如何用python写股票回测代码

要用Python编写股票回测代码，你需要以下几个步骤：导入相关库、获取历史数据、编写回测策略、运行回测并分析结果。关键步骤包括选择适合的库如pandas、numpy、backtrader等，编写策略逻辑，处理交易信号，计算绩效指标。其中，编写策略逻辑是最关键的部分，决定了回测的准确性和实用性。

一、导入相关库

在Python中有许多用于金融数据处理和回测的库，如pandas、numpy、matplotlib、backtrader等。首先需要导入这些库，以便后续使用。

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import backtrader as bt

这些库分别用于数据处理、数值计算、绘图和回测框架。

二、获取历史数据

获取历史数据是回测的基础。你可以从Yahoo Finance、Alpha Vantage等数据源下载股票的历史数据。这里我们以Yahoo Finance为例，使用pandas_datareader库获取数据。

import pandas_datareader.data as web
from datetime import datetime
start = datetime(2020, 1, 1)
end = datetime(2023, 1, 1)
data = web.DataReader('AAPL', 'yahoo', start, end)

上述代码获取了苹果公司（AAPL）从2020年1月1日到2023年1月1日的历史数据。

三、编写回测策略

使用backtrader框架编写回测策略。首先需要定义一个策略类，继承自bt.Strategy。

class SmaCross(bt.Strategy):
    params = (('p1', 20), ('p2', 50),)
    def __init__(self):
        sma1 = bt.ind.SMA(period=self.params.p1)
        sma2 = bt.ind.SMA(period=self.params.p2)
        self.crossover = bt.ind.CrossOver(sma1, sma2)
    def next(self):
        if not self.position:
            if self.crossover > 0:
                self.buy()
        elif self.crossover < 0:
            self.sell()

上述代码定义了一个简单的均线交叉策略，当短期均线（20日）上穿长期均线（50日）时买入，下穿时卖出。

四、运行回测

将数据加载到backtrader中，并运行回测。

cerebro = bt.Cerebro()
cerebro.addstrategy(SmaCross)
data = bt.feeds.PandasData(dataname=data)
cerebro.adddata(data)
cerebro.broker.setcash(100000.0)
cerebro.broker.setcommission(commission=0.001)
cerebro.addsizer(bt.sizers.FixedSize, stake=10)
print('Starting Portfolio Value: %.2f' % cerebro.broker.getvalue())
cerebro.run()
print('Ending Portfolio Value: %.2f' % cerebro.broker.getvalue())

上述代码创建了一个Cerebro引擎，添加了策略和数据，设置了初始现金和交易佣金，然后运行回测并打印初始和结束的投资组合价值。

五、分析结果

可以使用matplotlib绘制回测结果。

cerebro.plot()

这将生成一个包含价格、交易信号和投资组合价值的图表，方便你直观地分析策略的表现。

通过上述步骤，你已经完成了一个简单的股票回测系统。可以根据需要调整策略参数、添加更多指标或优化策略逻辑，以提高回测的准确性和实用性。

六、扩展策略

在实际应用中，单纯的均线交叉策略可能并不足够。为了提高策略的有效性，可以结合其他技术指标，如相对强弱指数（RSI）、布林带（Bollinger Bands）等。以下是一个结合RSI的策略示例。

class SmaRsi(bt.Strategy):
    params = (('p1', 20), ('p2', 50), ('rsi_period', 14), ('rsi_overbought', 70), ('rsi_oversold', 30))
    def __init__(self):
        sma1 = bt.ind.SMA(period=self.params.p1)
        sma2 = bt.ind.SMA(period=self.params.p2)
        self.crossover = bt.ind.CrossOver(sma1, sma2)
        self.rsi = bt.ind.RSI(period=self.params.rsi_period)
    def next(self):
        if not self.position:
            if self.crossover > 0 and self.rsi < self.params.rsi_oversold:
                self.buy()
        elif self.crossover < 0 or self.rsi > self.params.rsi_overbought:
            self.sell()

上述代码增加了RSI指标，当均线交叉信号和RSI信号同时满足时才进行买卖操作，从而提高策略的可靠性。

七、优化策略参数

为了找到最佳的策略参数，可以使用backtrader自带的优化功能。以下是一个优化示例。

cerebro = bt.Cerebro(optreturn=False)
cerebro.optstrategy(SmaRsi, p1=range(10, 31), p2=range(40, 61), rsi_period=range(10, 21))
data = bt.feeds.PandasData(dataname=data)
cerebro.adddata(data)
cerebro.broker.setcash(100000.0)
cerebro.broker.setcommission(commission=0.001)
cerebro.addsizer(bt.sizers.FixedSize, stake=10)
opt_runs = cerebro.run()
for run in opt_runs:
    for strategy in run:
        print('p1: {}, p2: {}, rsi_period: {}, Final Portfolio Value: {}'.format(
            strategy.params.p1, strategy.params.p2, strategy.params.rsi_period, cerebro.broker.getvalue()))

这段代码将策略参数p1、p2和rsi_period进行优化，遍历不同的参数组合，并输出每个组合的最终投资组合价值。

八、回测结果分析

在进行多次回测后，可以使用pandas和matplotlib对结果进行分析和可视化。以下是一个示例。

results = []
for run in opt_runs:
    for strategy in run:
        results.append({
            'p1': strategy.params.p1,
            'p2': strategy.params.p2,
            'rsi_period': strategy.params.rsi_period,
            'final_value': cerebro.broker.getvalue()
        })
results_df = pd.DataFrame(results)
results_df.plot(x='p1', y='final_value', kind='bar', title='Optimization Results', figsize=(12, 6))
plt.show()

上述代码将优化结果保存到一个DataFrame中，并绘制条形图，方便分析不同参数组合的表现。

九、回测报告生成

为了更系统地分析回测结果，可以生成回测报告。可以使用pyfolio库生成详细的回测报告，包括累计收益、最大回撤、夏普比率等。

import pyfolio as pf
cerebro = bt.Cerebro()
cerebro.addstrategy(SmaRsi)
data = bt.feeds.PandasData(dataname=data)
cerebro.adddata(data)
cerebro.broker.setcash(100000.0)
cerebro.broker.setcommission(commission=0.001)
cerebro.addsizer(bt.sizers.FixedSize, stake=10)
strats = cerebro.run()
strat = strats[0]
returns, positions, transactions, gross_lev = strat.analyzers.getbyname('pyfolio').get_pf_items()
returns.index = returns.index.tz_convert(None)  # Convert timezone
pf.create_full_tear_sheet(returns, positions=positions, transactions=transactions, gross_lev=gross_lev)