1. 首页
  2. 股票学习

如何进行股票回测分析图(市盈率为例进行回测)

1引言

关于backtrader,公众号已连续发布了三篇推文:《【手把手教你】入门量化回测最强神器backtrader(一)》、《【手把手教你】入门量化回测最强神器backtrader(二)》和《【手把手教你】入门量化回测最强神器backtrader(三)》,分别介绍了backtrader整个框架的组成部分、回测系统的运行、策略模块交易日志的编写和策略参数的寻优,以及Analyzers模块的用法,并对策略的业绩评价指标进行可视化分析。之前在回测中使用的数据仅限于系统默认的价格和成交量,那么如何加载其它数据或因子呢,如换手率、市盈率(PE)市净率(PB)和其他财务指标等?其实前面一直强调backtrader由于采用元编程,具有很强的扩展性,本文为大家展示如何扩展feeds模块中的数据加载,使系统能添加换手率、市盈率等数据,并以市盈率和换手率为指标构建交易策略进行回测。

2数据扩展实例

01数据准备

下面使用tushare pro获取个股交易数据,包含日期(datetime)、价格(open、high、low、close)和成交量(volume)、换手率(turnover_rate)、市盈率(pe)、市净率(pb)等数据。

import pandas as pdimport tushare as ts#tushare pro需到官网注册并获取token才能用token='输入你的token'pro=ts.pro_api(token)def get_data(code,date='20200101'): data1=ts.pro_bar(ts_code=code, adj='qfq', start_date=date) data1=data1[['trade_date','open','high','low','close','vol']] data2=pro.daily_basic(ts_code=code,fields='trade_date,turnover_rate,pe,pb') data=pd.merge(data1,data2,on='trade_date') data.index=pd.to_datetime(data.trade_date) data=data.sort_index() data['volume']=data.vol data['openinterest']=0 data['datetime']=pd.to_datetime(data.trade_date) data=data[['datetime','open','high','low','close',\ 'volume','openinterest','turnover_rate','pe','pb']] data=data.fillna(0) return data

查看数据并保存csv格式到本地,文件名为“test.csv”。

#数据保存到本地get_data('300002.SZ').to_csv('test.csv',index=False)get_data('300002.SZ').head()

02扩展feeds中的数据加载

对backtrader相关模块进行扩展,首先要先研究一下原生代码的构成,找到安装文件夹,我装的是anaconda,所以backtrader所在文件夹路径为:

C:\Anaconda3\Lib\site-packages\backtrader\,进入该路径找到feeds文件夹,看到里面有很多py文件,说明backtrader支持加载的数据或类型,在线数据支持quandl和yahoo适合做美股分析。我们关注的是如何加载A股数据,目前只能通过pandas或csv格式导入,于是找到csvgeneric.py和pandafeed.py这两个文件,用软件Notepad++(可以打开大部分格式的文本文件)打开看看,以pandafeed.py为例,加载数据的类为class PandasData(feed.DataBase),默认要输入的数据只有七列,即之前提到的价格和成交量数据,如下图所示。

如何进行股票回测分析图

对于元编程,要扩展相应参数,不需要修改源代码,只需要写一个class类,然后继承原来的类,加入新的参数即可,下面加入’turnover_rate’,’pe’,’pb’,这些指标在将要加载的数据表中分别在第7、8、9列。

扩展PandasData类,加载更多列数据

#pandas的数据格式from backtrader.feeds import PandasDataclass Addmoredata(PandasData): lines = ('turnover_rate','pe','pb',) params = (('turnover_rate',7),('pe',8),('pb',9),)扩展GenericCSVData加载csv格式数据#直接读取本地csv格式数据from backtrader.feeds import GenericCSVDataclass AddCsvData(GenericCSVData): lines = ('turnover_rate','pe','pb',) params = (('turnover_rate',7),('pe',8),('pb',9),)

03测试数据是否加载成功

写一个简单策略,直接打印新加入的三列数据,加载数据的时候可以是单只股票,也可以是多只股票。多只股票这个很重要,以后可以用来全市场选股并进行回测。

import backtrader as btfrom datetime import datetimeclass TestStrategy1(bt.Strategy): def log(self, txt, dt=None): dt = dt or self.datas[0].datetime.date(0) print('%s, %s' % (dt.isoformat(), txt)) def next(self): self.log(f"换手率:{self.datas[0].turnover_rate[0]},\ 市净率:{self.datas[0].pb[0]},市盈率:{self.datas[0].pe[0]}")

单只股票数据加载运行测试:

cerebro = bt.Cerebro()cerebro.addstrategy(TestStrategy1)feed = Addmoredata(dataname = get_data('300002.SZ','20200420'))#如果是读取csv数据使用下式#feed = AddCsvData(dataname = 'test.csv',dtformat=('%Y-%m-%d'))cerebro.adddata(feed)cerebro.run()

输出结果:2020-04-20, 换手率:20.8743,市净率:3.3256,市盈率:158.35842020-04-21, 换手率:16.503,市净率:2.992,市盈率:142.47362020-04-22, 换手率:18.2413,市净率:3.2897,市盈率:156.64772020-04-23, 换手率:21.3831,市净率:3.0793,市盈率:146.62812020-04-24, 换手率:16.1957,市净率:3.1203,市盈率:148.58322020-04-27, 换手率:13.0385,市净率:2.874,市盈率:136.85292020-04-28, 换手率:10.3652,市净率:2.9355,市盈率:0.02020-04-29, 换手率:8.3977,市净率:2.797,市盈率:0.02020-04-30, 换手率:8.3719,市净率:2.8967,市盈率:0.02020-05-06, 换手率:9.4114,市净率:3.0462,市盈率:0.02020-05-07, 换手率:9.1606,市净率:3.013,市盈率:0.0

多只股票数据加载测试:

class TestStrategy2(bt.Strategy): def log(self, txt, dt=None): dt = dt or self.datas[0].datetime.date(0) print('%s, %s' % (dt.isoformat(), txt)) def next(self): for data in self.datas: print(data._name) self.log(f"换手率:{data.turnover_rate[0]},\ 市净率:{data.pb[0]},市盈率:{data.pe[0]}")

运行回测,三只股票的指标数据都能加载进来。

cerebro = bt.Cerebro()cerebro.addstrategy(TestStrategy2)codes=['600862.SH','300326.SZ','300394.SZ']#加载最近两日交易数据for code in codes: feed = Addmoredata(dataname = get_data(code,'20200506'),name=code) cerebro.adddata(feed)cerebro.run()

#输出结果:600862.SH2020-05-06, 换手率:3.3376,市净率:4.9646,市盈率:39.247300326.SZ2020-05-06, 换手率:1.8874,市净率:6.4762,市盈率:60.2625300394.SZ2020-05-06, 换手率:2.833,市净率:8.6431,市盈率:63.1617600862.SH2020-05-07, 换手率:1.8531,市净率:4.9486,市盈率:39.1208300326.SZ2020-05-07, 换手率:2.1378,市净率:6.5019,市盈率:60.5016300394.SZ2020-05-07, 换手率:2.7572,市净率:8.367,市盈率:61.1439

3换手率、市盈率指标的交易策略实例

下面以加载的换手率和市盈率数据构建交易策略并进行回测。这里举例的个股为神州泰岳,考虑到其回测期间换手率均值为3%,75%分位数为3.98%,市盈率均值为52,最高166,负值设置为0。基于这些指标的统计规律,将交易策略简单设置为:当换手率小于3%且市盈率小于50倍时买入,当换手率大于10%或市盈率大于80倍时卖出。

class MyStrategy(bt.Strategy): def next(self): if not self.position: # 没有持仓 if self.datas[0].turnover_rate[0]<3 and 010 or self.datas[0].pe[0]>80 : self.close(self.datas[0])

运行回测:

cerebro = bt.Cerebro() cerebro.addstrategy(MyStrategy)feed = Addmoredata(dataname = get_data('300002.SZ','20050101'))cerebro.adddata(feed)startcash = 100000cerebro.broker.setcash(startcash) cerebro.broker.setcommission(commission=0.001) cerebro.run()portvalue = cerebro.broker.getvalue()pnl = portvalue - startcash#打印结果print(f'期初总资金: {round(startcash,2)}')print(f'期末总资金: {round(portvalue,2)}')print(f'净收益: {round(pnl,2)}')

期初总资金: 100000期末总资金: 303371.37净收益: 203371.37

得到回测过程的原生图:

%matplotlib inline cerebro.plot(style='candlestick')如何进行股票回测分析图

获取回测的量化评价指标:注意,out_result是自己写的脚本zjy_plot.py里输出策略评价指标的函数,由于代码较长,此处省略,完整代码分享在“金融量化”知识星球上。

#addmoredata是在PandasData上的扩展ddf=get_data('300002.SZ','20050101')data = Addmoredata(dataname = ddf)df00,df0,df1,df2,df3,df4=bt.out_result(MyStrategy,\data,startcash = 100000,commission=0.001)如何进行股票回测分析图

对评价指标进行可视化:

下面pyecharts用的是0.5.11版本,1.0以上版本用法基本上不同。

from pyecharts import*def plot_result_py(data,v,title,plot_type='line',zoom=False): att=data.index try: attr=att.strftime('%Y%m%d') except: attr=att if plot_type=='line': p=Line(title) p.add('',attr,list(data[v].round(2)), is_symbol_show=False,line_width=2, is_datazoom_show=zoom,is_splitline_show=True) else: p=Bar(title) p.add('',attr,[int(i*1000)/10 for i in list(data[v])], is_label_show=True, is_datazoom_show=zoom,is_splitline_show=True) return p

账户价值plot_result_py(df0,’total_value’,’账户价值’)

如何进行股票回测分析图

持仓市值

plot_result_py(df4,'total_position_value','持仓市值')

如何进行股票回测分析图

年化收益率

plot_result_py(df3,'year_rate','年化收益%',plot_type='bar')如何进行股票回测分析图

策略评价指标

df00

如何进行股票回测分析图

4结语

本文着重介绍了如何在backtrader上通过扩展类编程,加载除价格和成交量外的其他因子数据,并构建交易策略进行回测。文中利用换手率和市盈率指标构建的交易策略仅作为示例,并没有对相关参数进行优化,而且不同标的参数阈值设置可能存在较大差异,从回测结果的评价指标来看,该策略并不是很理想,尽管总收益率达到3倍,但最大回撤高达68%,夏普比率只有0.34。当然,本文的目的不是兜售某“成功”交易策略,而是介绍量化策略的构建与回测过程,希望能达到“授人以渔”和“抛砖引玉”的作用。

参考资料:backtrader官方文档和安装包原生代码

https://www.backtrader.com/docu/

关于Python金融量化

专注于分享Python在金融量化领域的应用。加入知识星球,可以免费获取量化投资视频资料、量化金融相关PDF资料、公众号文章Python完整源码、量化投资前沿分析框架,与博主直接交流、结识圈内朋友等。

如何进行股票回测分析图

原创文章,作者:吾爱财经,如若转载,请注明出处:https://www.190521.com/701.html