75.4 策略回测

项目一：多因子选股策略

🎯 学习目标

  • 掌握完整的回测流程
  • 学会回测参数配置
  • 理解交易成本建模
  • 能够独立运行策略回测
策略回测

策略回测

策略回测是验证多因子选股策略有效性的关键环节。本节将详细介绍回测的完整流程和注意事项。

📋 回测流程

1. 数据准备

加载历史数据、因子数据，进行数据清洗

2. 参数设置

配置回测参数：起始日期、初始资金、手续费等

3. 策略初始化

初始化策略，设置调仓频率、选股数量等

4. 运行回测

执行策略，记录每笔交易

5. 绩效分析

计算各项绩效指标，生成分析报告

6. 结果验证

样本外测试，验证策略稳健性

⚙️ 交易成本模型

固定成本

class FixedCommission(bt.Commission):
    """
    固定手续费模型
    """
    params = (
        ('commission', 0.0003),  # 万三手续费
    )

    def _getcommission(self, size, price, pseudoexec):
        """计算手续费"""
        return abs(size) * price * self.p.commission

滑点模型

class PercentageSlippage(bt.Slipper):
    """
    百分比滑点模型
    """
    params = (
        ('perc', 0.001),  # 千分之一滑点
    )

    def _getprice(self, price, pseudoexec):
        """计算滑点"""
        if pseudoexec:
            return price
        # 买入价上浮，卖出价下浮
        return price * (1 + self.p.perc)

💻 完整回测示例

def complete_backtest_example():
    """
    完整回测示例
    """
    # 1. 加载数据
    start_date = '2015-01-01'
    end_date = '2023-12-31'

    # 加载因子数据
    factor_data = load_factor_data(start_date, end_date)

    # 加载收益率数据
    returns_data = load_returns_data(start_date, end_date)

    # 2. 回测参数配置
    backtest_params = {
        'initial_cash': 10000000,  # 初始资金1000万
        'commission': 0.0003,      # 手续费万三
        'slippage': 0.001,         # 滑点千一
        'lookback': 20,            # 因子回看期20天
        'top_n': 50,               # 选股50只
        'rebalance_freq': 20,      # 每月调仓
    }

    # 3. 初始化回测引擎
    cerebro = bt.Cerebro()

    # 添加策略
    cerebro.addstrategy(
        MultiFactorStrategy,
        lookback=backtest_params['lookback'],
        top_n=backtest_params['top_n'],
        rebalance_freq=backtest_params['rebalance_freq']
    )

    # 加载数据
    for ticker in factor_data.columns:
        data = prepare_data_feed(factor_data, returns_data, ticker)
        cerebro.adddata(data)

    # 设置初始资金
    cerebro.broker.setcash(backtest_params['initial_cash'])

    # 设置手续费
    cerebro.broker.setcommission(
        commission=backtest_params['commission']
    )

    # 设置滑点
    cerebro.broker.set_slippage_perc(perc=backtest_params['slippage'])

    # 添加分析器
    cerebro.addanalyzer(bt.analyzers.SharpeRatio, _name='sharpe')
    cerebro.addanalyzer(bt.analyzers.DrawDown, _name='drawdown')
    cerebro.addanalyzer(bt.analyzers.Returns, _name='returns')
    cerebro.addanalyzer(bt.analyzers.TradeAnalyzer, _name='trades')

    # 4. 运行回测
    print(f'初始资金: {cerebro.broker.getvalue():,.2f}')
    results = cerebro.run()

    # 5. 分析结果
    strat = results[0]
    final_value = cerebro.broker.getvalue()

    print(f'期末资金: {final_value:,.2f}')
    print(f'总收益率: {(final_value/backtest_params["initial_cash"]-1)*100:.2f}%')

    # 获取绩效指标
    sharpe = strat.analyzers.sharpe.get_analysis()
    drawdown = strat.analyzers.drawdown.get_analysis()
    returns = strat.analyzers.returns.get_analysis()
    trades = strat.analyzers.trades.get_analysis()

    print(f"夏普比率: {sharpe.get('sharperatio', 0):.2f}")
    print(f"最大回撤: {drawdown.get('max', {}).get('drawdown', 0):.2f}%")
    print(f"年化收益: {returns.get('rnorm100', 0):.2f}%")

    # 6. 可视化
    cerebro.plot(style='candle', barup='red', bardown='green')

    return results

# 运行回测
results = complete_backtest_example()

📊 样本外测试

def out_of_sample_test():
    """
    样本外测试
    """
    # 训练集：2015-2020
    train_start = '2015-01-01'
    train_end = '2020-12-31'

    # 测试集：2021-2023
    test_start = '2021-01-01'
    test_end = '2023-12-31'

    # 1. 训练集回测
    print("========== 训练集回测 ==========")
    train_results = run_backtest(train_start, train_end)

    # 2. 测试集回测
    print("\n========== 测试集回测 ==========")
    test_results = run_backtest(test_start, test_end)

    # 3. 对比分析
    print("\n========== 对比分析 ==========")
    print(f"训练集年化收益: {train_results['annual_return']:.2%}")
    print(f"测试集年化收益: {test_results['annual_return']:.2%}")

    print(f"训练集夏普比率: {train_results['sharpe_ratio']:.2f}")
    print(f"测试集夏普比率: {test_results['sharpe_ratio']:.2f}")

    print(f"训练集最大回撤: {train_results['max_drawdown']:.2%}")
    print(f"测试集最大回撤: {test_results['max_drawdown']:.2%}")

    # 判断是否存在过拟合
    performance_drop = (train_results['annual_return'] -
                      test_results['annual_return'])

    if performance_drop > 0.05:  # 下降超过5%
        print("\n⚠️ 警告: 策略可能存在过拟合")
    else:
        print("\n✅ 策略表现稳定")

    return train_results, test_results
⚠️
回测常见陷阱

1）前视偏差：使用未来数据；2）幸存者偏差：剔除退市股票；3）过拟合：过度优化参数；4）忽略交易成本；5）样本数据不足。

📝 本节小结

✅
  • • 掌握了完整的回测流程
  • • 学会了交易成本建模方法
  • • 实现了完整的策略回测
  • • 理解了样本外测试的重要性
  • • 识别了回测中的常见陷阱
← 上一节 下一节 →