M.multi_strategy_analysis¶

定义¶

M.multi_strategy_analysis.v2(raw_perf_1=None, raw_perf_2=None, raw_perf_3=None, raw_perfs=[], weights='', rebalance_period=0, start_date=None, end_date=None, benchmark='000300.SHA', prepare=None, initialize=None, before_trading_start=None, handle_data=None, options={})¶

多策略组合收益分析

参数:

raw_perf_1 (DataSource) – 策略收益原始数据第1个 (一般自来于交易引擎的输出的raw_perf字段)；默认值是None。
raw_perf_2 (DataSource) – 策略收益原始数据第2个 (一般自来于交易引擎的输出的raw_perf字段)；默认值是None。
raw_perf_3 (DataSource) – 策略收益原始数据第3个 (一般自来于交易引擎的输出的raw_perf字段)；默认值是None。
raw_perfs (列表) – 策略收益原始数据列表 (一般自来于交易引擎的输出的raw_perf字段)；默认值是[]。
weights (字符串|列表) – 每个回测结果的权重；默认值是。
rebalance_period (int) – 再平衡周期；默认值是0。
start_date (str) – 开始日期,默认是raw_perfs里的最小日期；默认值是None。
end_date (str) – 结束日期,默认是raw_perfs里的最大日期；默认值是None。
benchmark (str) – 基准指数；默认值是000300.SHA。
prepare (函数) – 回调函数，准备数据；默认值是None。
initialize (函数) – 回调函数，初始化函数；默认值是None。
before_trading_start (函数) – 回调函数，策略交易单位周期开始前执行, I.code_python；默认值是None。
handle_data (函数) – 回调函数，策略主体逻辑函数；默认值是None。
options (字典) – 用户自定义数据，在回调函数中要用到的变量，需要从这里传入，并通过 context.options 使用；默认值是{}。

返回:

.raw_perf: 回测结果原始数据

返回类型:

Outputs

模块源代码¶

import pandas as pd

from zipline.finance.commission import PerOrder
from biglearning.api import M
import biglearning.api.tools as T


# 是否自动缓存结果，默认为True。一般对于需要很长计算时间的（超过1分钟），启用缓存(True)；否则禁用缓存(False)
bigquant_cacheable = False
# 如果模块已经不推荐使用，设置这个值为推荐使用的版本或者模块名，比如 v2
bigquant_deprecated = None


def default_prepare(context):
    data = {}
    for i, perf in enumerate(context.options['raw_perfs']):
        perf_df = perf.read_df()
        df = pd.DataFrame()
        df['close'] = perf_df['algorithm_period_return'] + 1
        df['high'] = df['close'] * (1 + 0.005)
        df['low'] = df['close'] * (1 - 0.005)
        df['open'] = df['close'].shift(1).fillna(1)
        df['volume'] = 1e10
        df['price'] = df['open']
        df['factor'] = 1.0
        df['adjust_factor'] = 1.0
        df.index = pd.Series(df.index).apply(lambda x: pd.to_datetime(x.date))
        data['s%s' % (i + 1)] = df
    panel = pd.Panel(data)
    context.instruments = panel


def default_initialize(context):
    context.set_commission(PerOrder(buy_cost=0, sell_cost=0, min_cost=0))
    context.options['weights'] = T.norm(context.options['weights'])


def default_handle_data(context, data):
    rebalance_period = context.options.get('rebalance_period', 0)
    if (rebalance_period == 0 and context.trading_day_index > 0) or \
    (rebalance_period != 0 and context.trading_day_index % rebalance_period != 0):
    return
    # rebalance
    for i, w in enumerate(context.options['weights']):
        context.order_target_percent(context.symbol('s%s' % (i + 1)), w)


def bigquant_run(raw_perfs,
                weights,
                rebalance_period=0,
                start_date=None,
                end_date=None,
                benchmark='000300.SHA',
                prepare=None,
                initialize=None,
                before_trading_start=None,
                handle_data=None,
                options=None):

    if start_date is None or end_date is None:
        perf_index = [perf.read_df().index for perf in raw_perfs]
        start_date = start_date or min([pi.min() for pi in perf_index]).strftime('%Y-%m-%d')
        end_date = end_date or max([pi.max() for pi in perf_index]).strftime('%Y-%m-%d')

    options = options.copy() if options is not None else {}
    options['raw_perfs'] = raw_perfs
    options['weights'] = weights
    options['rebalance_period'] = rebalance_period

    return M.trade.v1(
        instruments=None,
        start_date=start_date,
        end_date=end_date,
        prepare=prepare or default_prepare,
        initialize=initialize or default_initialize,
        before_trading_start=before_trading_start,
        handle_data=handle_data or default_handle_data,
        order_price_field_buy='open',       # 表示 开盘 时买入
        order_price_field_sell='close',     # 表示 收盘 前卖出
        capital_base=1000000,               # 初始资金
        benchmark=benchmark,                # 比较基准，不影响回测结果
        auto_cancel_non_tradable_orders=False,
        backtest_only=True,
        volume_limit=0,
        options=options
    )


def bigquant_postrun(outputs):
    return outputs


if __name__ == '__main__':
    # 测试代码
    pass

示例代码¶

m9 = M.multi_strategy_analysis.v1(
    raw_perfs=[m6.raw_perf, m7.raw_perf],
    weights=[0.6, 0.4]
)