在算法交易中，验证一个策略是否有效至关重要，但该如何验证呢？
我们可以通过模拟盘或直接实盘测试策略，但能看到的问题有限。最快捷有效的方式是基于历史数据回测（Backtesting），模拟策略在过去市场中的表现，在评估收益和风险后，再进行模拟和实盘。
那该如何回测呢？
回测的方式有很多，既可以手工测试、也可以借助 excel 或是 python 的向量计算库，如 numpy 和 pandas 进行。不过这些方式都比较原始，我们可使用市面一些现成的回测框架，不仅能尽可能避免回测中常见的问题，还能把重点放在策略的逻辑上。
本文将先介绍 Backtesting.py，一个 Python 实现轻量级、事件驱动的回测框架。之所以先介绍它，主要是它非常简单。
什么是 Backtesting.py
Backtesting.py 是一个轻量级的 Python 回测框架，专注于策略回测的核心功能，适合快速实现和测试交易策略。与其他回测框架，如 VectorBT 或 Backtrader 等回测框架相比，Backtesting.py 简化了使用流程，没有过多复杂功能，自然地，它更加简单易用与高效。
Backtesting.py 内置了策略参数优化工具，可与 Pandas 数据框和 NumPy 数组兼容，易于集成。当然简单是有代价的，它的缺点是不支持多资产交易和分数股交易，这也限制了它的普适性，一般被用于 CTA 策略的回测。
让我们快速上手 Backtesting.py 的使用吧。
安装
确保你已经有了 Python 环境，使用如下命令安装 backtesting.py 和 TA-Lib 两个依赖包。
1
| pip install backtesting TA-Lib
|
如果 TA-Lib 安装遇到困难，请查看 TA-Lib 安装指南，或者也可以选择其他技术指标库，如 pandas-ta。
编写第一个策略
开始通过 backtesting.py 实现第一个策略，就以均线交叉策略为例。策略的规则也很简单，就是 SMA 金叉开仓买入、死叉平仓。暂时只考虑做多的情况。
导入必要的模块
首先，创建一个名为 strategy.py 的 Python 文件，开始编写我们的策略。
导入要用到的模块：
1
2
3
| from backtesting import Backtest, Strategy
from backtesting.test import GOOG # 示例数据
import talib
|
简单起见，我们就用 Backtesting.py 提供的样例数据 GOOG，即 Google 某段时间点的价格数据来演示。
定义策略类
我们定义一个名为 SMACrossStrategy 策略类，继承 Strategy：
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
| class SMACrossStrategy(Strategy):
# 参数
fast_ma_window = 10
slow_ma_window = 20
def init(self):
# 初始化阶段：计算指标
self.fast_ma = self.I(talib.SMA, self.data.Close, timeperiod=self.fast_ma_window)
self.slow_ma = self.I(talib.SMA, self.data.Close, timeperiod=self.slow_ma_window)
def next(self):
# 交易阶段：逻辑判断和执行交易
if self.fast_ma[-1] > self.slow_ma[-1] and not self.position:
self.buy()
elif self.fast_ma[-1] < self.slow_ma[-1] and self.position.is_long:
self.position.close()
|
在 Backtestingpy 中实现的策略要继承 backtesting 下 Strategy 类，实现它的两个方法：init 和 next。Strategy 是框架提供的基类，它规定了策略结构和生命周期，init 方法用于初始化，如指标的向量计算，next 中用于实现提供数据的每个 bar 的执行逻辑。
策略类上的两个变量 fast_ma_window 和 slow_ma_window 是我们定义的策略参数，代表了均线的快线和慢线的周期，默认设置为 10 和 20。它们是可配置的，在调用策略时，是可以修改这两个参数的值的。
在 init 初始化阶段，我们可以通过 talib 计算 SMA 均线的快慢线。数据可以通过 self.data 访问，指标计算用到了收盘价，即 self.data.Close。
在 next 交易逻辑阶段，只需要拿到当前的指标数据，判断是否要入场就行了，self.fast_ma[-1] 和 self.slow_ma[-1] 分别代表了最新的快线和慢线的值，当 fast_ma 大于 slow_ma 且当前没有仓位（not self.position) 执行买入，否则执行平仓。
交叉 crossover
如果你希望策略的判断严格是金叉死叉的那一刻，不仅仅要比较 -1，即当前的指标，还有比较 -2，即上个周期的大小。
金叉，即快线 fast_ma 上穿慢线 slow_ma：
1
| fast_ma[-1] > slow_ma[-1] and fast_ma[-2] < slow_ma[-2]
|
死叉，即快线 fast_ma 下穿慢线 slow_ma，也就是慢线 slow_ma 上穿快线 fast_ma：
1
| fast_ma[-1] < slow_ma[-1] and fast_ma[-2] > slow_ma[-2]
|
好在 Backtesting.py 提供了一个函数，专门用于判断这种两条线交叉的场景，即 backtesting.lib 下 crossover(s1, s2) 函数，如果 s1 上穿 s2，则返回 True，否则返回 False。
1
2
3
4
5
6
| from backtesting.lib import crossover
# 金叉
crossover(fast_ma, slow_ma)
# 死叉
crossover(slow_ma, fast_ma)
|
现在就简洁多了。
运行回测
我们要创建 Backtest 实例运行回测，将 Google 数据，策略类、初始金额和交易费率传递 Backtest 完成实例化。
示例代码：
1
2
| bt = Backtest(GOOG, SMACrossStrategy, cash=10000, commission=0.002)
stats = bt.run()
|
现在运行代码，bt.run() 的返回值 stats 就是我们要的回测结果。
输出评测结果，如下：
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
| Start 2004-08-19 00:00:00 # 开始时间
End 2013-03-01 00:00:00 # 结束时间
Duration 3116 days 00:00:00 # 总持续时间
Exposure Time [%] 61.545624 # 资金暴露时间比例（%）
Equity Final [$] 99485.0574 # 最终净值（美元）
Equity Peak [$] 100607.2574 # 最高净值（美元）
Return [%] 894.850574 # 总收益率（%）
Buy & Hold Return [%] 703.458242 # 买入持有策略收益率（%）
Return (Ann.) [%] 30.934891 # 年化收益率（%）
Volatility (Ann.) [%] 32.215003 # 年化波动率（%）
Sharpe Ratio 0.960263 # 夏普比率（风险调整收益）
Sortino Ratio 2.125336 # 索提诺比率（下行风险调整收益）
Calmar Ratio 1.497421 # 卡尔玛比率（收益与最大回撤之比）
Max. Drawdown [%] -20.658779 # 最大回撤（%）
Avg. Drawdown [%] -3.678412 # 平均回撤幅度（%）
Max. Drawdown Duration 584 days 00:00:00 # 最大回撤持续时间
Avg. Drawdown Duration 38 days 00:00:00 # 平均回撤持续时间
# Trades 48 # 总交易次数
Win Rate [%] 64.583333 # 胜率（%）
Best Trade [%] 57.11931 # 最佳单笔交易收益率（%）
Worst Trade [%] -12.446769 # 最差单笔交易收益率（%）
Avg. Trade [%] 4.923007 # 平均单笔交易收益率（%）
Max. Trade Duration 121 days 00:00:00 # 最长持仓时间
Avg. Trade Duration 39 days 00:00:00 # 平均持仓时间
Profit Factor 4.729158 # 盈亏比（获利交易总额与亏损交易总额之比）
Expectancy [%] 5.66852 # 期望收益率（平均每笔交易的收益率）
SQN 2.643361 # 系统质量数（策略表现综合评分）
_strategy SMACrossStrategy... # 策略名称（移动均线交叉）
_equity_curve ... # 净值曲线
_trades Size EntryB... # 交易详情
dtype: object
|
如上是策略统计数据，有包括初始资金、最终净值、最大回撤等，还有其他评价策略表现的指标，如最大回撤、夏普比率、胜率等。
如果想查看回测的收益曲线，Backtest 提供方法 plot 查看可视化结果：
运行上述代码后，你将看到：
图表中显示了策略的收益曲线、买卖点、指标曲线和我们重点的几个交易统计数据，如最终净值、最高净值、最大回撤等。
除了使用默认参数外，我们可以在调用 bt.run() 修改默认参数：
1
| bt.run(fast_ma_window=15, slow_ma_window=30)
|
在这不到 30 行代码里，我们就实现了一个简单的均线交叉策略，可见 Backtesting.py 的简洁高效。
自定义数据
Backtesting.py 是允许使用自定义数据的。
要求格式
数据要求是 pandas.DataFrame，且满足按时间升序排列，时间为 DataFrame 的索引，同时数据列至少包含 Open、High、Low、Close、Volume 五个字段即可。
查看样例数据格式；
输出：
1
2
3
4
5
6
7
8
9
10
11
12
| Open High Low Close Volume
2004-08-19 100.00 104.06 95.96 100.34 22351900
2004-08-20 101.01 109.08 100.50 108.31 11428600
2004-08-23 110.75 113.48 109.05 109.40 9137200
2004-08-24 111.24 111.60 103.57 104.87 7631300
2004-08-25 104.96 108.00 103.88 106.00 4598900
... ... ... ... ... ...
2013-02-25 802.30 808.41 790.49 790.77 2303900
2013-02-26 795.00 795.95 784.40 790.13 2202500
2013-02-27 794.80 804.75 791.11 799.78 2026100
2013-02-28 801.10 806.99 801.03 801.20 2265800
2013-03-01 797.80 807.14 796.15 806.19 2175400
|
示例：适配 tushare
演示下将 tushare 数据转为 Backtesting.py 支持的格式吧。从 tushare 获取南华商品期货黄金指数的价格。
示例代码：
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
| pro = ts.pro_api()
df = pro.index_daily(ts_code="AU.NH", start_date="2024-01-01")
df["trade_date"] = pd.to_datetime(df["trade_date"])
df.set_index("trade_date", inplace=True)
df.index.name = "Datetime"
df.sort_index(inplace=True)
df.rename(
columns={
"open": "Open",
"high": "High",
"low": "Low",
"close": "Close",
"vol": "Volume",
},
inplace=True,
)
df = df[["Open", "High", "Low", "Close", "Volume"]]
print(df.head())
|
输出：
1
2
3
4
5
6
7
| Open High Low Close Volume
Datetime
2024-01-02 1805.2399 1813.4864 1802.4661 1811.6872 95373.0
2024-01-03 1810.1883 1812.0918 1803.8779 1809.4987 187356.0
2024-01-04 1799.2201 1804.1197 1792.3877 1802.4116 243384.0
2024-01-05 1802.8461 1808.0885 1799.5808 1805.1527 142594.0
2024-01-08 1801.9185 1813.1337 1796.4979 1802.6821 295652.0
|
回测图表保存
Backtesting.py 提供了保存回测图表的功能，便于后续分析。
保存 HTML 文件
我们上面运行回测时，Backtesting.py 会在当前目录下自动生成一个 HTML 文件，即上面展示的回测图表。
默认的文件名称是 “策略类名.html”，。
示例：
如果是参数优化得到的结果，文件名会带上参数：
1
| SMACrossStrategy(fast_ma_window=5,slow_ma_window=20).html
|
这个名称在调用 bt.plot 时可以修改。
1
| bt.plot(filename='results/plot.html')
|
上述代码将回测结果保存在 results 目录下。如果目录不存在，需要提前创建：
动态命名文件
我们也可以动态设置文件名以区分不同的参数组合。例如：
1
2
3
4
5
| fast = stats._strategy.fast_ma_window
slow = stats._strategy.slow_ma_window
bt.plot(
filename=f'results/fast{fast}_slow{slow}.html',
)
|
这将保存文件名如 fast10_slow20.html 的 HTML 文件，方便管理批量的回测结果。
总结
本文介绍了 Backtesting.py 回测框架的快速上手使用，从策略创建、回测与结果保存。下篇文章介绍 Backtesting.py 的参数优化部分，这是策略开发是非常重要的一个点。
