.MACDHisto(self.data)2.2 策略买入卖出与运行
我们根据上一篇文章提到的，基于MACD金叉进行买入，基于KDJ死叉进行卖出 构建我们的买入卖出量化策略：
# 接上部分代码
# Python 实用宝典
def next(self):
if not self.position:
# 买入：基于MACD策略
condition1 = self.macd[-1] - self.signal[-1]
condition2 = self.macd[0] - self.signal[0]
if condition1 < 0 and condition2 > 0:
self.order = self.buy()
else:
# 卖出：基于KDJ策略
condition1 = self.J[-1] - self.D[-1]
condition2 = self.J[0] - self.D[0]
if condition1 > 0 or condition2 < 0:
self.order = self.sell()这样，我们的策略就构建完毕了，这个TestStrategy类至此结束。接下来让策略运行起来，为方便回测A股，我们把运行策略部分封装成了一个函数，以方便回测大量数据：
def run_cerebro(stock_file, result):
"""
运行策略
:param stock_file: 股票数据文件位置
:param result: 回测结果存储变量
"""
cerebro = bt.Cerebro()
cerebro.addstrategy(TestStrategy)
# 加载数据到模型中
data = bt.feeds.GenericCSVData(
dataname=stock_file,
fromdate=datetime.datetime(2010, 1, 1),
todate=datetime.datetime(2020, 5, 10),
dtformat="%Y%m%d",
datetime=2,
open=3,
high=4,
low=5,
close=6,
volume=10,
reverse=True,
)
cerebro.adddata(data)
# 本金10000，每次交易100股
cerebro.broker.setcash(10000)
cerebro.addsizer(bt.sizers.FixedSize, stake=100)
# 万五佣金
cerebro.broker.setcommission(commission=0.0005)
# 运行策略
cerebro.run()
# 剩余本金
cerebro.broker.get_value()
money_left = cerebro.broker.getvalue()
# 获取股票名字
stock_name = stock_file.split("\\")[-1].split(".csv")[0]
# 将最终回报率以百分比的形式返回
result[stock_name] = float(money_left - 10000) / 10000将股票数据文件和一个变量传入该函数，你就能得到该股票使用此策略的整体回报率。这里回报率的计算其实并不准确，因为我们每次仅交易100股，有些股票其实走势不错，但是买的太少会出现投资回报率很低的情况，甚至有些股票100股的价格会超过本金导致交易无法进行。
这些问题我们将在下一篇文章中解决，本篇文章只考虑该策略在A股中的整体盈余和亏损情况。
3.A股回测
我们将遍历抽取出来的1000只股票数据，计算出该策略在这些股票上的投资回报率，我们重点观察的是盈余股票的数量和亏损股票的数量。
files_path = "./thoudsand_stocks/"
result = {}
# 遍历所有股票数据
for stock in os.listdir(files_path):
modpath = os.path.dirname(os.path.abspath(sys.argv[0]))
datapath = os.path.join(modpath, files_path + stock)
print(datapath)
try:
run_cerebro(datapath, result)
except Exception as e:
print(e)这样，针对每一只股票都会运行一遍策略，然后将最终的盈余值放入result变量中。
然后我们再针对result变量进行相应的最最最简单分析：
# 计算
pos = []
neg = []
for data in result:
res = result[data]
if res > 0:
pos.append(res)
else:
neg.append(res)
print(f'正收益数量: {len(pos)}, 负收益数量:{len(neg)}')得到的结果如下，有些股票数据不足被遗弃：
正收益数量: 430, 负收益数量:568
从结果上看，显然，如果我们不考虑基本面，单纯地买入符合该策略的股票，最终很大可能是亏损的。许多技术投资方面的教材，用了几幅上涨的图来表明这些指标的用处，实际上那些上涨的图只是假象，但是许多人被傻傻地骗了进去，血本无归。
量化投资就是为了避免这种情况的发生，某些技术策略你觉得靠谱，那你就需要回测出一个证据来，靠几个上涨的图示来强调一个指标的好坏其实没有说服力，而根据没有证据的技术策略进行投资，和赌博无太大区别。
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
评论(0)