.
├── LICENSE
├── README.md
├── data
│ └── futures
│ └── raw
│ └── intraday_data
│ └── index300_main_430-510.parquet
├── docs
│ ├── backtest
│ └── log.txt
├── requirements.txt
└── src
├── __init__.py
├── backtest
│ ├── __init__.py
│ └── jab.py
├── factor
│ ├── __init__.py
│ └── factor.py
├── main.py
└── visualization
├── __init__.py
└── rich_visual.py
##Install
python3 -m pip install -r requirements.txt
##Guide
使用本回测框架很简单：
- 在factor.py中编写需要测试的因子（注意返回格式统一）
- 在main.py中配置测试用的数据参数，and run that shit.
回测结果会分为两部分呈现：
-
在运行窗口会以logger的形式呈现部分回测信息，
-
在docs/backtest文件夹下会生成每一次测试的记录文件，包括：
2.1 累计收益率走势图， 处理过后的行情数据，回测的详细信息记录；
2.2 如果回测结果满足一定的条件，则生成一个基于pyecharts的可视化页面。
- 我本地用的是Clickhouse，为了简单方便，数据库部分可以按需求自行搭建，factor.py和backtest.py中的数据来源改成了data中的文件
每一次回测之后都会生成一份关于回测结果的描述性文档，如下所示：
Strategy: [<bound method FactorX.factor_tmom_bias_11 of <src.features.factors.factor_tmom.FactorX object>>]
Transaction Fee Percentage: 0.0
Intraday Closing Time: [datetime.time(15, 0)]
Params: [{'w': 7}, {'w': 15}]
Test Period: 2019-01-01 00:00:00 - 2019-12-31 00:00:00
-- ['symbol', 'IF'] --
-- T1 --
-- Position: 1 --
-- Barly Stoploss: 100 --
-- Action on Sig0: close --
-- Signal Shift: [1] --
Transaction Fee Total: 0.0%
Signal Ratio: 64.53%
Open Position: 15886 times; Close Position: 15886 times
Sharpe Ratio: 14.88
Tail Ratio: 8.69
Alpha: 1676.47% | Beta: 49.8%
Max Drawdown: -2.21%
Max Daily Drawdown: -1.01%
Total Win: 21711 | Total Loss: 15087 | W/L Ratio: 1.44
Strategy Return: 290.22% | Strategy Annualized Return: 321.33%.
BenchMark return: 24.17% | BenchMark Annualized Return: 26.67%.
Total Bars: 58804
Statistics Desc:
| | jackpot | wrong | missed |
|:------|----------------:|----------------:|---------:|
| count | 22124 | 15087 | 20667 |
| mean | 0.000346019 | -0.00031372 | 0 |
| std | 0.000393854 | 0.000384317 | 0 |
| min | 0 | -0.00981 | 0 |
| 25% | 0.0001 | -0.00039 | 0 |
| 50% | 0.00022 | -0.00019 | 0 |
| 75% | 0.00044 | -8e-05 | 0 |
| max | 0.00703 | -1e-05 | 0 |
* NOTE: THIS DESCRIPTION DIFFERS FROM W/L RATIO ABOVE BECAUSE ONLY SIGNAL DIRECTION CORRECTNESS IS CONSIDERED HERE.
Bias_factors:
# 这里记录的是方向性的因子
def factor_tmom_bias_11_(self, w):
# 因子源码也会记录下来，这样即使后续修改了因子，也可以方便查找历史记录。
Neut_factors:
# 这里记录的是中性因子
目前的可视化仅包含以下几个类别，所以后续在可视化方面还可以继续填充新功能、新需求。
-
简单的收益曲线图
-
K线 + 收益曲线 + 信号正确性 复合图
-
因子-收益相关性散点图
-
因子自相关性散点图
目前仅backtest模块速度大致在 1000k bars/ s，但pyecharts绘图耗时比较严重，所以目前仅对较好的回测结果进行pyecharts的可视化。
后续想要做的一些事情：
- 完善这一套回测框架的逻辑验证工作，确保逻辑层面和最终结果的准确性。
- 充填、扩展回测结果统计分析的内容，以及扩展可视化内容。
- 将目前的单品种、多因子改造为多品种、多因子框架。
- python有些地方会遇到精度问题，目前这部分我还没有很好的解决方案，Decimal太慢。目前用pandas和numpy强制检查及转换类型可以部分规避这类风险。
微信：muzexlxl email: [email protected]
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent