【历史文档】高阶技巧-多策略回测教程

由hxgre创建，最终由small_q更新于2024-05-16 03:40 被浏览 364 用户

更新

本文内容对应旧版平台与旧版资源，其内容不再适合最新版平台，请查看新版平台的使用说明

新版量化开发IDE（AIStudio）：

新版模版策略：

新版数据平台：

新版表达式算子：

新版因子平台：

在研究量化投资策略时，我们一般不会仅依靠单个策略，而会研究并运行多个相关性不高的策略，分散组合的整体风险并平滑收益。因此，如何在平台上查看多个策略组合后的回测曲线呢？我们可以通过“多策略回测”模块进行组合。平台上的“多策略回测”模块已经更新到 v3 版本，相较于之前的版本更加简洁，使用更加方便。

{w:100}{w:100}{w:100}{w:100}{w:100}{w:100%}{w:100}{w:100}{w:100}{w:100}{w:100}

M.multi_strategy_analysis.v3(
    raw_perfs_list=[m19.raw_perf, m5.raw_perf, m11.raw_perf],
    weights_list='0.33, 0.33, 0.34',
)

如上所示，“多策略回测（v3）”模块目前仅有两个输入参数：

多策略回测结果列表（即输入数据）：即每个回测模块的输出结果raw_perf，是一个 DataFrame 类型的数据集，里面包含了回测结果历史的绩效指标，如下所示：

{w:100}{w:100}

“多策略回测”模块会根据传入的回测数据和权重整合成新的组合曲线并展示相关数据。

{w:100}{w:100}

在示例策略中，我们选择两个复杂模型——StockRanker 和 XGBoost——进行训练，并加入一个简单的排序选股策略，然后上述三个策略进行回测，并整合成新的收益率曲线。参数如下：

训练数据集日期：2015年1月1日 - 2020年12月31日
测试数据集日期（回测周期）：2021年1月1日 - 2022年4月1日
特征数据集：return_5、return_10、return_20、avg_amount_0/avg_amount_5、avg_amount_5/avg_amount_20、rank_avg_amount_0/rank_avg_amount_5、rank_avg_amount_5/rank_avg_amount_10、rank_return_0、rank_return_5、rank_return_10、rank_return_0/rank_return_5、rank_return_5/rank_return_10、pe_ttm_0。
排序选股值：pe_ttm_0，降序
回测权重：stockranker（0.33），排序选股（0.33），XGBoost（0.34）。
手续费：买入0.03%、卖出0.13%
持股数量：5只
调仓周期：5个交易日
持仓权重：排粉靠前权重越大
单只股票最大资金比例：20%