Question

1. 准备工作

一大波Python库需要在使用之前被导入：

• matplotlib 用于绘制图表
• numpy 时间序列的计算
• pandas 处理结构化的表格数据
• DataAPI 通联数据提供的数据API
• seaborn 用于美化matplotlib图表

from matplotlib import pylab
import numpy as np
import pandas as pd
import DataAPI
import seaborn as sns
sns.set_style('white')

我们的关注点是关于一只ETF基金的投资：华夏上证50ETF，代码：510050.XSHG。我们考虑的回测周期：

• 起始：2008年1月1日
• 结束：2015年4月23日

这里我们使用数据API函数MktFunddGet获取基金交易价格的日线数据，最后获得security是pandas下的DataFrame对象：

secID = '510050.XSHG'
start = '20080101'
end = '20150423'

security = DataAPI.MktFunddGet(secID, beginDate=start, endDate=end, field=['tradeDate', 'closePrice'])
security['tradeDate'] = pd.to_datetime(security['tradeDate'])
security = security.set_index('tradeDate')
security.info()

<class 'pandas.core.frame.DataFrame'>
DatetimeIndex: 1775 entries, 2008-01-02 00:00:00 to 2015-04-23 00:00:00
Data columns (total 1 columns):
closePrice    1775 non-null float64
dtypes: float64(1)

最近5天的收盘价如下：

security.tail()

	closePrice
tradeDate
2015-04-17	3.185
2015-04-20	3.103
2015-04-21	3.141
2015-04-22	3.241
2015-04-23	3.212

适当的图表可以帮助研究人员直观的了解标的的历史走势，这里我们直接借助DataFrame的plot成员：

security['closePrice'].plot(grid=False, figsize=(12,8))
sns.despine()

2. 策略描述

这里我们以经典的“双均线”策略为例，讲述如何使用量化实验室进行分析研究。

这里我们使用的均线定义为：

• 短期均线： window_short = 20，相当于月均线
• 长期均线： window_long = 120，相当于半年线
• 偏离度阈值： SD = 5%，区间宽度，这个会在后面有详细解释

计算均值我们借助了numpy的内置移动平均函数：rolling_mean

window_short = 20
window_long = 120
SD = 0.05

security['short_window'] = np.round(pd.rolling_mean(security['closePrice'], window=window_short), 2)
security['long_window'] = np.round(pd.rolling_mean(security['closePrice'], window=window_long), 2)
security[['closePrice', 'short_window', 'long_window']].tail()

	closePrice	short_window	long_window
tradeDate
2015-04-17	3.185	2.82	2.30
2015-04-20	3.103	2.85	2.31
2015-04-21	3.141	2.87	2.33
2015-04-22	3.241	2.90	2.34
2015-04-23	3.212	2.93	2.35

仍然地，我们可以把包含收盘价的三条线画到一张图上，看看有没有什么启发？

security[['closePrice', 'short_window', 'long_window']].plot(grid=False, figsize=(12,8))
sns.despine()

2.1 定义信号

买入信号： 短期均线高于长期日均线，并且超过 SD 个点位；

卖出信号： 不满足买入信号的所有情况；

我们首先计算短期均线与长期均线的差s-l，这样的向量级运算，在pandas中可以像普通标量一样计算：

security['s-l'] = security['short_window'] - security['long_window']
security['s-l'].tail()

tradeDate
2015-04-17    0.52
2015-04-20    0.54
2015-04-21    0.54
2015-04-22    0.56
2015-04-23    0.58
Name: s-l, dtype: float64

根据s-l的值，我们可以定义信号：

• s−l>SD×long_window，支持买入，定义Regime为True
• 其他情形下，卖出信号，定义Regime为False

security['Regime'] = np.where(security['s-l'] > security['long_window'] * SD, 1, 0)
security['Regime'].value_counts()

0    1394
1     381
dtype: int64

上面的统计给出了总共有多少次买入信号，多少次卖出信号。

下图给出了信号的时间分布：

security['Regime'].plot(grid=False, lw=1.5, figsize=(12,8))
pylab.ylim((-0.1,1.1))
sns.despine()

我们可以在有了信号之后执行买入卖出操作，然后根据操作计算每日的收益。这里注意，我们计算策略收益的时候，使用的是当天的信号乘以次日的收益率。这是因为我们的决定是当天做出的，但是能享受到的收益只可能是第二天的（如果用当天信号乘以当日的收益率，那么这里面就有使用未来数据的问题）。

security['Market'] = np.log(security['closePrice'] / security['closePrice'].shift(1))
security['Strategy'] = security['Regime'].shift(1) * security['Market']
security[['Market', 'Strategy', 'Regime']].tail()

	Market	Strategy	Regime
tradeDate
2015-04-17	0.012638	0.012638	1
2015-04-20	-0.026083	-0.026083	1
2015-04-21	0.012172	0.012172	1
2015-04-22	0.031341	0.031341	1
2015-04-23	-0.008988	-0.008988	1

最后我们把每天的收益率求和就得到了最后的累计收益率（这里因为我们使用的是指数收益率，所以将每日收益累加是合理的），这个累加的过程也可以通过DataFrame的内置函数cumsum轻松完成：

security[['Market', 'Strategy']].cumsum().apply(np.exp).plot(grid=False, figsize=(12,8))
sns.despine()

3 使用quartz实现策略

上面的部分介绍了从数据出发，在量化实验室内研究策略的流程。实际上我们可以直接用量化实验室内置的quartz框架。quartz框架为用户隐藏了数据获取、数据清晰以及回测逻辑。用户可以更加专注于策略逻辑的描述：

start = datetime(2008, 1, 1)                # 回测起始时间
end  = datetime(2015, 4, 23)                # 回测结束时间
benchmark = 'SH50'                            # 策略参考标准
universe = ['510050.XSHG']    # 股票池
capital_base = 100000     # 起始资金
commission = Commission(0.0,0.0)

window_short = 20
window_long = 120
longest_history = window_long
SD = 0.05

def initialize(account):                    # 初始化虚拟账户状态
    account.fund = universe[0]
    account.SD = SD
    account.window_short = window_short
    account.window_long = window_long

def handle_data(account):             # 每个交易日的买入卖出指令
    hist = account.get_history(longest_history)
    fund = account.fund
    short_mean = np.mean(hist[fund]['closePrice'][-account.window_short:]) # 计算短均线值
    long_mean = np.mean(hist[fund]['closePrice'][-account.window_long:])   #计算长均线值

    # 计算买入卖出信号
    flag = True if (short_mean - long_mean) > account.SD * long_mean else False 
    if flag:
        if account.position.secpos.get(fund, 0) == 0:
            # 空仓时全仓买入，买入股数为100的整数倍
            approximationAmount = int(account.cash / hist[fund]['closePrice'][-1]/100.0) * 100
            order(fund, approximationAmount)
    else:
        # 卖出时，全仓清空
        if account.position.secpos.get(fund, 0) >= 0:
            order_to(fund, 0)