开源项目实现简单实用的股票回测

1 引言

之前，尝试做股票工具一直想做的大而全，试图抓取长期的各个维度数据，然后统计或者训练模型。想把每个细节做到完美，结果却陷入了细节之中，最后烂尾了。

最近，听到大家分享了一些关于深度学习、时序模型、强化学习在股票预测方面的新论文。但是觉得这些理论与我们的实际操作还有很大的距离。目前好像更需要的是一些具体而实用的辅助工具。

这次，尝试用 50 行代码完成一个简单的股票回测工具。输入的数据是 A 股的股票代码和时间，通过工具抓取股票数据。然后编写了策略，并使用回测工具来展示策略在数据上的具体操作和盈亏。

具体使用场景如下：当我们想采用某种策略来操作某支股票时，可以选择想要购买的股票，或者选择与之类似的股票；然后，选择一个与当前大趋势相似的时段，用历史数据来验证这个策略是否可行，以及其可能带来的盈利效果。

你不会编写策略也没关系。这里使用的 backtrader 库自 2015 年就已经开源，相关资料丰富。一般的交易策略代码，编程机器人（如 gpt4, copilot）都能根据文字描述直接编写，只需要稍作修改即可。

2 工具介绍

这里采用了两种工具，一是用于抓取 A 股股票数据的 akshare，另一是用于回测的经典工具 backtrader。

2.1 backtrader

Backtrader 是 2015 年开源的 Python 量化回测框架。它的优点包括：资料丰富；整体结构良好，并提供许多常用的统计工具，用户可直接调用；功能相对单一，使用方法也较为简单。其缺点在于：已经停止更新很长时间，对新的库支持存在问题。我试用了其他几个开源框架，发现它们要么不够成熟，要么也已停更很久，暂时还没有找到更好的替代品。如果有朋友知道有更好的工具，希望能私信告诉我。

2.2 AkShare

仅用 210 行的 Python 代码，我们就可以实现对一段时间内日线，周线，分钟线等的抓取。这个程序的功能相当直观且简单，我们可以根据自己的需求进行修改。

2.3 具体实现

PYTHON

import backtrader as bt
import matplotlib.pyplot as plt

ASHARE_PATH = '/opt/xieyan/git/Ashare/' # ashare的路径
import sys
if ASHARE_PATH not in sys.path:
sys.path.append(ASHARE_PATH)
from Ashare import *

class SmaCross(bt.Strategy):
    params = dict(
        pfast=5,  # 短期均线周期
        pslow=10  # 长期均线周期
    )
 
    def __init__(self):
        sma1 = bt.ind.SMA(period=self.p.pfast)  # 短期均线
        sma2 = bt.ind.SMA(period=self.p.pslow)  # 长期均线
        self.crossover = bt.ind.CrossOver(sma1, sma2)  # 均线交叉信号
        # 这里里可以添加其他指标显示
        bt.indicators.MACDHisto(self.datas[0])
 
    def next(self):
        if not self.position:  # 还没有仓位
            if self.crossover > 0:  # 金叉
                self.buy()  # 买入
                print('Buying at', self.data.close[0])
        elif self.crossover < 0:  # 死叉
            self.close()  # 卖出
            print('Selling at', self.data.close[0])

def get_dataframe():
    df=get_price('000538.XSHE',frequency='1d',count=60) # 以云南白药为例
    df.rename_axis('datetime', inplace=True)
    return df

if __name__ == '__main__':
    plt.plot([1,2,3,4])
    plt.show()

    cerebro = bt.Cerebro()
    cerebro.addstrategy(SmaCross)
    data = bt.feeds.PandasData(dataname=get_dataframe())
    cerebro.adddata(data)
    cerebro.addsizer(bt.sizers.FixedSize, stake=100) # 最小交易的单位
    cerebro.broker.setcash(10000.0) # 设置初始资金
    cerebro.broker.setcommission(commission=0.001) # 设置交易手续费
    print('初始金额: %.2f' % cerebro.broker.getvalue())
    cerebro.run()
    print('最终金额: %.2f' % cerebro.broker.getvalue())
    cerebro.plot(width=30, height=15, dpi=300, style='candlestick')

3 问题及解决

3.1 backtrader 绘图显示不出来

现象：在进行绘图操作时，虽未出现错误，但在 jupyter 中无法显示图像。
分析：这可能是由于 matplotlib 版本问题导致的。进一步追踪到 plot 函数内部，发现在绘图前先调用 plt 进行绘图，就可以正常显示了。
解决方法：在调用 backtrader 库进行绘图前，先执行一次 plt 绘图。

PYTHON

1
2
3

import matplotlib.pyplot as plt
plt.plot([1, 2, 3, 4])
plt.show()

3.2 绘图时显示字体太大

现象：绘图时由于字体太大，无法正常显示所有内容。
分析：试图用 matplotlib plt params 设置字体大小，但不起作用；由于时间有限，就直接跟到库里，简单粗暴地修改了代码。
解决方法：修改 backtrader/plot/plot.py 的 PInfo 类的 __init__ 函数，加入：

PYTHON

1	self.sch.subtxtsize = 6

4 思考

人的思考和判断是一个不断变化的过程，往往在事后回顾时，只留下些许碎片，无法完全重现当时的具体状态。此外，人对各个维度的趋势、行业前景以及政策的判断，很难直接用程序或数值来描述。因此，将策略详细地写出来，可以帮助进一步梳理和明确逻辑；这不仅可以用历史数据来验证策略的有效性，还能减少情绪的影响，进而实现实时监控和提醒。利用程序既可以节省时间，又可以监控更多情况，增加确定性，将程序的优势和人的优势结合起来。