择时回测系统（向量化框架）

目录

• 择时回测系统（向量化框架）
  • 目录
  • 背景
  • 各模块说明
    • 沪深300成分股数据
    • core
    • figures
    • stocks return
    • portfolio return
  • 安装所需依赖包
  • 代码运行
  • 结果分析
    • 参数敏感性分析
    • 多信号策略
  • 不足与改进
  • 项目主要负责人

背景

出于对指数增强策略的兴趣，选取指数增强策略中的个股择时增强方法。

1. 参考研报《基于成分股择时的指数增强策略》的个股择时增强思想，构建择时回测系统，回测各类个股择时策略，构建投资组合并对标沪深300指数。
2. 择时回测系统目前只运用于日度数据，对于高频数据的择时回测系统需要采用事件驱动框架进一步开发，然后采用机器学习或者强化学习的方法构建策略。

各模块说明

沪深300成分股数据

• getComponents.py: 通过baostock API得到成分股代码，存入components.csv；
• getData.py: 在components.csv基础上，通过baostock API得到成分股历史行情等特征，存入data和data(adjust)文件夹，其中data(adjust)为后复权数据；
• getWeights.py: 在components.csv基础上，通过baostock API得到成分股权重，存入weights.csv；
• getIndexData.py: 通过akshare API得到指数收盘价作为业绩基准，存入沪深300.csv。

core

• template.py: 实现策略基类，抽象产生signal的方法，方便strategy文件夹里的策略来继承；
• backTestEngine.py：回测引擎，负责传参调用策略；
• running.py: 启动回测的模块，代码运行的核心；
• getPlot.py: 绘图模块，实现结果可视化；
• getPerformance.py：计算策略评价指标的模块。

figures

保存getPlot.py生成的图像

stocks return

保存策略回测生成的收益率序列，子文件夹由策略名命名，子文件夹的子文件夹由策略的参数命名，这样存储便于参数敏感性分析

portfolio return

将股票收益率进行组合，便于对比基准，检验择时效果

安装所需依赖包

内容见 requirements.txt

代码运行

1. /strategy文件夹用于存放策略模块，继承template.py中的基类；
2. 主要运行/core/running.py里面的函数，调用backTestEngine.py里的函数得到回测结果。

结果分析

参数敏感性分析

BackTrend:[20,50], RUMI:[5,10][20,60]，这两个策略对参数不敏感，区间内较为稳定；
VNSP:[40,60][20,60]，对参数比较敏感，第一个参数越小越好，第二个参数越大越好，具体原因有待探究；
最终得到参数表现较好的一组：BackTrend:40, RUMI:5_60, VNSP:40_60

多信号策略

选取表现较好的参数构建多信号策略。
多信号策略的信号确定主要有两种方法：
一种是所有信号都看多则看多，所有信号都看空则看空，否则跟随趋势。（信号少）
第二种是将信号看多记为+1，看空记为-1，信号进行简单相加后，若大于0，则看多，小于0，则看空。（类似投票）
可以看出简单相加的效果较好。
对于择时信号的组合，第一种方法的适用性在信号较多时会失效，因为出现同向信号的可能性会变得很低；第二种方法还可采用加权的方式，但是权重如何取得，是有待探究的。

不足与改进

1. 后续引入机器学习方法，将多个择时指标（多个信号）作为特征进行机器学习，需要补充指标，目标为20个。标签目前是考虑采用第二天的收益率；但由于机器学习方法需要大量数据，故可能会考虑采用分钟数据产生signal，这样需要更新回测系统，可能会改进为分钟级别的事件驱动回测系统。
2. 除了采用机器学习的方法，还可以对策略进行组合，这样能优化每个策略的曲线，使得整体曲线更为平滑，这个策略组合的方法还有待研究；
3. 在策略构建完成后，需要改变数据集，即对中证500，中证1000这样的样本进行回测，观察效果。

项目主要负责人

@algo23-Jinzhao