wehub-resource-sync
305 lines
13 KiB
Markdown
305 lines
13 KiB
Markdown
# CtaBacktester - CTA回测研究模块
|
||
|
||
## 功能简介
|
||
|
||
CtaBacktester是用于**CTA回测研究**的功能模块，用户可以通过其UI界面操作来便捷完成数据下载、历史回测、结果分析和参数优化等任务。
|
||
|
||
## 加载启动
|
||
|
||
### VeighNa Station加载
|
||
|
||
启动登录VeighNa Station后，点击【交易】按钮，在配置对话框中的【应用模块】栏勾选【CtaBacktester】。
|
||
|
||
### 脚本加载
|
||
|
||
在启动脚本中添加如下代码：
|
||
|
||
```python3
|
||
# 写在顶部
|
||
from vnpy_ctabacktester import CtaBacktesterApp
|
||
|
||
# 写在创建main_engine对象后
|
||
main_engine.add_app(CtaBacktesterApp)
|
||
```
|
||
|
||
|
||
## 启动模块
|
||
|
||
对于用户自行开发的策略，需要放到VeighNa Trader运行时目录下的**strategies**目录中，才能被识别加载。具体的运行时目录路径，可以在VeighNa Trader主界面顶部的标题栏查看。
|
||
|
||
对于在Windows上默认安装的用户来说，放置策略的strategies目录路径通常为：
|
||
|
||
```
|
||
C:\Users\Administrator\strategies
|
||
```
|
||
|
||
其中Administrator为当前登录Windows的系统用户名。
|
||
|
||
启动VeighNa Trader后，在菜单栏中点击【功能】-> 【CTA回测】，或者点击左侧按钮栏的图标：
|
||
|
||
|
||
|
||
即可打开图形化的回测界面，如下图所示：
|
||
|
||
|
||
|
||
|
||
## 下载数据
|
||
|
||
在开始策略回测之前，首先需要保证数据库内有足够的历史数据，CtaBacktester模块也提供了一键下载历史数据的功能。
|
||
|
||
下载数据需要填写本地代码、K线周期、开始日期以及结束日期四个字段信息：
|
||
|
||
<span id="jump">
|
||
|
||
- 本地代码
|
||
- 格式为合约代码 + 交易所名称
|
||
- 如IF888.CFFEX、rb2105.SHFE
|
||
- K线周期：
|
||
- 1m（1分钟K线）
|
||
- 1h（1小时K线）
|
||
- d（日K线）
|
||
- w（周K线）
|
||
- tick（一个Tick）
|
||
- 开始和结束日期
|
||
- 格式为yyyy/mm/dd
|
||
- 如2018/2/25、2021/2/28
|
||
|
||
</span>
|
||
|
||
填写完成后，点击下方【下载数据】按钮启动下载任务，成功后如下图所示：
|
||
|
||
|
||
|
||
注意下载完成后的历史数据会保存在本地数据库中，后续回测时可以直接使用，无需每次都重复下载。
|
||
|
||
### 数据来源：数据服务（期货、股票、期权）
|
||
|
||
以RQData为例，[RQData](https://www.ricequant.com/welcome/purchase?utm_source=vnpy)提供国内期货、股票以及期权的历史数据。在使用前需要保证数据服务已经正确配置（配置方法详见基本使用篇的全局配置部分）。打开CtaBacktester时会自动执行数据服务登录初始化，若成功则会输出“数据服务初始化成功”的日志，如下图所示：
|
||
|
||
|
||
|
||
### 数据来源：IB（外盘期货、股票、现货等）
|
||
|
||
Interactive Brokers盈透证券（IB）提供丰富的外盘市场历史数据下载（包括股票、期货、期权、现货等），注意下载前需要先启动IB TWS交易软件，并在VeighNa Trader主界面连接好IB接口，并订阅所需合约行情。下载成功如下图所示：
|
||
|
||
|
||
|
||
|
||
## 执行回测
|
||
|
||
准备好数据后即可开始使用历史数据对策略进行回测研究，回测时需要配置好相关的参数：
|
||
|
||
- 策略品种
|
||
- 交易策略：在下拉框中选择要回测的策略名称；
|
||
- 本地代码：注意不要漏掉交易所后缀；
|
||
- 数据范围
|
||
- 格式详见本章[下载数据](#jump)部分的介绍；
|
||
- 交易成本
|
||
- 滑点：下单交易点位与实际交易点位的差别；
|
||
- 百分比手续费：填写数字即可，不要填写百分数；
|
||
- 固定比手续费：可以手续费填0，然后把手续费除以合约乘数后，加在滑点中；
|
||
- 合约属性
|
||
- 合约乘数：合约的交易单位；
|
||
- 价格跳动：合约价格的最小变动价位；
|
||
- 回测资金：账户资金；
|
||
- 合约模式：正向。
|
||
|
||
配置完成后，点击下方的【开始回测】按钮，会弹出策略参数配置对话框，用于设置策略参数，如下图所示：
|
||
|
||
|
||
|
||
点击【确定】按钮后开始执行回测任务，同时日志界面会输出相关信息，如下图所示：
|
||
|
||
|
||
|
||
回测完成后，会自动在右侧区域显示策略回测业绩的统计指标以及相关图表，如下图所示：
|
||
|
||
|
||
|
||
若数据库没有准备好所需的历史数据就点击【开始回测】，则日志界面会输出“历史数据不足，回测终止”的日志，如下图所示：
|
||
|
||
|
||
|
||
|
||
## 结果分析
|
||
|
||
### 业绩图表
|
||
|
||
右侧的业绩图表由以下四张子图构成：
|
||
|
||
|
||
|
||
【账户净值】图的横轴是时间，纵轴是资金，体现了账户净值在交易时段内随着交易日变化的情况。
|
||
|
||
|
||
|
||
【净值回撤】图的横轴是时间，纵轴是回撤，体现了净值从最近高点回撤程度随着交易日变化的情况。
|
||
|
||
|
||
|
||
【每日盈亏】图的横轴是时间，纵轴是日盈亏的金额（采用逐日盯市规则以收盘价结算），体现了整个回测周期内策略的每日盈亏变化情况。
|
||
|
||
|
||
|
||
【盈亏分布】图的横轴是每日盈亏的数值，纵轴是该盈亏数值的出现概率，体现了整体每日盈亏的概率分布情况。
|
||
|
||
### 统计指标
|
||
|
||
统计指标区域用于显示策略历史回测业绩的相关统计数值，如下图所示：
|
||
|
||
|
||
|
||
|
||
|
||
根据数据类型，指标可以分类为：
|
||
|
||
- 日期信息
|
||
- 首个交易日
|
||
- 最后交易日
|
||
- 总交易日
|
||
- 盈利交易日
|
||
- 亏损交易日
|
||
- 资金盈亏
|
||
- 起始资金
|
||
- 结束资金
|
||
- 总收益率
|
||
- 年化收益
|
||
- 最大回撤
|
||
- 百分比最大回撤
|
||
- 总盈亏
|
||
- 交易成本
|
||
- 总手续费
|
||
- 总滑点
|
||
- 总成交额
|
||
- 总成交笔数
|
||
- 日均数据
|
||
- 日均盈亏
|
||
- 日均手续费
|
||
- 日均滑点
|
||
- 日均成交额
|
||
- 日均成交笔数
|
||
- 日均收益率
|
||
- 收益标准差（日均）
|
||
- 绩效评价
|
||
- 夏普比率
|
||
- 收益回撤比
|
||
|
||
### 详细信息
|
||
|
||
回测完成后，可点击左侧区域的【委托记录】按钮，查看回测过程中策略逐笔委托的细节信息：
|
||
|
||
|
||
|
||
如果发现表格内容显示不完整，可以单击鼠标右键弹出菜单后，选择【调整列宽】按钮，即可进行自动列宽缩放：
|
||
|
||
|
||
|
||
表格也支持一键将表内数据保存为CSV文件，在上一步右键弹出的菜单中，点击【保存数据】按钮，即可弹出如下图所示选择保存文件名的对话框：
|
||
|
||
|
||
|
||
回测过程中策略发出委托的**成交价**不一定是原始下单的价格，而要由回测引擎基于当时的行情数据和下单价格进行撮合后算出，每笔委托对应的具体成交细节可以点击【成交记录】按钮后查看：
|
||
|
||
|
||
|
||
点击【每日盈亏】按钮后，可以看到如下图所示的策略每日盈亏细节：
|
||
|
||
|
||
|
||
这里每日盈亏的统计采用期货市场普遍使用的逐日盯市（Marking-to-Market）规则进行计算：
|
||
|
||
- 持仓盈亏：今日开盘持仓的部分，以昨收盘价开仓，今收盘价平仓，计算出的盈亏金额；
|
||
- 交易盈亏：今日日内成交的部分，以成交价格开仓，今收盘价平仓，计算出的盈亏金额；
|
||
- 总盈亏：汇总持仓盈亏和交易盈亏后的金额；
|
||
- 净盈亏：总盈亏扣除手续费和滑点后的金额，也是最终计算显示四张图表时用到的每日盈亏金额。
|
||
|
||
### K线图表
|
||
|
||
点击【K线图表】按钮，即可打开用于显示回测K线数据，以及策略具体买卖点位置的图表，如下图所示：
|
||
|
||
|
||
|
||
注意绘图耗时可能需要一定时间（通常在数十秒到几分钟），请耐心等待。
|
||
|
||
K线图表中的图例说明可以在窗口底部看到，整体上采用了国内市场标准的配色和风格。开平仓之间的连线采用的是逐笔配对（First-in, First-out）规则进行绘制，每一笔成交会根据其数量自动和其他成交进行匹配，即使策略有复杂的加减仓操作也能正确绘制。
|
||
|
||
|
||
## 参数优化
|
||
|
||
对于开发好的策略，可以使用CtaBacktester内置的优化算法快速进行参数寻优，目前支持穷举和遗传两种优化算法。
|
||
|
||
### 设置优化参数
|
||
|
||
点击【参数优化】按钮，会弹出“优化参数配置”的窗口：
|
||
|
||
|
||
|
||
点击【目标】下拉框，选择优化过程中要使用的目标函数（即以该数值最大化为目标进行优化）：
|
||
|
||
|
||
|
||
对于要进行优化的策略参数，需要配置：
|
||
|
||
- 【开始】和【结束】：用于给定参数优化的范围；
|
||
- 【步进】：用于给定参数每次变化的数值；
|
||
|
||
举例：如一个参数的【开始】设为10，【结束】设为20，【步进】设为2，则该参数在优化过程中的寻优空间为：10、12、14、16、18、20。
|
||
|
||
对于要设置固定数值的策略参数，请将【开始】和【结束】都同样设为该数值即可。
|
||
|
||
### 穷举算法优化
|
||
|
||
设置好需要优化的参数后，点击窗口底部的【多进程优化】按钮，此时CtaBacktester会调用Python的multiprocessing模块，根据当前电脑CPU的核心数量，启动对应数量的进程来并行执行穷举优化任务。
|
||
|
||
在优化的过程中，穷举算法会遍历参数寻优空间中的每一个组合。遍历的过程即使用该组合作为策略参数运行一次历史回测，并返回优化目标函数的数值。完成遍历后，根据所有目标函数的数值进行排序，从而选出最优的参数组合结果。
|
||
|
||
穷举算法优化的效率和CPU核心数量直接相关：若用户计算机是2核，则优化时间为单核的1/2；若计算机是10核，则优化时间会大幅降低到单核的1/10。
|
||
|
||
### 遗传算法优化
|
||
|
||
设置好需要优化的参数后，点击窗口底部的【遗传算法优化】按钮，此时CtaBacktester会调用Python的multiprocessing模块和deap模块，来执行高效智能化的多进程遗传算法优化任务。
|
||
|
||
附上遗传算法的简要工作原理：
|
||
|
||
1. 定义优化方向，如总收益率最大化；
|
||
2. 随机从全局寻优空间中，选择出部分参数组合形成初始族群；
|
||
3. 对族群内所有个体进行评估，即运行回测获取目标函数结果；
|
||
4. 基于目标函数结果进行排序，剔除表现不好的个体（参数组合）；
|
||
5. 对剩下的个体进行交叉或者变异，通过评估和筛选后形成新的族群；
|
||
6. 以上3-5步为一次完整的种群迭代，在整个优化过程中需要多次重复；
|
||
7. 多次迭代后，种群内差异性减少，参数收敛向最优解，最终输出结果。
|
||
|
||
### 优化结果分析
|
||
|
||
优化完成后，会在日志区域输出信息提示：
|
||
|
||
|
||
|
||
此时点击【优化结果】按钮即可查看相关结果：
|
||
|
||
|
||
|
||
上图中的参数优化结果，基于启动优化任务时所选的目标函数【总收益率】的数值，由高到低进行了排序。
|
||
|
||
最后，点击右下角的【保存】按钮即可将优化结果保存到本地CSV文件中，便于后续分析使用。
|
||
|
||
|
||
## 策略代码
|
||
|
||
### 代码编辑
|
||
|
||
如果需要对策略进行修改，在CtaBacktester界面左上角的下拉框中选择策略后，点击左下角的【代码编辑】按钮，即可自动打开Visual Studio Code进行代码编辑。若找不到Visual Studio Code，则会弹出启动代码编辑器失败对话框，如下图所示：
|
||
|
||
|
||
|
||
### 策略重载
|
||
|
||
当用户通过CtaBacktester对策略源代码进行修改后，此时的修改尚停留在硬盘上的代码文件层面，内存中依然是修改前的策略代码。
|
||
|
||
想让修改内容在内存中立即生效，需要点击左下角的【策略重载】按钮，此时CtaBacktester会自动扫描并重新加载所有策略文件中的策略代码，同时会有相关日志输出，如下图所示：
|
||
|
||
|
||
|
||
重载刷新完成后，再运行回测或者优化时，使用的就是修改后的策略代码了。
|