我们买基金或股票的时候通常用最简单的策略进行决策：低买高卖，跌的多了就加仓拉低持有成本，达到收益率就卖出。
那么如何用代码表示这个策略呢？首先定义交易信号则是：0.5%时买入，目标止盈线是1.5%，达到目标收益率就清仓。接下来我们用Python回测一下这个策略的收益情况：
获取数据集
# 安装akshare
!pip3 install akshare --upgrade
# 调用包
import akshare as ak
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
# 不显示警告
import warnings
warnings.filterwarnings('ignore')
# 导入上证指数etf
data = ak.fund_etf_fund_info_em('510210','20210122','20230620')
# 筛选要用的时间段
data['year']=pd.to_datetime(data['净值日期']).dt.year # 增加年字段
df = data.loc[data['year']==2023,['净值日期','单位净值']] # 筛选数据集
df.index=range(len(df)) # 重排索引
df.tail(10) # 查看最近的n条数据代码详解：
!pip3 install akshare 安装akshare的包获取免费数据集。
fund_etf_fund_info_em()是akshare获取ETF的函数，更多函数看这里 ↓akshare量化交易数据集的获取_akshare怎么用_紫昂张的博客-CSDN博客
pd.to_datetime()可以把数据转为时间格式，原本data['净值日期']是字符串格式；转为时间格式后，才能调用dt.year返回年份。
.loc索引器可以定位行和筛选列；data['year']==2023返回布尔类型的数据，表示定位指定行；['净值日期','单位净值']表示筛选指定列。
.index表示调用DateFrame的索引；range()函数生成从0开始的整数序列，len()获取长度或行数。由于截取了2023年的数据，索引不是从0开始计起，因此需要重新赋值给索引。
运行结果：
判断交易信号
# 计算环比上一个交易日的涨跌幅
df['涨跌幅'] = df['单位净值'].pct_change()
# 判断买入信号和 对应交易数量
df.loc[df['涨跌幅']<-0.005,'买入数量'] = 1000
# 计算当天交易金额
df['交易金额'] = df['买入数量']*df['单位净值']
df = df.fillna(0.0) # 填补空值
df.tail(30) 代码详解：
pct_change()计算环比，返回当天的收益率，公式为：环比=现期/基期-1。
df.loc[df['涨跌幅']<-0.005,'买入数量'] 用到了.loc索引器，df['涨跌幅']<-0.005是指环比前一天下跌0.5%，是交易信号；如果满足交易信号的买入1000股，中括号里的'买入数量'是我们预设参数，有值的情况下会把结果值1000储存到预设参数里。
有了每天的交易数量后，乘以当天的每股价格就得到当日的交易金额了。
df.fillna(0.0)表示把空值赋值为0，避免后续空值对计算产生影响。
运行结果：
回测
在上一步交易信号计算的步骤中，已知当天买入的交易数量和交易金额，接下来要计算历史持有和历史盈亏情况。
# 定义全局变量
target_return = 0.015 # 止盈比例，收益率超过此比例时抛出
# 初始化变量
df['总持有数量'] = 0
total_num = 0 # 总持有数量
df['总持有成本'] = 0
total_cost = 0 # 总持有成本
df['持仓成本单价'] = 0
per_cost = 0 # 持仓单价
df['总市值'] = 0
stock = 0
df['盈亏额'] = 0
profit = 0
df['盈亏率'] = 0
profit_rate = 0
df['止盈线利润'] = 0
for i in range(len(df)):
total_num += df['买入数量'][i] # 累计数量
total_cost += df['交易金额'][i] # 累计成本
per_cost = total_cost/total_num
stock = total_num*df['单位净值'][i]
profit = stock - total_cost
profit_rate = df['单位净值'][i]/per_cost-1
df = df.fillna(0.0) # 填补空值
if profit_rate >= target_return:
total_num = 0
total_cost = 0
df['止盈线利润'][i] = profit
df['总持有数量'][i] = total_num
df['总持有成本'][i] = total_cost
df['持仓成本单价'][i] = per_cost
df['总市值'][i] = stock
df['盈亏额'][i] = profit
df['盈亏率'][i] = profit_rate
df.tail(30) 代码详解：
由于达到目标收益率有清0的逻辑，所以使用用for循环来表示：
for i in range(len(df)) 指遍历每一行数据；
if profit_rate >= target_return 表示当大于预设值0.015时，持有数量total_num、和持有成本total_cost都归零。
for循环里每个公式的含义：
total_num += df['买入数量'][i]：把每一天买入的股数加和，计算当前累计持有数量；
total_cost += df['交易金额'][i] ：把每一天的成本加和，计算累计持有成本；
per_cost = total_cost/total_num：计算每股的成本单价；
stock = total_num*df['单位净值'][i]：计算当前总市值；
profit = stock - total_cost：总利润=总市值-总成本；
profit_rate = df['单位净值'][i]/per_cost-1：收益率=当前股价/每股单位成本-1；
由于我们每一步的计算结果都要存在二维表里，方便后续输出查看，所以要保存的每个字段都需要预设变量，并赋值0。并在每次循环末尾赋值到变量里。
运行结果：
输出结果
max_cost = df['总持有成本'].max()
total_profit = df['止盈线利润'].sum()
profit_rate = total_profit/max_cost
sale_times = (df['止盈线利润']>0).sum()
print('最大持有成本：%f，总利润：%f，收益率：%f，达标次数：%s'%(max_cost,total_profit,profit_rate,sale_times))代码详解：
max()函数返回 '总持有成本' 列的最大值，表示最大投入成本。
sum()函数返回 '止盈线利润' 列的加和，表示总盈亏额。
(df['止盈线利润']>0)是条件判断，返回布尔值；由于True表示1，所以可以用sum()进行计数。
运行结果：
结果解读：
按照2023年上半年的行情，最大持有成本不到8k，按最大成本算的收益率是3.6%；我们预设的止盈线是1.5%，达到目标收益率就清仓的次数是6次。
用2021年和2022年的数据进行回测收益率接近存款的利率，但实盘可能存在交易手续费没有考虑进去，综合看来这个策略虽然不亏但收益不太理想，还需要继续探索别的方法。
