股票回測(cè)引擎

歡迎使用MindGo量化交易平臺(tái)，本文檔詳細(xì)介紹了MindGo平臺(tái)的股票回測(cè)引擎，內(nèi)容較多，您可通過(guò)Ctrl+F進(jìn)行關(guān)鍵字搜索。

如果您在使用過(guò)程中遇到幫助中無(wú)法解答的問(wèn)題，您可以:

• 將問(wèn)題發(fā)布到社區(qū)；
  

• 給我們發(fā)送郵件： mindgo@myhexin.com;
  

編寫(xiě)股票交易策略

• step 1.導(dǎo)航欄中，依次點(diǎn)擊"我的策略"—"策略創(chuàng)作"—"策略研究"

• step 2.新建"股票期貨"策略,點(diǎn)擊進(jìn)入"策略編輯"頁(yè)面，如下圖

• step 3.左側(cè)編譯環(huán)境內(nèi)使用python 3.5 實(shí)現(xiàn)策略邏輯

  交易股票：貴州茅臺(tái)
  買入：5日均線上穿20日均線
  賣出：5日均線下穿20日均線

• step 4.右側(cè)選擇回測(cè)時(shí)間區(qū)間，并進(jìn)行回測(cè)
  
  

• 策略源碼：

#初始化賬戶
def init(context):
    g.index='600519.SH'

def handle_bar(context,bar_dict):
    close = history(g.index, ['close'], 20, '1d', False, fq = 'pre', is_panel=0)
    MA5 = close['close'].values[-5:].mean()   
    #計(jì)算二十日均線價(jià)格   
    MA20 = close['close'].values.mean()   
    #如果五日均線大于二十日均線   
    if MA5 > MA20:            
        #使用所有現(xiàn)金買入證券            
        order_target_percent(g.index,1)  
        #記錄本次買入
        log.info("全倉(cāng)買入{0}".format(g.index))
    #如果五日均線小于二十日均線           
    if MA5 < MA20 :            
        #賣出所有證券            
        order_target_percent(g.index,0)
        #記錄本次賣出
        log.info("全倉(cāng)賣出{0}".format(g.index))

回測(cè)環(huán)境

• 回測(cè)引擎運(yùn)行在Python3.5之上, 請(qǐng)您使用Python3.5來(lái)實(shí)現(xiàn)策略邏輯

• 我們支持所有的Python標(biāo)準(zhǔn)庫(kù)和部分常用第三方庫(kù), 具體請(qǐng)看: Python庫(kù)

• 同時(shí)，我們也支持自定義Python庫(kù)，只需將您的.py文件存放于“我的研究”根目錄, 即可在回測(cè)中直接調(diào)用, 具體說(shuō)明請(qǐng)參見(jiàn)常見(jiàn)問(wèn)題-如何調(diào)用自定義Python庫(kù)？

• 支持代碼調(diào)試功能，具體請(qǐng)看：代碼調(diào)試

編譯運(yùn)行

1.您的策略必須在init()和handle_bar()函數(shù)框架下實(shí)現(xiàn):

• init為初始化函數(shù)，用于初始一些全局變量，在整個(gè)回測(cè)過(guò)程最開(kāi)始執(zhí)行一次。

• handle_bar為時(shí)間驅(qū)動(dòng)函數(shù)，用于設(shè)置買賣條件等，每個(gè)回測(cè)時(shí)間頻率（每日/分鐘）調(diào)用一次。

2.完成策略編寫(xiě)后，選定回測(cè)開(kāi)始日期和結(jié)束日期，選擇初始資金、運(yùn)行頻率(每日或每分鐘)等參數(shù)，點(diǎn)擊"編譯運(yùn)行"；

3.回測(cè)引擎根據(jù)您選擇的運(yùn)行頻率調(diào)用handle_bar函數(shù)，也就是執(zhí)行該函數(shù)下的代碼?；販y(cè)引擎會(huì)實(shí)時(shí)顯示策略當(dāng)前時(shí)間的數(shù)據(jù)，如收益、風(fēng)險(xiǎn)指標(biāo)、持倉(cāng)等信息；

4.回測(cè)引擎會(huì)根據(jù)您所使用的下單方式進(jìn)行下單，并根據(jù)后續(xù)實(shí)際成交情況進(jìn)行訂單處理；

5.您可以在任何時(shí)候調(diào)用log.info函數(shù)來(lái)打印需要輸出的日志；通過(guò)record函數(shù)輸出自定義圖形。

• 添加log.info函數(shù)與record函數(shù)后的代碼如下：

#初始化賬戶
def init(context):
    g.index='600519.SH'

def handle_bar(context,bar_dict):
    close = history(g.index, ['close'], 20, '1d', False, fq = 'pre', is_panel=0)
    MA5 = close['close'].values[-5:].mean()   
    #計(jì)算二十日均線價(jià)格   
    MA20 = close['close'].values.mean()
    #設(shè)置交易信號(hào)
    trade_signal=0
    #如果五日均線大于二十日均線   
    if MA5 > MA20:            
        #使用所有現(xiàn)金買入證券            
        order_target_percent(g.index,1)  
        #記錄本次買入
        log.info("全倉(cāng)買入{0}".format(g.index))
        #記錄買入信號(hào)
        trade_signal=1
    #如果五日均線小于二十日均線           
    if MA5 < MA20 :            
        #賣出所有證券            
        order_target_percent(g.index,0)
        #記錄本次賣出
        log.info("全倉(cāng)賣出{0}".format(g.index))
        #記錄賣出信號(hào)
        trade_signal=-1

    log.info(trade_signal)
    record(trade_signal=trade_signal)

策略回測(cè)

• 如果策略能成功完成編譯運(yùn)行，則說(shuō)明策略代碼在指定歷史區(qū)間是可運(yùn)行的。

• 一般而言，策略回測(cè)是將可運(yùn)行的策略代碼進(jìn)行歷史區(qū)間回測(cè)，并獲取策略回測(cè)詳情報(bào)告：交易明細(xì)、歷史持倉(cāng)、收益&風(fēng)險(xiǎn)指標(biāo)分析、組合歸因等。

• 步驟1.將可運(yùn)行的策略代碼，點(diǎn)擊"開(kāi)始回測(cè)"
  

• 步驟2.在策略詳情頁(yè)面，查看收益概況、交易明細(xì)、歷史持倉(cāng)及相關(guān)分析結(jié)果，如下圖：
  

模擬交易

• 順利完成回測(cè)的策略，在回測(cè)詳情頁(yè)面，點(diǎn)擊"開(kāi)啟仿真交易"，即綁定模擬交易~ 

數(shù)據(jù)

MindGo提供海量?jī)?yōu)質(zhì)的金融數(shù)據(jù)，以便您能實(shí)現(xiàn)策略邏輯

• 股票數(shù)據(jù)、指數(shù)數(shù)據(jù)、基金數(shù)據(jù)、行情數(shù)據(jù)、財(cái)務(wù)數(shù)據(jù)、因子數(shù)據(jù)、行業(yè)數(shù)據(jù)、概念數(shù)據(jù)、商品期貨數(shù)據(jù)、股指期貨數(shù)據(jù)、外匯數(shù)據(jù)等等

• 數(shù)據(jù)提取——詳見(jiàn)股票API文檔

• 數(shù)據(jù)詳情查看——詳見(jiàn)數(shù)據(jù)文檔

運(yùn)行頻率

• 在"開(kāi)始回測(cè)"左側(cè)選擇運(yùn)行頻率參數(shù)，參數(shù)分"每日"和"分鐘"兩種。

• 選擇"每日"，則系統(tǒng)按"日回測(cè)"進(jìn)行回測(cè)，即每個(gè)交易日09:30運(yùn)行一次

• 選擇"分鐘"，則系統(tǒng)按"分鐘回測(cè)"進(jìn)行回測(cè)，即每個(gè)交易日內(nèi)每分鐘都會(huì)運(yùn)行一次

運(yùn)行時(shí)間

1.開(kāi)盤(pán)前(9:00)運(yùn)行：
　　before_trading函數(shù)
2.盤(pán)中運(yùn)行：
　　handle_bar函數(shù)
　　　>日回測(cè)(9:31:00)運(yùn)行一次 
　　　>分鐘回測(cè)(9:31:00-11:30,13:01:00-15:00:00)，每分鐘運(yùn)行一次 
　　　>tick回測(cè)(9:30:03-11:30,13:00:03-15:00:00)，每3秒鐘運(yùn)行一次 
3.收盤(pán)后(15:30)運(yùn)行：
　　after_trading函數(shù)

傭金與印花稅

• 券商傭金默認(rèn)值為萬(wàn)分之二點(diǎn)五，即0.025%，最少5元，雙邊收費(fèi)；

• 印花稅默認(rèn)值為千分之一，即0.1%，賣出時(shí)收費(fèi)；

• 您還可以通過(guò)set_commission來(lái)設(shè)置具體的手續(xù)費(fèi)參數(shù)。

滑點(diǎn)

在實(shí)戰(zhàn)交易中，往往最終成交價(jià)和預(yù)期價(jià)格有一定偏差，因此我們提供兩種滑點(diǎn)模式來(lái)幫助您更好地模擬真實(shí)市場(chǎng)的表現(xiàn)：

• 設(shè)置固定滑點(diǎn)，即最終成交價(jià)和委托價(jià)之差為固定值。

• 設(shè)置可變滑點(diǎn)，即最終成交價(jià)和預(yù)期價(jià)格之比為固定百分比。默認(rèn)為可變滑點(diǎn)0.2%，即買入成交價(jià)為委托價(jià)上浮0.1%，賣出成交價(jià)為委托價(jià)下調(diào)0.1%。

• 默認(rèn)無(wú)滑點(diǎn)，不過(guò)您可通過(guò)set_slippage函數(shù)來(lái)設(shè)置回測(cè)具體的滑點(diǎn)參數(shù)。

拆分合并與分紅

當(dāng)股票發(fā)生拆分，合并或者分紅時(shí)，股價(jià)會(huì)出現(xiàn)跳空缺口，為了消除這種價(jià)格變化對(duì)回測(cè)結(jié)果的影響，我們會(huì)根據(jù)個(gè)股除權(quán)除息信息對(duì)賬戶中的現(xiàn)金或持股數(shù)量進(jìn)行相應(yīng)的調(diào)整修正，并自動(dòng)更新到您的context信息中。
為了使回測(cè)結(jié)果更加準(zhǔn)確，更加貼近實(shí)盤(pán)場(chǎng)景，我們做了如下處理：

• 回測(cè)所用價(jià)格數(shù)據(jù)與下單所用價(jià)格數(shù)據(jù)是獨(dú)立的。即在回測(cè)過(guò)程中，您可采用前復(fù)權(quán)/不復(fù)權(quán)或后復(fù)權(quán)價(jià)格來(lái)計(jì)算交易下單信號(hào)，回測(cè)引擎均采用真實(shí)價(jià)格（即不復(fù)權(quán)價(jià)格）下單；

• 回測(cè)引擎會(huì)在除權(quán)除息當(dāng)日，調(diào)用before_trading_start函數(shù)之前，自動(dòng)處理并更新您的賬戶信息。

• 前復(fù)權(quán)數(shù)據(jù)采用動(dòng)態(tài)復(fù)權(quán)模式，即在回測(cè)過(guò)程中，輪循至某個(gè)股除權(quán)除息日，則按除權(quán)后價(jià)格對(duì)之前的價(jià)格數(shù)據(jù)進(jìn)行調(diào)整。

訂單處理

對(duì)于您在某個(gè)單位時(shí)間下的單，我們會(huì)做如下處理：

1.按天回測(cè)

　A.交易價(jià)格：
　>市價(jià)單：開(kāi)盤(pán)價(jià)+滑點(diǎn)。
　>限價(jià)單：委托價(jià)。
　B.最大成交量:
　>默認(rèn)為下單當(dāng)日總成交量的25%，該比例可通過(guò)市場(chǎng)參與度函數(shù)set_volume_limit進(jìn)行調(diào)整。
　>若下單量低于最大成交量，則按下單量成交；若下單量大于最大成交量，則按最大成交量成交。
　C.撮合方式：
　>市價(jià)單：開(kāi)盤(pán)下單，一次性撮合，不成交或未成交部分不再撮合。
　>限價(jià)單：開(kāi)盤(pán)下單，一次性撮合，不成交或未成交部分不再撮合。

2.分鐘回測(cè)

　A.交易價(jià)格：
　>市價(jià)單：當(dāng)前分鐘起始價(jià)+滑點(diǎn)
　>限價(jià)單：委托價(jià)
　B.最大成交量：
　>默認(rèn)為下單當(dāng)前分鐘總成交量的25%，該比例可通過(guò)市場(chǎng)參與度函數(shù)set_volume_limit進(jìn)行調(diào)整。
　>若下單量低于最大成交量，則按下單量成交；若下單量大于最大成交量，則按最大成交量成交。
　C.撮合方式：
　>市價(jià)單：分鐘起始點(diǎn)下單，一次性撮合，不成交或未成交部分即刻取消委托。
　>限價(jià)單：分鐘起始點(diǎn)下單，之后每分鐘均按分鐘價(jià)量撮合一次，未成交部分順延至下一分鐘進(jìn)行撮合，直到完全成交或者當(dāng)天收盤(pán)為止。

3.注意：

　　1.一天結(jié)束后, 所有未完成的訂單會(huì)被取消。
　　2.每次訂單完成(完全成交)或者取消后,我們會(huì)根據(jù)成交量計(jì)算交易費(fèi)(參見(jiàn)set_commission), 減少您的現(xiàn)金。

股票期貨混合策略

• 如果您的策略不僅有股票交易，而且還有商品期貨和股指期貨的交易，有關(guān)期貨部分的回測(cè)引擎介紹，請(qǐng)查看期貨回測(cè)引擎~

風(fēng)險(xiǎn)模型

• 風(fēng)險(xiǎn)模型主要提供證券的風(fēng)險(xiǎn)預(yù)測(cè)與業(yè)績(jī)歸因的作用。在此過(guò)程中，風(fēng)險(xiǎn)模型需要對(duì)股票收益建立因子模型，對(duì)組合過(guò)去歷史的收益來(lái)源進(jìn)行歸因，依據(jù)統(tǒng)計(jì)方法和經(jīng)驗(yàn)對(duì)股票未來(lái)風(fēng)險(xiǎn)形成推斷與預(yù)測(cè)。對(duì)風(fēng)險(xiǎn)的度量要滿足靈活性，準(zhǔn)確性等要求。風(fēng)險(xiǎn)模型使用標(biāo)準(zhǔn)差來(lái)度量風(fēng)險(xiǎn)，且統(tǒng)計(jì)特征清晰，隨時(shí)間變化穩(wěn)定。對(duì)風(fēng)險(xiǎn)的預(yù)測(cè)有很多種方式，MindGo風(fēng)險(xiǎn)模型建立在多因子模型的基礎(chǔ)上,認(rèn)為股票收益率與多個(gè)因子之間存在線性的關(guān)系，即：

r=α+βf+μ
其中：r為股票收益率向量，β為因子暴露，μ為特質(zhì)收益，f為因子收益率
當(dāng)股票特質(zhì)收益率與公共因子不相關(guān)時(shí)，組合預(yù)期風(fēng)險(xiǎn)可以分解為公共因子解釋的風(fēng)險(xiǎn)及特質(zhì)風(fēng)險(xiǎn)：
wΣw′=wβΩβ′w′+wΔw′
其中：w為組合成份股權(quán)重，Ω為因子收益率的協(xié)方差矩陣，Δ為股票的特質(zhì)風(fēng)險(xiǎn)矩陣，我們假設(shè)股票的特質(zhì)風(fēng)險(xiǎn)之間也互不相關(guān)，所以Δ是一個(gè)對(duì)角矩陣

• 風(fēng)險(xiǎn)模型當(dāng)中的因子主要包括兩個(gè)部分，風(fēng)格因子與行業(yè)因子：

  行業(yè)因子：中信一級(jí)行業(yè)分類
  風(fēng)格因子：市值，Beta，動(dòng)量，估值，盈利，成長(zhǎng)，杠桿，波動(dòng)，非線性市值，流動(dòng)性

• 風(fēng)險(xiǎn)模型數(shù)據(jù)提取函數(shù)詳見(jiàn)：get_stylefactor

組合優(yōu)化器

組合優(yōu)化器函數(shù)查詢:OptimizePort，opt.add_constraint

優(yōu)化方式
組合優(yōu)化器優(yōu)化方式暫定為三種：最大化夏普比（MVO）、最大化信息比率、效用最大化（剔除成本影響）優(yōu)化方式后期持續(xù)增加，例如L-B模型、風(fēng)險(xiǎn)平價(jià)模型等常用的資產(chǎn)配置模型。

• MVO算法
  公式： 
  
  使用最優(yōu)化算法求解，使target最大。R為一系列個(gè)股預(yù)期收益值[r1,r2,...rn]，n為股票數(shù)量，為函數(shù)輸入?yún)?shù)項(xiàng)，可以選擇使用歷史平均收益作為預(yù)期收益，需輸入股票代碼。W為各個(gè)股票的權(quán)重，為優(yōu)化器所要計(jì)算的未知量[w1,w2,...wn]，n為股票數(shù)量?！茷閭€(gè)股協(xié)方差矩陣（nXn），使用個(gè)股歷史漲跌幅計(jì)算，取數(shù)范圍為前120個(gè)周期，例如日頻數(shù)據(jù)，則選取前120個(gè)交易日的漲跌幅，如為周頻，則使用日頻數(shù)據(jù)進(jìn)行轉(zhuǎn)換。
  

• 最大化信息比率
  公式：
  
  使用最優(yōu)化算法求解，使target最大。R,W,∑定義同1.1.1中描述。Wb為個(gè)股在所選基準(zhǔn)中所占的權(quán)重，為[wb1,wb2,...wbn]，n為股票數(shù)量，當(dāng)個(gè)股沒(méi)有在基準(zhǔn)中時(shí)，wb為0。基準(zhǔn)可自由選擇，作為函數(shù)輸入項(xiàng)，默認(rèn)為中證500。
  

• 效用最大化
  公式：
  
  使用最優(yōu)化算法求解，使target最大。R,W,∑定義同1.1中描述。γ 為風(fēng)險(xiǎn)厭惡系數(shù)，函數(shù)輸入?yún)?shù)項(xiàng)，默認(rèn)為0.5。λ為交易成本，函數(shù)輸入?yún)?shù)項(xiàng)，默認(rèn)為0。Wi，t-1 為股票初始權(quán)重，可自定義輸入，也可選擇初始權(quán)重都為0。
  
  

約束條件
目前暫定七個(gè)約束條件：換手率、跟蹤誤差、組合風(fēng)險(xiǎn)、個(gè)股權(quán)重、風(fēng)格因子主動(dòng)暴露、行業(yè)因子主動(dòng)暴露、行業(yè)中性。

• 換手率約束
  約束條件：
  Wi，t 為函數(shù)求解值，個(gè)股優(yōu)化后的權(quán)重；Wi，t-1 為股票初始權(quán)重，可自定義輸入，也可選擇初始權(quán)重都為0。Uplimit為輸入的換手率限制值，不可小于0，最大值為100（默認(rèn)單位%）。
  

• 跟蹤誤差
  約束條件：
  W和Wb為組合中的股票和基準(zhǔn)中的股票做并集后的權(quán)重向量。例如組合中有股票A,B,C，基準(zhǔn)包含的股票為A,B,D，則W和Wb兩個(gè)向量都有四個(gè)元素[WA,WB,WC,WD]和[WbA,WbB,WbC,WbD]，且WD和WbC 為0。[WA,WB,WC]為組合中股票的權(quán)重，為優(yōu)化器所要求解的未知量[w1,w2,...wn]，n為股票數(shù)量?！茷閭€(gè)股協(xié)方差矩陣（nXn），n為組合和基準(zhǔn)股票的并集，算法同1.1.1中描述。基準(zhǔn)可自由選擇，作為函數(shù)輸入項(xiàng)，默認(rèn)為中證500。Downlimt和uplimit作為輸入的跟蹤誤差上下限，downlimt不可小于0。
  

• 組合風(fēng)險(xiǎn)
  約束條件：
  W為各個(gè)股票的權(quán)重，為優(yōu)化器所要求解的未知量[w1,w2,...wn]，n為股票數(shù)量?！茷閭€(gè)股協(xié)方差矩陣（nXn），計(jì)算同1.1中描述。Downlimt和uplimit作為輸入的組合風(fēng)險(xiǎn)上下限，downlimt不可小于0。
  

• 個(gè)股權(quán)重
  約束條件：
  可針對(duì)每個(gè)股票做單獨(dú)的權(quán)重約束，downlimt和uplimt為所對(duì)應(yīng)股票的權(quán)重上下限，可自由輸入。函數(shù)輸入項(xiàng)包含個(gè)股代碼及所要約束的上下限值，輸入的股票數(shù)量0<=w<=n（優(yōu)化目標(biāo)中所輸入的股票總數(shù)）。每個(gè)股票需在優(yōu)化目標(biāo)中輸入的股票列表中，否則報(bào)錯(cuò)。為內(nèi)置權(quán)重約束，所有股票的權(quán)重值加起來(lái)等于1。
  

• 風(fēng)格因子主動(dòng)暴露度
  約束條件：
  Downlimt和uplimit為自定義輸入的某個(gè)因子的暴露度約束上下限，輸入方式為因子名稱、下限值、上限值。當(dāng)前共有十個(gè)風(fēng)格因子，如需針對(duì)全部因子做限制，則需要輸入十個(gè)相對(duì)應(yīng)的風(fēng)格因子暴露度上下限值。Xstyle 為個(gè)股對(duì)該風(fēng)格因子的暴露度，為[x1 style1，x2style1,...xnstyle1]該數(shù)據(jù)由風(fēng)險(xiǎn)模型模塊計(jì)算得出（目前易源博每日會(huì)更新該數(shù)據(jù)）。W為各個(gè)股票的權(quán)重，為優(yōu)化器所要求解的未知量[w1,w2,...wn]。
  

• 行業(yè)因子主動(dòng)暴露度
  約束條件：
  Downlimt和uplimit為自定義輸入的某個(gè)行業(yè)因子的暴露度約束上下限，輸入方式為行業(yè)因子名稱、下限值、上限值。當(dāng)前共有29個(gè)行業(yè)因子（中信一級(jí)），如需針對(duì)全部因子做限制，則需要輸入29個(gè)相對(duì)應(yīng)的行業(yè)因子暴露度上下限值。Xindustry 為個(gè)股對(duì)該行業(yè)的暴露度（即該個(gè)股是否屬于該行業(yè)，屬于為1，不屬于為0）。W為各個(gè)股票的權(quán)重，為優(yōu)化器所要求解的未知量[w1,w2,...wn]。 Windustry為該行業(yè)在基準(zhǔn)中所占的權(quán)重，不是矩陣，為數(shù)值。
  

• 行業(yè)中性
  約束條件：
  Xindustry 為個(gè)股對(duì)該行業(yè)的暴露度（即該個(gè)股是否屬于該行業(yè)，屬于為1，不屬于為0）。W為各個(gè)股票的權(quán)重，為優(yōu)化器所要求解的未知量[w1,w2,...wn]。
  Windustry為該行業(yè)在基準(zhǔn)中所占的權(quán)重，不是矩陣，為數(shù)值。
  
  

組合歸因

• 什么是組合歸因？

組合歸因是對(duì)資產(chǎn)組合進(jìn)行分析，將其回報(bào)和風(fēng)險(xiǎn)歸到提前設(shè)定的可能的原因上。目前該功能可實(shí)現(xiàn)對(duì)股票型策略進(jìn)行收益及風(fēng)險(xiǎn)拆分，主要分為Brinson分析和風(fēng)格分析。
我們首先會(huì)對(duì)每一期的持倉(cāng)表進(jìn)行單期歸因，然后將多期的結(jié)果使用進(jìn)行累計(jì)。下面我們會(huì)介紹單期歸因的算法和累計(jì)歸因所得到的結(jié)果。

• 如何使用組合歸因

策略成功回測(cè)后，在回測(cè)詳情頁(yè)面點(diǎn)擊組合歸因功能，如下圖：

組合歸因詳解

一、Brinson組合歸因

Brinson 是目前最為人知的歸因方案。除了需要組合持倉(cāng)內(nèi)容之外，還設(shè)定一個(gè)基準(zhǔn)。最初的brinson模型是把收益拆解為行業(yè)選擇收益、個(gè)股選擇收益和交叉收益，我們?cè)趥鹘y(tǒng)模型基礎(chǔ)上做了進(jìn)一步的擴(kuò)展，拆分出配置收益和交易收益。

• 1.1多期brinson收益分解

對(duì)于各個(gè)拆分收益的計(jì)算如下：

上述指標(biāo)的計(jì)算只針對(duì)單期的brinson拆解，為了分析策略在一個(gè)周期里的收益歸類，我們使用Carino簡(jiǎn)化因子調(diào)整。

Carino簡(jiǎn)化因子的計(jì)算方式如下：

Rt，bt為t期策略和基準(zhǔn)的收益率；r，b為區(qū)間內(nèi)策略和基準(zhǔn)收益率。

使用簡(jiǎn)化因子對(duì)多期收益分解進(jìn)行加和：

At，St，It為t期收益的分解項(xiàng)。

• 1.2 行業(yè)績(jī)效歸因拆解

把收益按行業(yè)拆分，查看每個(gè)策略在每個(gè)行業(yè)是否帶來(lái)了主動(dòng)收益。圖中主動(dòng)收益展示的也是多期的收益率，通過(guò)Carino因子進(jìn)行調(diào)整。主動(dòng)風(fēng)險(xiǎn)計(jì)算的是多期主動(dòng)風(fēng)險(xiǎn)的方差，衡量多期主動(dòng)收益的穩(wěn)定性。主動(dòng)權(quán)重是統(tǒng)計(jì)整個(gè)回測(cè)區(qū)間內(nèi)各行業(yè)主動(dòng)權(quán)重的均值。

二、風(fēng)格分析

• 基于風(fēng)格因子的歸因是一種更為精細(xì)的歸因方式。我們使用同花順內(nèi)部準(zhǔn)備好的一系列風(fēng)格因子及因子收益率，將組合的回報(bào)和風(fēng)險(xiǎn)分別劃分到這些因子上，從而得到組合的投資風(fēng)格。當(dāng)前包含的風(fēng)格因子有：

• 風(fēng)格歸因效果圖：
  
  其中主動(dòng)收益是多期的收益率，通過(guò)Carino因子進(jìn)行調(diào)整。主動(dòng)風(fēng)險(xiǎn)計(jì)算的是多期主動(dòng)風(fēng)險(xiǎn)的方差，衡量多期主動(dòng)收益的穩(wěn)定性。

• 策略和基準(zhǔn)風(fēng)格對(duì)比圖：
  

• 衡量回測(cè)期內(nèi)策略整體風(fēng)格和基準(zhǔn)的差異，點(diǎn)擊特定的風(fēng)格因子柱狀圖可查看策略及基準(zhǔn)的歷史風(fēng)格變化，如下圖：
  

• 組合風(fēng)格穩(wěn)定性：
  

選取策略組合在回測(cè)期間的四個(gè)界面查看其當(dāng)期的主動(dòng)收益、主動(dòng)風(fēng)險(xiǎn)及主動(dòng)暴露度。相關(guān)的計(jì)算公式如下：

收益&風(fēng)險(xiǎn)指標(biāo)—評(píng)定策略的優(yōu)劣

策略收益率—Returns

策略年化收益率—Annualized Returns

基準(zhǔn)收益率—Benchmark Returns

基準(zhǔn)年化收益率—Annualized Benchmark Returns

超額收益率—Excess Return

非系統(tǒng)性風(fēng)險(xiǎn)—Alpha

系統(tǒng)風(fēng)險(xiǎn)—Beta

夏普比率—Sharpe

收益波動(dòng)率—Volatility

調(diào)試功能

• 程序能一次寫(xiě)完并正常運(yùn)行的概率很小，基本不超過(guò)1%。總會(huì)有各種各樣的bug需要修正。有的bug很簡(jiǎn)單，看看錯(cuò)誤信息就知道，有的bug很復(fù)雜，我們需要知道出錯(cuò)時(shí)，哪些變量的值是正確的，哪些變量的值是錯(cuò)誤的，因此，需要一整套調(diào)試程序的手段來(lái)修復(fù)bug。

  1.簡(jiǎn)單直接粗暴有效的方式是用print把可能有問(wèn)題的變量打印出來(lái)看看，逐個(gè)檢查，用print最大的壞處是將來(lái)還得刪掉它，想想程序里到處都是print，運(yùn)行結(jié)果也會(huì)包含很多垃圾信息。
  
  2.在策略編輯頁(yè)面，MindGo提供代碼調(diào)試功能，你可以采用這套完整的調(diào)試程序來(lái)修復(fù)程序bug

• 如何啟動(dòng)調(diào)試程序？
  

　　在策略編輯器左側(cè),點(diǎn)擊"行號(hào)",設(shè)置斷點(diǎn)后,點(diǎn)擊"編譯運(yùn)行"啟動(dòng)調(diào)試程序。

• 調(diào)試程序簡(jiǎn)介

  1.啟動(dòng)調(diào)試程序后，代碼會(huì)自動(dòng)運(yùn)行到第一個(gè)斷點(diǎn)處，如上圖，第一個(gè)斷點(diǎn)是行7，代碼當(dāng)前已運(yùn)行完行7（行8還未運(yùn)行）
  2.調(diào)試程序右上角顯示的時(shí)間是回測(cè)系統(tǒng)的運(yùn)行時(shí)間
  3.調(diào)試程序上方菜單欄，從左到右共6個(gè)按鈕，分別為：恢復(fù)執(zhí)行代碼(跳至下一個(gè)斷點(diǎn)),執(zhí)行下一步(不運(yùn)行函數(shù)),執(zhí)行下一步(運(yùn)行函數(shù)),跳出此函數(shù),清空console,結(jié)束調(diào)試?yán)^續(xù)編譯
  4.調(diào)試程序左側(cè)即為console面板,右側(cè)為監(jiān)控屬性面板
  5.1分鐘內(nèi)不使用調(diào)試程序，則自動(dòng)關(guān)閉調(diào)試程序
  6.調(diào)試時(shí)，程序無(wú)視注釋內(nèi)容

• 菜單欄按鈕介紹

  1.恢復(fù)執(zhí)行代碼(跳至下一個(gè)斷點(diǎn))：直接運(yùn)行至下一個(gè)斷點(diǎn)處
  2.執(zhí)行下一步(不運(yùn)行函數(shù))：運(yùn)行下一行代碼，如果下一行代碼調(diào)用函數(shù)，則直接運(yùn)行完該函數(shù)，接著準(zhǔn)備下一行代碼
  3.執(zhí)行下一步(運(yùn)行函數(shù))：運(yùn)行下一行代碼，如果下一行代碼調(diào)用函數(shù)，則會(huì)進(jìn)入函數(shù)內(nèi)，執(zhí)行函數(shù)內(nèi)第一行代碼
  4.跳出此函數(shù):如果當(dāng)前行處于函數(shù)中，則直接運(yùn)行完該函數(shù)
  5.清空console:清空左側(cè)console面板的所有內(nèi)容
  6.結(jié)束調(diào)試?yán)^續(xù)編譯:關(guān)閉調(diào)試程序，策略繼續(xù)編譯

• 如何使用console面板？

  輸入變量，“Enter”輸出變量值(無(wú)法修改參數(shù))
  變量之間運(yùn)算，“Enter”輸出結(jié)果
  判斷變量是否滿足條件，“Enter”輸出結(jié)果 

• 如何監(jiān)控變量？

  調(diào)試程序右側(cè)監(jiān)控屬性，點(diǎn)擊"+添加"，輸入變量名，點(diǎn)擊“完成”，即可進(jìn)行監(jiān)控 
  監(jiān)控面板顯示當(dāng)前監(jiān)控的變量及變量值，繼續(xù)運(yùn)行代碼 
  運(yùn)行代碼的過(guò)程中，監(jiān)控面板實(shí)時(shí)顯示監(jiān)控變量及變量值，便于您進(jìn)行觀察，不需要print打印函數(shù)來(lái)逐一輸出。 

對(duì)比功能

一般而言，量化策略會(huì)存在一個(gè)或多個(gè)參數(shù)，在驗(yàn)證策略邏輯的過(guò)程中，寬客們往往會(huì)嘗試用不同的參數(shù)進(jìn)行回測(cè)，比如在2018年，對(duì)平安銀行采用雙均線策略，采用不同周期的兩條均線會(huì)使策略收益截然不同哦~

如何啟動(dòng)回測(cè)對(duì)比？

策略回測(cè)列表中，選取相應(yīng)的回測(cè)，點(diǎn)擊左上角的對(duì)比按鈕，即可啟動(dòng)~

如何使用回測(cè)對(duì)比？

• 對(duì)比功能，包括：概況、累積收益、回撤、源碼。

• 其中概況頁(yè)面，詳細(xì)展示了所選回測(cè)的回測(cè)指標(biāo)，我們以平安銀行雙均線策略為例，創(chuàng)建3組參數(shù)，分別為（5,20）,(10,55),(20,60)。
  

• 累積收益頁(yè)面，詳細(xì)展示了所選回測(cè)的收益走勢(shì)，可以發(fā)現(xiàn)（20,60）參數(shù)組的累積收益較高，參數(shù)周期越短，交易次數(shù)越多，收益反而越差，可能與18年的暴跌行情相關(guān)。
  

• 回撤頁(yè)面，詳細(xì)展示了所選回測(cè)的回撤情況，可以發(fā)現(xiàn)（20,60）參數(shù)組的回撤較低，參數(shù)周期越短，交易次數(shù)越多，回撤反而越大，可能與18年的暴跌行情相關(guān)。
  

• 源碼頁(yè)面，詳細(xì)展示了所選回測(cè)的源碼，同時(shí)只能選取兩個(gè)回測(cè)進(jìn)行對(duì)比
  

python庫(kù)

MindGo平臺(tái)支持所有Python的基礎(chǔ)庫(kù)(https://docs./3.5/library/index.html)，并支持目前流行的第三方庫(kù)，例如NumPy，pandas，Ta-Lib，scikit-learn，TuShare等。主要模塊介紹如下表所示。

為了保障MindGo平臺(tái)的安全，以下的python包和功能已被禁用，如有不便敬請(qǐng)見(jiàn)諒:

【案例】MACD交易策略

#導(dǎo)入talib庫(kù)
import talib
#初始化函數(shù)
def init(context):
    #輸入股票代碼
    g.security = '600519.SH' 
    #設(shè)置MACD模型參數(shù)
    #短周期平滑均線參數(shù)
    g.Short = 12
    #長(zhǎng)周期平滑均線參數(shù)
    g.Long = 26 
    #DIFF的平滑均線參數(shù)
    g.M = 9 
#每日運(yùn)行函數(shù)
def handle_bar(context, bar_dict):
    #調(diào)用MACD計(jì)算函數(shù)，獲取MACD值
    macd = get_macd(g.security)
    #判斷金叉，且無(wú)持倉(cāng)
    if macd[-1]>0 and macd[-2]<0 and context.portfolio.market_value == 0:
        #執(zhí)行全倉(cāng)買入
        order_value(g.security,context.portfolio.available_cash)    
        #打印日志
        log.info("買入 %s" % (g.security))  
    #判斷死叉，且有持倉(cāng)
    if macd[-2]>0 and macd[-1]<0 and context.portfolio.market_value > 0:  
        #執(zhí)行清倉(cāng)
        order_target(g.security,0)    
        #打印日志
        log.info("賣出 %s" % (g.security))
#MACD計(jì)算函數(shù)
def get_macd(stock):
    #獲取數(shù)據(jù)
    price = history(stock, ['close'], 500, '1d', True, 'pre', is_panel=1)['close']
    #talib庫(kù)調(diào)用MACD計(jì)算方法
    DIFF, DEA, MACD = talib.MACD(price.values,
            fastperiod = g.Short, slowperiod = g.Long, signalperiod = g.M)
    #輸出MACD值
    return MACD

【案例】三因子選股模型

import pandas as pd
import numpy as np
import datetime

def init(context):
    # 設(shè)置最大持股數(shù)
    context.max_stocks = 10 
    #記錄天數(shù)，隔20個(gè)交易日調(diào)倉(cāng)
    g.day = 0
def handle_bar(context, bar_dict):
    if g.day%20 !=0:
        return None
    g.day =  g.day +1
    # 每個(gè)調(diào)倉(cāng)日先清倉(cāng)持有的股票
    for security in list(context.portfolio.positions.keys()):
        order_target(security, 0)
    # 首先獲得當(dāng)前日期
    time = get_datetime()
    date = time.strftime('%Y%m%d')
    # 獲得股票池列表
    sample = get_index_stocks('000300.SH',date)
    # 創(chuàng)建字典用于存儲(chǔ)因子值
    df = {'security':[], 1:[], 2:[], 3:[], 'score':[]}
    # 因子選擇
    for security in sample:
        q=query(
            profit.roic,# 投資回報(bào)率
            valuation.pb,# 市凈率
            valuation.ps_ttm,# 市銷率
        ).filter(
            profit.symbol==security
        )

        # 缺失值填充為0
        fdmt = get_fundamentals(q, date=date).fillna(0)

        # 判斷是否有數(shù)據(jù)
        if (not (fdmt['profit_roic'].empty or
                fdmt['valuation_pb'].empty or
                fdmt['valuation_ps_ttm'].empty)):
            # 計(jì)算并填充因子值
            df['security'].append(security)
            df[1].append(fdmt['profit_roic'][0])# 因子1：投資回報(bào)率
            df[2].append(fdmt['valuation_pb'][0])# 因子2：市凈率
            df[3].append(fdmt['valuation_ps_ttm'][0])#因子3：市銷率

    for i in range(1, 4):
        # 因子極值處理，中位數(shù)去極值法
        m = np.mean(df[i])
        s = np.std(df[i])
        for j in range(len(df[i])):
            if df[i][j] <= m-3*s:
                df[i][j] = m-3*s
            if df[i][j] >= m+3*s:
                df[i][j] = m+3*s
        m = np.mean(df[i])
        s = np.std(df[i])

        # 因子無(wú)量綱處理，標(biāo)準(zhǔn)化法
        for j in range(len(df[i])):
            df[i][j] = (df[i][j]-m)/s

    # 計(jì)算綜合因子得分
    for i in range(len(df['security'])):
        # 等權(quán)重計(jì)算(注意因子方向)
        s = (df[1][i]-df[2][i]-df[3][i])
        df['score'].append(s)

    # 按綜合因子得分由大到小排序
    df = pd.DataFrame(df).sort_values(by ='score', ascending=False)

    # 等權(quán)重分配資金
    cash = context.portfolio.available_cash/context.max_stocks

    # 買入新調(diào)倉(cāng)股票
    for security in df[:context.max_stocks]['security']:
        order_target_value(security, cash)