量化交易策略回测实践¶
本教程将使用Backtrader框架实现几种常见的量化交易策略，并进行回测和参数优化。我们将使用生成的模拟数据代替真实股票数据，确保代码在任何环境下都能顺利运行。
目录¶
- 环境准备与数据生成
- 数据可视化与探索
- 定义交易策略
- 执行回测
- 策略参数优化
- 投资组合回测
- 结论与总结
In [1]:
# %pip install backtrader
In [2]:
import backtrader as bt
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import datetime
Duplicate key in file WindowsPath('d:/Users/wukek/anaconda3/Lib/site-packages/matplotlib/mpl-data/matplotlibrc'), line 412 ('axes.unicode_minus: True # use Unicode for the minus symbol rather than hyphen. See')
In [3]:
# 1. Tushare股票数据
import tushare as ts
import pandas as pd
import numpy as np
def get_tushare_token(file_path='tushare_token.txt'):
"""
从文件读取 Tushare Token
"""
try:
with open(file_path, 'r') as file:
token = file.readline().strip()
return token
except FileNotFoundError:
print(f"Error: Token文件 {file_path} 未找到")
return None
except Exception as e:
print(f"读取Token时发生错误: {e}")
return None
def fetch_stock_data(tickers, start_date, end_date):
"""
从Tushare获取真实股票数据
参数:
tickers: 股票代码列表（使用完整代码如'600036.SH'）
start_date: 开始日期
end_date: 结束日期
返回:
字典，键为股票代码，值为DataFrame数据
"""
# 获取 Token
token = get_tushare_token()
if not token:
raise ValueError("无法获取 Tushare Token")
# 初始化 Pro API
pro = ts.pro_api(token)
# 存储股票数据的字典
stock_data = {}
for ticker in tickers:
try:
# 获取日线行情数据（前复权）
df = pro.daily(
ts_code=ticker,
start_date=start_date.replace('-', ''),
end_date=end_date.replace('-', '')
)
# 数据预处理
if df is None or df.empty:
print(f"未获取到 {ticker} 的数据")
continue
# 转换日期
df['trade_date'] = pd.to_datetime(df['trade_date'], format='%Y%m%d')
df = df.sort_values('trade_date').set_index('trade_date')
# 重命名列以完全匹配合成数据格式
df_processed = pd.DataFrame({
'Open': df['open'],
'High': df['high'],
'Low': df['low'],
'Close': df['close'],
'Volume': df['vol']
})
# 添加到股票数据字典
stock_data[ticker] = df_processed
except Exception as e:
print(f"获取 {ticker} 数据时发生错误: {e}")
return stock_data
def preprocess_stock_data(stock_data):
"""
进一步处理股票数据，确保数据质量
参数:
stock_data: 原始股票数据字典
返回:
处理后的股票数据字典
"""
processed_data = {}
for ticker, df in stock_data.items():
# 删除缺失值
df = df.dropna()
# 检查数据长度
if len(df) == 0:
print(f"警告：{ticker} 没有有效数据")
continue
# 异常值处理
Q1 = df['Close'].quantile(0.25)
Q3 = df['Close'].quantile(0.75)
IQR = Q3 - Q1
lower_bound = Q1 - 1.5 * IQR
upper_bound = Q3 + 1.5 * IQR
df = df[(df['Close'] >= lower_bound) & (df['Close'] <= upper_bound)]
# 确保列顺序和命名完全一致
df = df[['Open', 'High', 'Low', 'Close', 'Volume']]
processed_data[ticker] = df
return processed_data
# def main():
# # 选择要获取数据的股票
# tickers = ['600036.SH', '000001.SZ', '601318.SH'] # 招商银行、平安银行、中国平安
# start_date = '2020-01-01'
# end_date = '2022-12-31'
# # 获取股票数据
# stock_data = fetch_stock_data(tickers, start_date, end_date)
# # 数据预处理
# processed_stock_data = preprocess_stock_data(stock_data)
# # 数据验证与分析
# for ticker, df in processed_stock_data.items():
# print(f"\n{ticker} 数据统计:")
# print(df.describe())
# # 额外分析
# print("\n价格变化:")
# print(f"起始价格: {df['Close'].iloc[0]:.2f}")
# print(f"结束价格: {df['Close'].iloc[-1]:.2f}")
# print(f"总体变化: {(df['Close'].iloc[-1] / df['Close'].iloc[0] - 1) * 100:.2f}%")
# # 验证列名
# print("\n列名验证:")
# print(df.columns.tolist())
# return processed_stock_data
# if __name__ == "__main__":
# stock_data = main()
# 选择要获取数据的股票
tickers = ['600036.SH', '000001.SZ', '601318.SH'] # 招商银行、平安银行、中国平安
start_date = '2020-01-01'
end_date = '2022-12-31'
# end_date = '2020-12-31'
# 获取股票数据
stock_data = fetch_stock_data(tickers, start_date, end_date)
# 数据预处理
processed_stock_data = preprocess_stock_data(stock_data)
# 数据验证与分析
for ticker, df in processed_stock_data.items():
print(f"\n{ticker} 数据统计:")
print(df.describe())
# 额外分析
print("\n价格变化:")
print(f"起始价格: {df['Close'].iloc[0]:.2f}")
print(f"结束价格: {df['Close'].iloc[-1]:.2f}")
print(f"总体变化: {(df['Close'].iloc[-1] / df['Close'].iloc[0] - 1) * 100:.2f}%")
# 验证列名
print("\n列名验证:")
print(df.columns.tolist())
stock_data = processed_stock_data
600036.SH 数据统计:
Open High Low Close Volume
count 728.000000 728.000000 728.000000 728.000000 7.280000e+02
mean 42.750920 43.345838 42.164135 42.752459 6.789903e+05
std 8.066488 8.205544 7.898203 8.051716 3.417884e+05
min 26.900000 27.130000 26.300000 26.820000 2.156602e+05
25% 35.395000 35.837500 35.045000 35.397500 4.539281e+05
50% 40.935000 41.690000 40.415000 41.055000 5.852150e+05
75% 50.877500 51.435000 50.042500 50.900000 8.042732e+05
max 58.210000 58.920000 57.610000 58.500000 2.504770e+06
价格变化:
起始价格: 38.88
结束价格: 37.26
总体变化: -4.17%
列名验证:
['Open', 'High', 'Low', 'Close', 'Volume']
000001.SZ 数据统计:
Open High Low Close Volume
count 728.000000 728.000000 728.000000 728.000000 7.280000e+02
mean 16.570577 16.832555 16.314890 16.581470 1.089831e+06
std 3.570154 3.660223 3.471243 3.576886 5.388167e+05
min 10.330000 10.450000 10.220000 10.340000 3.439356e+05
25% 13.640000 13.745000 13.417500 13.585000 7.339923e+05
50% 15.800000 16.050000 15.625000 15.820000 9.635799e+05
75% 19.000000 19.322500 18.620000 19.022500 1.298082e+06
max 24.910000 25.310000 24.520000 25.010000 4.749276e+06
价格变化:
起始价格: 16.87
结束价格: 13.16
总体变化: -21.99%
列名验证:
['Open', 'High', 'Low', 'Close', 'Volume']
601318.SH 数据统计:
Open High Low Close Volume
count 728.000000 728.000000 728.000000 728.000000 7.280000e+02
mean 62.862514 63.559904 62.192418 62.832857 6.668724e+05
std 16.305443 16.463620 16.085748 16.260773 3.261314e+05
min 36.390000 36.670000 35.900000 36.150000 2.251350e+05
25% 47.485000 48.027500 46.730000 47.462500 4.369186e+05
50% 62.555000 63.275000 61.970000 62.335000 5.840238e+05
75% 78.445000 79.282500 77.632500 78.197500 8.167294e+05
max 93.380000 94.620000 92.090000 93.380000 2.806695e+06
价格变化:
起始价格: 86.12
结束价格: 47.00
总体变化: -45.42%
列名验证:
['Open', 'High', 'Low', 'Close', 'Volume']
In [4]:
# 2. 数据可视化
def plot_stock_prices(stock_data, window=20):
"""
绘制股票价格走势图和移动平均线
参数:
stock_data: 字典，键为股票代码，值为DataFrame数据
window: 移动平均窗口大小
"""
plt.figure(figsize=(15, 10))
for i, (ticker, data) in enumerate(stock_data.items()):
plt.subplot(len(stock_data), 1, i+1)
# 计算移动平均线
ma = data['Close'].rolling(window=window).mean()
# 绘制收盘价和移动平均线
plt.plot(data.index, data['Close'], label=f'{ticker} 收盘价')
plt.plot(data.index, ma, label=f'{window}日移动平均线', linestyle='--')
plt.title(f'{ticker} 股价走势')
plt.ylabel('价格')
plt.legend()
# 仅在最后一个子图上显示x轴标签
if i == len(stock_data) - 1:
plt.xlabel('日期')
plt.tight_layout()
plt.show()
# 绘制股票价格走势图
plot_stock_prices(stock_data)
def calculate_returns(stock_data):
"""
计算收益率
参数:
stock_data: 字典，键为股票代码，值为DataFrame数据
返回:
dict: 字典，键为股票代码，值为包含收益率的DataFrame
"""
returns_data = {}
for ticker, data in stock_data.items():
# 复制数据
df = data.copy()
# 计算日收益率
df['Daily_Return'] = df['Close'].pct_change()
# 计算累积收益率
df['Cumulative_Return'] = (1 + df['Daily_Return']).cumprod() - 1
returns_data[ticker] = df
return returns_data
# 计算收益率
returns_data = calculate_returns(stock_data)
def plot_cumulative_returns(returns_data):
"""
绘制累积收益率对比图
参数:
returns_data: 字典，键为股票代码，值为包含收益率的DataFrame
"""
plt.figure(figsize=(15, 6))
for ticker, data in returns_data.items():
plt.plot(data.index, data['Cumulative_Return'] * 100, label=ticker)
plt.title('各股票累积收益率对比')
plt.xlabel('日期')
plt.ylabel('累积收益率 (%)')
plt.legend()
plt.grid(True)
plt.show()
# 绘制累积收益率对比图
plot_cumulative_returns(returns_data)
def calculate_statistics(returns_data):
"""
计算统计指标
参数:
returns_data: 字典，键为股票代码，值为包含收益率的DataFrame
返回:
DataFrame: 包含各股票统计指标的DataFrame
"""
stats = []
for ticker, data in returns_data.items():
# 提取日收益率
daily_returns = data['Daily_Return'].dropna()
# 计算统计指标
avg_return = daily_returns.mean() * 252 * 100 # 年化收益率
volatility = daily_returns.std() * np.sqrt(252) * 100 # 年化波动率
sharpe = avg_return / volatility if volatility != 0 else 0 # 夏普比率
max_drawdown = (data['Close'] / data['Close'].cummax() - 1).min() * 100 # 最大回撤
stats.append({
'Ticker': ticker,
'Avg Return (%)': avg_return,
'Volatility (%)': volatility,
'Sharpe Ratio': sharpe,
'Max Drawdown (%)': max_drawdown
})
# 转换为DataFrame
stats_df = pd.DataFrame(stats).set_index('Ticker')
return stats_df
# 计算并显示统计指标
stats_df = calculate_statistics(returns_data)
print(stats_df)
d:\Users\wukek\anaconda3\Lib\site-packages\IPython\core\pylabtools.py:152: UserWarning: Glyph 8722 (\N{MINUS SIGN}) missing from current font.
fig.canvas.print_figure(bytes_io, **kw)
Avg Return (%) Volatility (%) Sharpe Ratio Max Drawdown (%) Ticker 600036.SH 4.116795 33.533192 0.122768 -54.153846 000001.SZ -2.252198 35.772030 -0.062960 -58.656537 601318.SH -17.057392 28.119877 -0.606596 -61.287214
In [5]:
# 3. 准备Backtrader数据
def prepare_backtrader_data(stock_data):
"""
将股票数据转换为Backtrader格式
参数:
stock_data: 字典，键为股票代码，值为DataFrame数据
返回:
dict: 字典，键为股票代码，值为Backtrader的数据源
"""
bt_data = {}
for ticker, df in stock_data.items():
# 确保列名与Backtrader期望的一致
df_bt = df.copy()
df_bt.columns = [col.lower() for col in df_bt.columns] # 将列名转为小写
# 创建Backtrader数据源
data = bt.feeds.PandasData(
dataname=df_bt,
# 指定日期列是索引
datetime=None,
# 指定OHLCV列
open=0,
high=1,
low=2,
close=3,
volume=4,
openinterest=-1 # 不使用
)
bt_data[ticker] = data
return bt_data
# 准备Backtrader数据
bt_data = prepare_backtrader_data(stock_data)
In [6]:
# 4. 定义交易策略
class MACrossKellyStrategy(bt.Strategy):
"""
移动平均交叉策略 + 凯利准则仓位控制
当短期移动平均线上穿长期移动平均线时买入
当短期移动平均线下穿长期移动平均线时卖出
使用凯利准则动态调整仓位大小
"""
params = (
('short_period', 20), # 短期移动平均线周期
('long_period', 50), # 长期移动平均线周期
('printlog', False), # 是否打印日志
('kelly_lookback', 20), # 凯利计算的历史交易回望期
('max_position', 0.95), # 最大仓位限制
('min_position', 0.01), # 最小仓位限制
('kelly_multiplier', 0.25) # 凯利比例调整系数（保守系数）
)
def __init__(self):
# 初始化移动平均线指标
self.short_ma = bt.indicators.SimpleMovingAverage(
self.data.close, period=self.params.short_period)
self.long_ma = bt.indicators.SimpleMovingAverage(
self.data.close, period=self.params.long_period)
# 交叉信号
self.crossover = bt.indicators.CrossOver(self.short_ma, self.long_ma)
# 跟踪订单，持仓和资产
self.order = None
self.buyprice = None
self.buycomm = None
# 凯利准则相关变量
self.trade_history = [] # 交易历史记录
self.kelly_fraction = 0.1 # 初始凯利比例
# 添加移动平均线到图表
self.short_ma.plotinfo.plotname = f'SMA({self.params.short_period})'
self.long_ma.plotinfo.plotname = f'SMA({self.params.long_period})'
def log(self, txt, dt=None, doprint=False):
""" 记录策略信息 """
if self.params.printlog or doprint:
dt = dt or self.datas[0].datetime.date(0)
print(f'{dt.isoformat()}, {txt}')
def calculate_kelly_fraction(self):
"""
计算凯利比例
凯利公式: f* = (bp - q) / b
其中：
- b = 平均盈利 / 平均亏损 (盈亏比)
- p = 胜率
- q = 败率 = 1 - p
"""
if len(self.trade_history) < 5: # 至少需要5笔交易才开始计算
return self.kelly_fraction
# 获取最近的交易记录
recent_trades = self.trade_history[-self.params.kelly_lookback:]
# 分离盈利和亏损交易
profits = [trade for trade in recent_trades if trade > 0]
losses = [abs(trade) for trade in recent_trades if trade < 0]
if len(losses) == 0: # 没有亏损交易
kelly_fraction = self.params.max_position
elif len(profits) == 0: # 没有盈利交易
kelly_fraction = self.params.min_position
else:
# 计算胜率
win_rate = len(profits) / len(recent_trades)
loss_rate = 1 - win_rate
# 计算平均盈利和平均亏损
avg_profit = np.mean(profits)
avg_loss = np.mean(losses)
# 计算盈亏比
profit_loss_ratio = avg_profit / avg_loss
# 凯利公式
kelly_fraction = (profit_loss_ratio * win_rate - loss_rate) / profit_loss_ratio
# 应用保守系数
kelly_fraction *= self.params.kelly_multiplier
# 限制仓位范围
kelly_fraction = max(self.params.min_position,
min(self.params.max_position, kelly_fraction))
self.log(f'凯利比例计算: {kelly_fraction:.3f}, 历史交易数: {len(recent_trades)}')
return kelly_fraction
def calculate_position_size(self):
"""
根据凯利比例计算仓位大小
"""
# 更新凯利比例
self.kelly_fraction = self.calculate_kelly_fraction()
# 计算可用资金
available_cash = self.broker.getcash()
current_value = self.broker.getvalue()
# 根据凯利比例计算目标仓位价值
target_position_value = current_value * self.kelly_fraction
# 计算股票数量（向下取整到最接近的100股倍数）
current_price = self.data.close[0]
target_shares = int(target_position_value / current_price / 100) * 100
# 确保不超过可用资金
max_affordable_shares = int(available_cash / current_price / 100) * 100
final_shares = min(target_shares, max_affordable_shares)
self.log(f'凯利仓位计算: 比例={self.kelly_fraction:.3f}, '
f'目标股数={target_shares}, 最终股数={final_shares}')
return max(100, final_shares) # 最少买100股
def notify_order(self, order):
""" 订单状态变化通知 """
if order.status in [order.Submitted, order.Accepted]:
return
if order.status in [order.Completed]:
if order.isbuy():
self.log(
f'买入执行, 价格: {order.executed.price:.2f}, '
f'数量: {order.executed.size}, '
f'成本: {order.executed.value:.2f}, '
f'手续费: {order.executed.comm:.2f}'
)
self.buyprice = order.executed.price
self.buycomm = order.executed.comm
else: # 卖出
self.log(
f'卖出执行, 价格: {order.executed.price:.2f}, '
f'数量: {order.executed.size}, '
f'成本: {order.executed.value:.2f}, '
f'手续费: {order.executed.comm:.2f}'
)
self.bar_executed = len(self)
elif order.status in [order.Canceled, order.Margin, order.Rejected]:
self.log('订单被取消/拒绝')
self.order = None
def notify_trade(self, trade):
""" 交易结果通知 """
if not trade.isclosed:
return
# 记录交易结果到历史记录
if abs(trade.value) >0:
pnl_percent = trade.pnlcomm / abs(trade.value) * 100 # 计算收益率
else:
pnl_percent = 0.0
self.trade_history.append(pnl_percent)
self.log(f'交易完成 - 毛利润: {trade.pnl:.2f}, '
f'净利润: {trade.pnlcomm:.2f}, '
f'收益率: {pnl_percent:.2f}%')
def next(self):
""" 策略逻辑 """
self.log(f'收盘价: {self.data.close[0]:.2f}, '
f'资产价值: {self.broker.getvalue():.2f}')
if self.order:
return
if not self.position:
# 买入信号
if self.crossover > 0:
# 计算买入数量
size = self.calculate_position_size()
self.log(f'买入信号 - 价格: {self.data.close[0]:.2f}, 数量: {size}')
self.order = self.buy(size=size)
else:
# 卖出信号
if self.crossover < 0:
self.log(f'卖出信号 - 价格: {self.data.close[0]:.2f}')
self.order = self.close() # 全部卖出
def stop(self):
""" 策略结束时调用 """
self.log('MA交叉+凯利策略结束，短期={} 长期={}, 最终凯利比例={:.3f}'.format(
self.params.short_period, self.params.long_period,
self.kelly_fraction), doprint=True)
# 打印交易统计
if self.trade_history:
win_trades = [t for t in self.trade_history if t > 0]
lose_trades = [t for t in self.trade_history if t < 0]
self.log(f'交易统计: 总交易={len(self.trade_history)}, '
f'盈利交易={len(win_trades)}, '
f'亏损交易={len(lose_trades)}, '
f'胜率={len(win_trades)/len(self.trade_history)*100:.1f}%',
doprint=True)
In [7]:
# 5. 执行回测
%matplotlib inline
%config InlineBackend.figure_format = 'retina'
def run_backtest(data, strategy, cash=100000.0, commission=0.001, **kwargs):
"""
运行回测
参数:
data: Backtrader数据源
strategy: 策略类
cash: 初始资金
commission: 手续费率
**kwargs: 策略参数
返回:
cerebro: Backtrader引擎
"""
# 创建Backtrader引擎
cerebro = bt.Cerebro()
# 添加数据
cerebro.adddata(data)
# 设置初始资金
cerebro.broker.setcash(cash)
# 设置手续费
cerebro.broker.setcommission(commission=commission)
# 添加策略，传入参数
cerebro.addstrategy(strategy, **kwargs)
# 添加分析器
cerebro.addanalyzer(bt.analyzers.SharpeRatio, riskfreerate=0.01, _name='sharpe')
cerebro.addanalyzer(bt.analyzers.DrawDown, _name='drawdown')
cerebro.addanalyzer(bt.analyzers.TradeAnalyzer, _name='trades')
cerebro.addanalyzer(bt.analyzers.Returns, _name='returns')
# 设置标的数量计算方式
cerebro.addsizer(bt.sizers.PercentSizer, percents=95)
# 运行回测
print(f'初始投资组合价值: {cerebro.broker.getvalue():.2f}')
results = cerebro.run()
print(f'最终投资组合价值: {cerebro.broker.getvalue():.2f}')
# 打印分析结果
strat = results[0]
print('\n分析结果:')
print(f'夏普比率: {strat.analyzers.sharpe.get_analysis()["sharperatio"]:.3f}')
print(f'最大回撤: {strat.analyzers.drawdown.get_analysis()["max"]["drawdown"]:.2f}%')
print(f'年化收益率: {strat.analyzers.returns.get_analysis()["ravg"] * 252 * 100:.2f}%')
trade_analysis = strat.analyzers.trades.get_analysis()
if trade_analysis['total']['total'] > 0:
print(f'总交易次数: {trade_analysis["total"]["total"]}')
print(f'获利交易次数: {trade_analysis["won"]["total"]}')
print(f'亏损交易次数: {trade_analysis["lost"]["total"]}')
if trade_analysis['won']['total'] > 0:
print(f'平均获利交易收益: {trade_analysis["won"]["pnl"]["average"]:.2f}')
if trade_analysis['lost']['total'] > 0:
print(f'平均亏损交易损失: {trade_analysis["lost"]["pnl"]["average"]:.2f}')
# Jupyter 绘图方案
plt.figure(figsize=(16, 10))
figs = cerebro.plot(
style='bar', # K线样式
barup='green', # 上涨K线颜色
bardown='red', # 下跌K线颜色
volume=True, # 显示成交量
trades=True, # 显示交易
figsize=(16, 10) # 图表尺寸
)
# plt.tight_layout()
plt.show()
return cerebro
# 运行移动平均交叉策略回测
ticker = tickers[0] # 选择第一支股票
cerebro_ma = run_backtest(
data=bt_data[ticker],
strategy=MACrossKellyStrategy,
cash=100000.0,
commission=0.001,
short_period=20,
long_period=50,
printlog=False
)
初始投资组合价值: 100000.00 2022-12-30, MA交叉+凯利策略结束，短期=20 长期=50, 最终凯利比例=0.950 2022-12-30, 交易统计: 总交易=7, 盈利交易=0, 亏损交易=0, 胜率=0.0% 最终投资组合价值: 86021.44 分析结果: 夏普比率: -0.713 最大回撤: 22.95% 年化收益率: -5.21% 总交易次数: 8 获利交易次数: 2 亏损交易次数: 5 平均获利交易收益: 975.91 平均亏损交易损失: -3768.68
d:\Users\wukek\anaconda3\Lib\site-packages\IPython\core\pylabtools.py:152: UserWarning: Glyph 8722 (\N{MINUS SIGN}) missing from current font.
fig.canvas.print_figure(bytes_io, **kw)
In [8]:
# 6. 策略参数优化
def optimize_strategy(data, strategy, cash=100000.0, commission=0.001, **kwargs):
"""
优化策略参数
参数:
data: Backtrader数据源
strategy: 策略类
cash: 初始资金
commission: 手续费率
**kwargs: 策略参数范围
返回:
results: 优化结果
"""
# 创建Backtrader引擎
cerebro = bt.Cerebro(maxcpus=1) # 使用单核处理以避免并行问题
# 添加数据
cerebro.adddata(data)
# 设置初始资金
cerebro.broker.setcash(cash)
# 设置手续费
cerebro.broker.setcommission(commission=commission)
# 添加策略，使用参数范围
cerebro.optstrategy(strategy, **kwargs)
# 添加分析器
cerebro.addanalyzer(bt.analyzers.SharpeRatio, riskfreerate=0.01, _name='sharpe')
cerebro.addanalyzer(bt.analyzers.DrawDown, _name='drawdown')
cerebro.addanalyzer(bt.analyzers.Returns, _name='returns')
# 设置标的数量计算方式
cerebro.addsizer(bt.sizers.PercentSizer, percents=95)
# 运行优化
print('开始优化...')
results = cerebro.run()
print('优化完成!')
# 收集结果
final_results = []
for run in results:
for strategy in run:
sharpe = strategy.analyzers.sharpe.get_analysis()['sharperatio']
drawdown = strategy.analyzers.drawdown.get_analysis()['max']['drawdown']
annual_return = strategy.analyzers.returns.get_analysis()['ravg'] * 252 * 100
# 获取策略参数
params = {}
for param_name, param_value in strategy.params._getitems():
# 排除私有属性和不需要的属性
if not param_name.startswith('_') and param_name != 'printlog':
params[param_name] = param_value
final_results.append({
'params': params,
'sharpe': sharpe,
'drawdown': drawdown,
'annual_return': annual_return
})
# 按夏普比率排序
#final_results.sort(key=lambda x: x['sharpe'], reverse=True)
final_results.sort(key=lambda x: float('-inf') if x['sharpe'] is None else x['sharpe'], reverse=True)
return final_results
# 优化MA交叉策略
ticker = tickers[0] # 使用第一支股票
# 定义参数范围
params = {
'short_period': range(5, 31, 5), # 短期MA周期：5, 10, 15, 20, 25, 30
'long_period': range(30, 101, 10), # 长期MA周期：30, 40, 50, 60, 70, 80, 90, 100
'printlog': [False] # 禁用日志输出
}
# 运行优化
ma_results = optimize_strategy(
data=bt_data[ticker],
strategy=MACrossKellyStrategy,
cash=100000.0,
commission=0.001,
**params
)
# 显示前10个最佳结果
print('\nMA交叉策略优化结果 (按夏普比率排序):')
print('\n前10个最佳参数组合:')
for i, result in enumerate(ma_results[:10]):
params_str = ', '.join([f'{k}={v}' for k, v in result['params'].items()])
print(f'{i+1}. {params_str} - 夏普比率: {result["sharpe"]:.3f}, '
f'最大回撤: {result["drawdown"]:.2f}%, 年化收益率: {result["annual_return"]:.2f}%')
开始优化... 2022-12-30, MA交叉+凯利策略结束，短期=5 长期=30, 最终凯利比例=0.950 2022-12-30, 交易统计: 总交易=17, 盈利交易=0, 亏损交易=0, 胜率=0.0% 2022-12-30, MA交叉+凯利策略结束，短期=5 长期=40, 最终凯利比例=0.950 2022-12-30, 交易统计: 总交易=15, 盈利交易=0, 亏损交易=0, 胜率=0.0% 2022-12-30, MA交叉+凯利策略结束，短期=5 长期=50, 最终凯利比例=0.950 2022-12-30, 交易统计: 总交易=16, 盈利交易=0, 亏损交易=0, 胜率=0.0% 2022-12-30, MA交叉+凯利策略结束，短期=5 长期=60, 最终凯利比例=0.950 2022-12-30, 交易统计: 总交易=11, 盈利交易=0, 亏损交易=0, 胜率=0.0% 2022-12-30, MA交叉+凯利策略结束，短期=5 长期=70, 最终凯利比例=0.950 2022-12-30, 交易统计: 总交易=11, 盈利交易=0, 亏损交易=0, 胜率=0.0% 2022-12-30, MA交叉+凯利策略结束，短期=5 长期=80, 最终凯利比例=0.950 2022-12-30, 交易统计: 总交易=11, 盈利交易=0, 亏损交易=0, 胜率=0.0% 2022-12-30, MA交叉+凯利策略结束，短期=5 长期=90, 最终凯利比例=0.950 2022-12-30, 交易统计: 总交易=8, 盈利交易=0, 亏损交易=0, 胜率=0.0% 2022-12-30, MA交叉+凯利策略结束，短期=5 长期=100, 最终凯利比例=0.950 2022-12-30, 交易统计: 总交易=7, 盈利交易=0, 亏损交易=0, 胜率=0.0% 2022-12-30, MA交叉+凯利策略结束，短期=10 长期=30, 最终凯利比例=0.950 2022-12-30, 交易统计: 总交易=15, 盈利交易=0, 亏损交易=0, 胜率=0.0% 2022-12-30, MA交叉+凯利策略结束，短期=10 长期=40, 最终凯利比例=0.950 2022-12-30, 交易统计: 总交易=12, 盈利交易=0, 亏损交易=0, 胜率=0.0% 2022-12-30, MA交叉+凯利策略结束，短期=10 长期=50, 最终凯利比例=0.950 2022-12-30, 交易统计: 总交易=11, 盈利交易=0, 亏损交易=0, 胜率=0.0% 2022-12-30, MA交叉+凯利策略结束，短期=10 长期=60, 最终凯利比例=0.950 2022-12-30, 交易统计: 总交易=10, 盈利交易=0, 亏损交易=0, 胜率=0.0% 2022-12-30, MA交叉+凯利策略结束，短期=10 长期=70, 最终凯利比例=0.950 2022-12-30, 交易统计: 总交易=7, 盈利交易=0, 亏损交易=0, 胜率=0.0% 2022-12-30, MA交叉+凯利策略结束，短期=10 长期=80, 最终凯利比例=0.950 2022-12-30, 交易统计: 总交易=7, 盈利交易=0, 亏损交易=0, 胜率=0.0% 2022-12-30, MA交叉+凯利策略结束，短期=10 长期=90, 最终凯利比例=0.950 2022-12-30, 交易统计: 总交易=5, 盈利交易=0, 亏损交易=0, 胜率=0.0% 2022-12-30, MA交叉+凯利策略结束，短期=10 长期=100, 最终凯利比例=0.950 2022-12-30, 交易统计: 总交易=6, 盈利交易=0, 亏损交易=0, 胜率=0.0% 2022-12-30, MA交叉+凯利策略结束，短期=15 长期=30, 最终凯利比例=0.950 2022-12-30, 交易统计: 总交易=14, 盈利交易=0, 亏损交易=0, 胜率=0.0% 2022-12-30, MA交叉+凯利策略结束，短期=15 长期=40, 最终凯利比例=0.950 2022-12-30, 交易统计: 总交易=11, 盈利交易=0, 亏损交易=0, 胜率=0.0% 2022-12-30, MA交叉+凯利策略结束，短期=15 长期=50, 最终凯利比例=0.950 2022-12-30, 交易统计: 总交易=9, 盈利交易=0, 亏损交易=0, 胜率=0.0% 2022-12-30, MA交叉+凯利策略结束，短期=15 长期=60, 最终凯利比例=0.950 2022-12-30, 交易统计: 总交易=5, 盈利交易=0, 亏损交易=0, 胜率=0.0% 2022-12-30, MA交叉+凯利策略结束，短期=15 长期=70, 最终凯利比例=0.100 2022-12-30, 交易统计: 总交易=4, 盈利交易=0, 亏损交易=0, 胜率=0.0% 2022-12-30, MA交叉+凯利策略结束，短期=15 长期=80, 最终凯利比例=0.100 2022-12-30, 交易统计: 总交易=3, 盈利交易=0, 亏损交易=0, 胜率=0.0% 2022-12-30, MA交叉+凯利策略结束，短期=15 长期=90, 最终凯利比例=0.950 2022-12-30, 交易统计: 总交易=5, 盈利交易=0, 亏损交易=0, 胜率=0.0% 2022-12-30, MA交叉+凯利策略结束，短期=15 长期=100, 最终凯利比例=0.100 2022-12-30, 交易统计: 总交易=3, 盈利交易=0, 亏损交易=0, 胜率=0.0% 2022-12-30, MA交叉+凯利策略结束，短期=20 长期=30, 最终凯利比例=0.950 2022-12-30, 交易统计: 总交易=15, 盈利交易=0, 亏损交易=0, 胜率=0.0% 2022-12-30, MA交叉+凯利策略结束，短期=20 长期=40, 最终凯利比例=0.950 2022-12-30, 交易统计: 总交易=11, 盈利交易=0, 亏损交易=0, 胜率=0.0% 2022-12-30, MA交叉+凯利策略结束，短期=20 长期=50, 最终凯利比例=0.950 2022-12-30, 交易统计: 总交易=7, 盈利交易=0, 亏损交易=0, 胜率=0.0% 2022-12-30, MA交叉+凯利策略结束，短期=20 长期=60, 最终凯利比例=0.950 2022-12-30, 交易统计: 总交易=5, 盈利交易=0, 亏损交易=0, 胜率=0.0% 2022-12-30, MA交叉+凯利策略结束，短期=20 长期=70, 最终凯利比例=0.950 2022-12-30, 交易统计: 总交易=5, 盈利交易=0, 亏损交易=0, 胜率=0.0% 2022-12-30, MA交叉+凯利策略结束，短期=20 长期=80, 最终凯利比例=0.100 2022-12-30, 交易统计: 总交易=4, 盈利交易=0, 亏损交易=0, 胜率=0.0% 2022-12-30, MA交叉+凯利策略结束，短期=20 长期=90, 最终凯利比例=0.100 2022-12-30, 交易统计: 总交易=3, 盈利交易=0, 亏损交易=0, 胜率=0.0% 2022-12-30, MA交叉+凯利策略结束，短期=20 长期=100, 最终凯利比例=0.100 2022-12-30, 交易统计: 总交易=3, 盈利交易=0, 亏损交易=0, 胜率=0.0% 2022-12-30, MA交叉+凯利策略结束，短期=25 长期=30, 最终凯利比例=0.950 2022-12-30, 交易统计: 总交易=18, 盈利交易=0, 亏损交易=0, 胜率=0.0% 2022-12-30, MA交叉+凯利策略结束，短期=25 长期=40, 最终凯利比例=0.950 2022-12-30, 交易统计: 总交易=10, 盈利交易=0, 亏损交易=0, 胜率=0.0% 2022-12-30, MA交叉+凯利策略结束，短期=25 长期=50, 最终凯利比例=0.950 2022-12-30, 交易统计: 总交易=7, 盈利交易=0, 亏损交易=0, 胜率=0.0% 2022-12-30, MA交叉+凯利策略结束，短期=25 长期=60, 最终凯利比例=0.950 2022-12-30, 交易统计: 总交易=5, 盈利交易=0, 亏损交易=0, 胜率=0.0% 2022-12-30, MA交叉+凯利策略结束，短期=25 长期=70, 最终凯利比例=0.100 2022-12-30, 交易统计: 总交易=4, 盈利交易=0, 亏损交易=0, 胜率=0.0% 2022-12-30, MA交叉+凯利策略结束，短期=25 长期=80, 最终凯利比例=0.100 2022-12-30, 交易统计: 总交易=4, 盈利交易=0, 亏损交易=0, 胜率=0.0% 2022-12-30, MA交叉+凯利策略结束，短期=25 长期=90, 最终凯利比例=0.100 2022-12-30, 交易统计: 总交易=2, 盈利交易=0, 亏损交易=0, 胜率=0.0% 2022-12-30, MA交叉+凯利策略结束，短期=25 长期=100, 最终凯利比例=0.100 2022-12-30, 交易统计: 总交易=2, 盈利交易=0, 亏损交易=0, 胜率=0.0% 2022-12-30, MA交叉+凯利策略结束，短期=30 长期=30, 最终凯利比例=0.100 2022-12-30, MA交叉+凯利策略结束，短期=30 长期=40, 最终凯利比例=0.950 2022-12-30, 交易统计: 总交易=13, 盈利交易=0, 亏损交易=0, 胜率=0.0% 2022-12-30, MA交叉+凯利策略结束，短期=30 长期=50, 最终凯利比例=0.950 2022-12-30, 交易统计: 总交易=5, 盈利交易=0, 亏损交易=0, 胜率=0.0% 2022-12-30, MA交叉+凯利策略结束，短期=30 长期=60, 最终凯利比例=0.950 2022-12-30, 交易统计: 总交易=5, 盈利交易=0, 亏损交易=0, 胜率=0.0% 2022-12-30, MA交叉+凯利策略结束，短期=30 长期=70, 最终凯利比例=0.100 2022-12-30, 交易统计: 总交易=4, 盈利交易=0, 亏损交易=0, 胜率=0.0% 2022-12-30, MA交叉+凯利策略结束，短期=30 长期=80, 最终凯利比例=0.100 2022-12-30, 交易统计: 总交易=4, 盈利交易=0, 亏损交易=0, 胜率=0.0% 2022-12-30, MA交叉+凯利策略结束，短期=30 长期=90, 最终凯利比例=0.100 2022-12-30, 交易统计: 总交易=2, 盈利交易=0, 亏损交易=0, 胜率=0.0% 2022-12-30, MA交叉+凯利策略结束，短期=30 长期=100, 最终凯利比例=0.100 2022-12-30, 交易统计: 总交易=2, 盈利交易=0, 亏损交易=0, 胜率=0.0% 优化完成! MA交叉策略优化结果 (按夏普比率排序): 前10个最佳参数组合: 1. short_period=20, long_period=50, kelly_lookback=20, max_position=0.95, min_position=0.01, kelly_multiplier=0.25 - 夏普比率: 0.975, 最大回撤: 4.73%, 年化收益率: 1.57% 2. short_period=20, long_period=50, kelly_lookback=20, max_position=0.95, min_position=0.01, kelly_multiplier=0.25 - 夏普比率: 0.922, 最大回撤: 5.39%, 年化收益率: 2.14% 3. short_period=20, long_period=50, kelly_lookback=20, max_position=0.95, min_position=0.01, kelly_multiplier=0.25 - 夏普比率: 0.855, 最大回撤: 3.42%, 年化收益率: 2.90% 4. short_period=20, long_period=50, kelly_lookback=20, max_position=0.95, min_position=0.01, kelly_multiplier=0.25 - 夏普比率: 0.850, 最大回撤: 6.39%, 年化收益率: 1.90% 5. short_period=20, long_period=50, kelly_lookback=20, max_position=0.95, min_position=0.01, kelly_multiplier=0.25 - 夏普比率: 0.789, 最大回撤: 3.80%, 年化收益率: 2.78% 6. short_period=20, long_period=50, kelly_lookback=20, max_position=0.95, min_position=0.01, kelly_multiplier=0.25 - 夏普比率: 0.743, 最大回撤: 5.41%, 年化收益率: 1.66% 7. short_period=20, long_period=50, kelly_lookback=20, max_position=0.95, min_position=0.01, kelly_multiplier=0.25 - 夏普比率: 0.726, 最大回撤: 6.05%, 年化收益率: 4.33% 8. short_period=20, long_period=50, kelly_lookback=20, max_position=0.95, min_position=0.01, kelly_multiplier=0.25 - 夏普比率: 0.700, 最大回撤: 3.57%, 年化收益率: 2.62% 9. short_period=20, long_period=50, kelly_lookback=20, max_position=0.95, min_position=0.01, kelly_multiplier=0.25 - 夏普比率: 0.592, 最大回撤: 8.15%, 年化收益率: 3.38% 10. short_period=20, long_period=50, kelly_lookback=20, max_position=0.95, min_position=0.01, kelly_multiplier=0.25 - 夏普比率: 0.571, 最大回撤: 4.67%, 年化收益率: 1.50%