
手把手教你使用【python】在京东量化平台完成简单策略回测
今天来教大家使用量化平台中Python的部分,完成一个简单的策略回测。
首先,回测界面是长这个样子的
可以看到,左半边的大部分区域是编辑代码的地方,开发环境会自动识别Python语言的关键词。在代码区上面的设置标志里面可以个性化调节开发环境的视觉效果。
Python的回测代码主要包括init()函数,handle_data()函数,以及其他用户自定义内容。如果在每天开盘前要进行额外的处理或计算,可选择添加before_trade()函数。
def init(context):
# 这里用来写策略开始时要做什么
注释
其中,init()是初始化函数,可以设置基准,滑点,佣金等回测参数,也可以利用context自定义变量。在Python及大部分其他编程语言中,在局部变量只在该变量定义的函数体有效,在其他函数体内是无效的。而context被定义为一个局部变量,可以把内容在不同函数代码之间传导。该函数在回测开始时运行一次。
def handle_data(context, data_dict):
# 这里用来写每天开盘后要做什么,可以是计算,输出日志,或者下单
注释
handle_data()是每个交易时间点(分钟/日)时自动运行一次的函数,可以在此函数内设置交易判断和下单,是策略核心逻辑所在。
def before_trade(context):
# 非强制,在这里写每天开盘之前要做什么,不可下单
注释
用户可以按照Python语言规则定义其他函数,包括运算/数据处理函数,也可以通过task()函数设置自定义函数的执行频率和执行时间。
III、编译策略代码
1、确定策略框架内容
举个栗子,用一个简单的策略为例来演示这个过程。
策略的内容是对贵州茅台(600519.SH)进行择时
如果前一天收益率大于沪深300收益率,则买入持仓
如果前一天收益率小于沪深300收益率,则不持仓。
只买卖一只股票操作是很简单的。首先,我们在init()函数里面设置我们的股票(贵州茅台(600519.SH))和比较标的(沪深300(000300.SH)):
# init方法是您的初始化逻辑。context对象可以在任何方法之间传递。
def init(context):
context.stock = '600519.SH'
context.set_benchmark = '000300.SH'
注释
1)只要在“#”后面的内容都是注释,不会被Python编译
2)设置stock和set_benchmark对象时,一定要在前面加上“context.”,这样才能传递到之后的函数中。设置标的后,回测中的基准曲线和收益将采用设置的指数。
2、确认每个交易日的逻辑:
l 获取目标股票和标的的历史价格
# 日或分钟或实时数据更新,将会调用这个方法
def handle_data(context, data_dict):
price = get_history(2, '1d', 'close')[context.stock]
priceBm = get_history(2, '1d', 'close')[context.set_benchmark]
注释
1)其中context.stock和context.set_benchmark都在init()函数中定义好了。
2)get_history()函数是京东量化平台封装的取历史交易数据的函数。其中“2”代表要取历史两天的数据,以便计算上个交易日的收益。“’1d’”和“'close’”分别表示数据频率为天,所需数据为收盘价。
3)返回的价格为pandas.Series类型。各个平台函数的使用方法可以查看帮助板块中的API文档。
l 定义收益率
为了方便计算收益率,自定义了一个CalRet()函数,输入连续两天的价格,计算第二天的收益率:
def CalRet(price):
r = (price[1] - price[0]) / price[0]
return r
注释
1)这段函数写在handle_data()之前。自定义函数编辑的语法符合Python语法即可。
2)这个函数会返回float类型的r。
l 计算目标股票和标的的收益率
我们回到handle_data()函数,利用刚刚定义的函数和获取的股票及指数价格计算收益率:
ytdRet = CalRet(price)
bmRet = CalRet(priceBm)
注释
1)以上函数可以得到上个交易日股票的收益率ytdRet和指数收益率bmRet。
3、确认股票买入卖出的逻辑:
如果ytdRet大于bmRet,则全仓买入平安银行股票,否则清仓
if ytdRet > bmRet:
order_target_percent(context.stock, 1)
else:
order_target_percent(context.stock, 0)
注释
1)order_target_percent()是量化平台编辑的下单函数,可以设置某个股票的仓位至一个百分比。
2)平台同样支持加减仓,用手数,金额等方式下单,详见API文档。
4、确认所有策略逻辑
以上,所有的策略逻辑就完成啦!
def init(context):
context.stock = '600519.SH'
context.set_benchmark = '000300.SH'
def handle_data(context, data_dict):
price = get_history(2, '1d', 'close')[context.stock]
priceBm = get_history(2, '1d', 'close')[context.set_benchmark]
ytdRet = CalRet(price)
bmRet = CalRet(priceBm)
if ytdRet > bmRet:
order_target_percent(context.stock, 1)
else:
order_target_percent(context.stock, 0)
def CalRet(price):
r = (price[1] - price[0]) / price[0]
return r
完成简单的策略回测
现在,我们就完成了这个策略的设计。回测平台会自动按照这个逻辑,在回测区间内完成交易。
选定回测的时间区间。初始金额以及调仓频率,如下图
我们设置回测区间为2015年1月1日-2016年1月1日,初始金额为一百万,调仓频率为每天,点击“运行回测”。结果如下:
注释
1)回测:策略回测就是拿到证券市场历史的财务数据、行情数据,对现有的策略进行历史回测检验,通过回测结果来修正自己的策略,从而验证策略在过去市场的有效性以及稳定性。
2)回测输出结果
I、我们可以看到在回测区间内,策略和基准的净值曲线,每天盈亏,买卖等图像,以及回测的技术指标。同时可以查看相对收益,对数收益等。
II、在左边的交易详情,持仓和输出日志中可以看到回测中的具体情况,方便进行归因分析,调整策略等等,同时还可以查看历史回测记录。
III、我们可以看到,这个策略能够跑赢大盘。当然,这只是一个例子。
3)回测的评判
I、收益,回测收益和基准收益的对比,收益越高盈利能力越强
II、最大回撤,最大回撤要低,越低代表亏损幅度越低,策略越稳定
III、交易频率,点击交易详情可以查看策略交易的频次,频率越高,策略越稳定
III、把回测的策略发布到策略榜,还可以分析策略的晨星风格及收益归因分析,多角度的判断策略的好坏
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
Excel 导入数据含缺失值?详解 dropna 函数的功能与实战应用 在用 Python(如 pandas 库)处理 Excel 数据时,“缺失值” 是高频 ...
2025-09-16深入解析卡方检验与 t 检验:差异、适用场景与实践应用 在数据分析与统计学领域,假设检验是验证研究假设、判断数据差异是否 “ ...
2025-09-16CDA 数据分析师:掌控表格结构数据全功能周期的专业操盘手 表格结构数据(以 “行 - 列” 存储的结构化数据,如 Excel 表、数据 ...
2025-09-16MySQL 执行计划中 rows 数量的准确性解析:原理、影响因素与优化 在 MySQL SQL 调优中,EXPLAIN执行计划是核心工具,而其中的row ...
2025-09-15解析 Python 中 Response 对象的 text 与 content:区别、场景与实践指南 在 Python 进行 HTTP 网络请求开发时(如使用requests ...
2025-09-15CDA 数据分析师:激活表格结构数据价值的核心操盘手 表格结构数据(如 Excel 表格、数据库表)是企业最基础、最核心的数据形态 ...
2025-09-15Python HTTP 请求工具对比:urllib.request 与 requests 的核心差异与选择指南 在 Python 处理 HTTP 请求(如接口调用、数据爬取 ...
2025-09-12解决 pd.read_csv 读取长浮点数据的科学计数法问题 为帮助 Python 数据从业者解决pd.read_csv读取长浮点数据时的科学计数法问题 ...
2025-09-12CDA 数据分析师:业务数据分析步骤的落地者与价值优化者 业务数据分析是企业解决日常运营问题、提升执行效率的核心手段,其价值 ...
2025-09-12用 SQL 验证业务逻辑:从规则拆解到数据把关的实战指南 在业务系统落地过程中,“业务逻辑” 是连接 “需求设计” 与 “用户体验 ...
2025-09-11塔吉特百货孕妇营销案例:数据驱动下的精准零售革命与启示 在零售行业 “流量红利见顶” 的当下,精准营销成为企业突围的核心方 ...
2025-09-11CDA 数据分析师与战略 / 业务数据分析:概念辨析与协同价值 在数据驱动决策的体系中,“战略数据分析”“业务数据分析” 是企业 ...
2025-09-11Excel 数据聚类分析:从操作实践到业务价值挖掘 在数据分析场景中,聚类分析作为 “无监督分组” 的核心工具,能从杂乱数据中挖 ...
2025-09-10统计模型的核心目的:从数据解读到决策支撑的价值导向 统计模型作为数据分析的核心工具,并非简单的 “公式堆砌”,而是围绕特定 ...
2025-09-10CDA 数据分析师:商业数据分析实践的落地者与价值创造者 商业数据分析的价值,最终要在 “实践” 中体现 —— 脱离业务场景的分 ...
2025-09-10机器学习解决实际问题的核心关键:从业务到落地的全流程解析 在人工智能技术落地的浪潮中,机器学习作为核心工具,已广泛应用于 ...
2025-09-09SPSS 编码状态区域中 Unicode 的功能与价值解析 在 SPSS(Statistical Product and Service Solutions,统计产品与服务解决方案 ...
2025-09-09CDA 数据分析师:驾驭商业数据分析流程的核心力量 在商业决策从 “经验驱动” 向 “数据驱动” 转型的过程中,商业数据分析总体 ...
2025-09-09R 语言:数据科学与科研领域的核心工具及优势解析 一、引言 在数据驱动决策的时代,无论是科研人员验证实验假设(如前文中的 T ...
2025-09-08T 检验在假设检验中的应用与实践 一、引言 在科研数据分析、医学实验验证、经济指标对比等领域,常常需要判断 “样本间的差异是 ...
2025-09-08