量化交易入门书籍-Quantitative Trading how to Build Your Own Algorithmic Trading Business 04
由polll创建，最终由polll 被浏览 91 用户
本篇拖了好几天，临近年关了，工作上的事情太多
我这里随便挑了两个合约，工商银行和建设银行，因为都是国有银行，两个交易序列之间具有较高的相关性，我们统计套利的基础原理是基于价差的回归。我们使用tushare库来直接获取这两个银行2015至今的日收盘价数据，这样可以让整个程序直接在任何一台电脑上奔跑，不用依赖基础数据，建议还是把代码都自己敲一遍。
如果没有太多编程基础的童鞋，可以先看一些PYTHON入门的东西，然后就可以轻松的跟完整本书，我始终认为编程只是技能，够用就行了，重要的交易策略思维，因此整个专栏都不会去死磕技术，如果只是想学习“编程技术”的童靴，可以关注相关技术类专栏，深信都会比我牛逼得多。
我使用的编程工具为：anaconda + spyder ,这里力推anaconda,因为已经集成了科学计算所要用到的几乎所有库。官网地址为：https://www.anaconda.com/download/ 下载安装即可。
首先我们引入tushare库，data1储存工商银行的日数据，data2储存建设银行的日数据，接着我们把两个数据的长度打印出来，顺便保存数据看看数据结构，发现如下图：
两个数据长度相同，但是我试了其他股票有不相同的情况，所以在使用数据时我们还是按照日期来取数，然后发现比较累人的是，dataframe并没有date键值，我们存储数据再重新读取一次。
这里我们采用一种较为快速的方法，先求出修正后的价差列，这种方法可以在初期做策略回测时使用，因为数据处理较快，也较为方便，后期还是需要按照实盘的程序进行依次识别处理。
我们在开始策略前先直观感受一下两者的走势及价差序列：
现在我们求出一个spead序列和交易时间trade_day序列：
这里主要实现了一个交易日期匹配，并选择相应的交易数据，求出交易天trade_day和价差序列spread
最后我们求出了两个交易标的之间的相关性Cor = 0.9647，两者之间经验证具有强相关性。
下面是一个回测最简单结构，首先是参数定义，然后是按照交易日循环，接着是在每个交易日去运算并记录结果：
这边我们看看output的输出：
我们发现有很多情况第一天刚记为-1，后一天又记为1，这样的表现是因为股票价格剧烈变化，我们一般回测完后都需要去看看策略什么时候进场、出场、是否符合我们开始的设想，以及策略中有没有什么较为极端的情形发生，总之，策略复盘非常重要。
本书这个也是最简单的演示了，我们设计了两个参数 n 和 m ，并且赋予了初值，参数优化指的就是修改n,m来找到最优参数让策略盈利更好，output这边只记录了两个数据，一个是当价差过高或者过低时记录，并且记录此时的交易日。后面就可以用这两个数据计算持仓盈亏及交易，用程序化的思维直接的理解什么是回测，大概的思路是什么。