如何用python写股票回测代码

用Python写股票回测代码涉及多个步骤：数据获取、数据处理、策略编写、回测执行和结果分析。其中，使用Pandas处理数据、使用回测框架如Backtrader、Zipline等可以大大简化工作。首先，选择合适的数据源和框架非常关键，本文将详细介绍如何一步一步实现股票回测。

一、数据获取

股票回测的第一步是获取历史数据。常用的数据源包括Yahoo Finance、Alpha Vantage、Quandl等。可以使用Pandas的read_csv方法读取本地数据，也可以使用API获取数据。这里以Yahoo Finance为例，使用yfinance库获取数据。

import yfinance as yf
import pandas as pd
获取苹果公司股票数据
data = yf.download('AAPL', start='2020-01-01', end='2022-01-01')
print(data.head())

二、数据处理

获取数据后，需要对数据进行清洗和处理，包括缺失值处理、数据格式转换等。Pandas库提供了丰富的数据处理功能。

# 处理缺失值
data = data.dropna()
转换数据格式
data['Date'] = pd.to_datetime(data.index)
data.set_index('Date', inplace=True)
计算移动平均线作为策略的一部分
data['SMA20'] = data['Close'].rolling(window=20).mean()
data['SMA50'] = data['Close'].rolling(window=50).mean()

三、策略编写

策略是回测的核心部分，可以根据各种技术指标和交易规则编写策略。这里以简单的均线交叉策略为例。

def strategy(data):
    # 生成交易信号
    data['Signal'] = 0
    data['Signal'][20:] = np.where(data['SMA20'][20:] > data['SMA50'][20:], 1, 0)
    data['Position'] = data['Signal'].diff()
    return data

四、回测执行

回测执行部分需要计算策略在历史数据上的表现，包括盈亏、收益率等。可以使用Backtrader等回测框架，这里以简单的手工计算为例。

# 初始化资金和持仓
initial_capital = 100000.0
positions = pd.DataFrame(index=data.index).fillna(0.0)
portfolio = pd.DataFrame(index=data.index).fillna(0.0)
计算持仓
positions['AAPL'] = data['Signal'] * 100
计算组合价值
portfolio['Holdings'] = positions.multiply(data['Close'], axis=0)
portfolio['Cash'] = initial_capital - (positions.diff().multiply(data['Close'], axis=0)).cumsum()
portfolio['Total'] = portfolio['Holdings'] + portfolio['Cash']
计算组合收益
portfolio['Returns'] = portfolio['Total'].pct_change()
print(portfolio.head())

五、结果分析

回测结果分析包括绘制收益曲线、计算各项指标（如年化收益率、夏普比率等）。可以使用Matplotlib绘图和Pandas计算指标。

import matplotlib.pyplot as plt
绘制收益曲线
plt.figure(figsize=(10, 5))
plt.plot(portfolio['Total'], label='Total Portfolio Value')
plt.title('Portfolio Value Over Time')
plt.xlabel('Date')
plt.ylabel('Portfolio Value')
plt.legend()
plt.show()
计算年化收益率和夏普比率
annual_return = portfolio['Returns'].mean() * 252
annual_volatility = portfolio['Returns'].std() * np.sqrt(252)
sharpe_ratio = annual_return / annual_volatility
print(f'Annual Return: {annual_return:.2f}, Annual Volatility: {annual_volatility:.2f}, Sharpe Ratio: {sharpe_ratio:.2f}')