本系列文章将会介绍如何应用 DolphinDB 进行交易回测。本文以挪动平均线指标为例,介绍如何在 DolphinDB 中实现技术信号回测。挪动平均线指标(Moving average,简称 MA)属于趋势指标。在金融剖析畛域,挪动平均线是不可短少的指标工具。除了批示趋势,均线指标还能防止因为股价上涨错失清仓的机会,缩小收益的损失,及时止损,也能防止股价上涨错失买入的理论,从而取得更高的收益。
回测过程中,咱们思考两种状况:不止损回测和止损回测。
数据表须要蕴含以下字段:
股票代码:sym
日期:date
收盘价格:close
1. 定义 MA 信号
当短期均线大于长期均线时,咱们认为这是一个 MA 交易信号。
def maSignal(x, shortHorizon, longHorizon){signal = mavg(x, shortHorizon) > mavg(x, longHorizon)
signal[0:min(x.size(), longHorizon - 1)] = NULL
return signal
}
2. 不止损回测
咱们定义的交易算法如下:
假如前一天的 MA 信号为 prevSignal,当天的 MA 信号为 signal。
(1)如果 prevSignal=false,signal=true,那么买入多头头寸(long position)。
(2)如果 prevSignal=true,signal=false,那么卖出空头头寸(short position)。
(3)如果不合乎以上两种状况,则放弃与前一天雷同的头寸。
def backtest(t){t2 = select sym,date,close,prev(close) as prevClose,signal, prev(signal) as prevSignal from t context by sym
update t2 set position=iif(prevSignal==false and signal==true, 1 ,iif(prevSignal==true and signal==false, -1, int())).prev().ffill() context by sym
return select sym,date,close,signal,position,position*(close - prevClose) as pnl from t2 where isValid(position)
}
DolphinDB 函数阐明:
_iif(condition, trueResult, falseResult):_如果满足条件 condition,则返回 trueResult,否则返回 falseResult。它相当于 if…else 语句,然而语法上更加简洁。
_int():_返回 int 类型的 NULL 值。
_prev(x):_把向量中的所有元素向右挪动一个地位。
_ffill(x):_应用 NULL 值前的非 NULL 元素填充向量中的 NULL 值。
_isValid():_查看每个元素是否为 NULL。如果为 NULL,返回 0,否则返回 1。
backtest 函数阐明:
回测时首先整顿数据,应用 prev()函数把前一天的收盘价格 prevClose 和前一天的 MA 信号 prevSignal 与当天的数据对齐,便于计算。
接着,依照咱们定义的交易算法,计算每个股票的头寸 position。position= 1 示意买入,position=- 1 示意卖出,position=NULL 示意放弃不变。
最初,应用 position*(close – prevClose)计算盈亏 pnl。
3. 止损回测
3.1 判断止损点
首先,定义函数 stoploss 判断是否须要止损。该函数返回布尔类型的向量。
def stoploss(ret, threshold){cumret = cumprod(1+ret)
drawDown = 1 - cumret / cumret.cummax()
firstCutIndex = at(drawDown >= threshold).first() + 1
indicator = take(false, ret.size())
if(isValid(firstCutIndex) and firstCutIndex < ret.size())
indicator[firstCutIndex:] = true
return indicator
}
DolphinDB 内置函数阐明:
_cumprod:_计算累计乘积。
_cummax:_计算累计最大值。
_at(x):_x 是布尔表达式,找出符合条件 x 的元素的地位。
_first:_返回第一个元素。
_take(X, k):_返回蕴含 k 个 x 的向量。
stoploss 函数阐明:
首先计算累计回报率 cumret,接着计算以后回报率和累计最大回报率的回撤 drawdown,当回撤 drawdown 大于等于预设阈值 threshold 时,则认为该当止损,并记录止损的起始地位 firstCutIndex(因为到股市开盘时才晓得是否须要止损或止盈,所以 firstCutIndex 要加 1)。止损信号 indicator 的所有元素一开始设定为全是 false。如果止损的起始地位 firstCutIndex 不为 NULL,且不超过以后的数据量,则把止损信号 indicator 中从 firstCutIndex 开始到最初的所有元素设为 true,示意从 firstCutIndex 开始,都该当止损。
3.2 止损回测
回测时,将止损前后的盈亏进行比照。
def backtest_stoploss(t, thresholdDrawDown){t2 = select sym,date,close,prev(close) as prevClose,signal, prev(signal) as prevSignal from t context by sym
update t2 set position=iif(prevSignal==false and signal==true, 1 ,iif(prevSignal==true and signal==false, -1, int())).prev().ffill() context by sym
update t2 set pnl = position*(close - prevClose), ret = (close - prevClose)/prevClose
update t2 set stoplossInd = segmentby(stoploss{,thresholdDrawDown}, ret, position) context by sym
return select sym,date,close,signal,position,stoplossInd,pnl * stoplossInd as pnl, pnl as nostoplossPnl from t2 where isValid(position)
}
DolphinDB 函数阐明:
_segmentby(func, funcArgs, segment):_把 funcArgs 分成多个组,并把函数 func 利用到每个组中。segment 是一个向量,能够把它看作是分组计划,间断雷同的元素为一组。通过上面的例子咱们能够更好地了解 segmentby:
x=1 2 3 0 3 2 1 4 5
y=1 1 1 -1 -1 -1 1 1 1
segmentby(cumsum,x,y)
1 3 6 0 3 5 1 5 10
下面的例子中,y 定义了 3 个分组:1 1 1、-1 -1 -1 和 1 1 1,第一个分组的 index 是 0 -2,第二个分组的 index 是 3 -5,第三个分组的 index 是 6 -9。依照这个规定把 x 分成 3 组:1 2 3、0 3 2、1 4 5,并在每个分组中计算累计和。
stoploss{, thresholdDrawDown}这种表达方式是定义一个局部利用,用于固定 stoploss 的第二个参数 thresholdDrawDown。
backtest_stoploss 函数阐明:
前三行代码和 1.2 大致相同,除了计算盈亏 pnl 之外,还计算了回报率 ret,因为 stoploss 函数须要 ret 作为输出。接着把每个股票的回报率 ret 按阶段分组(position 中的元素间断多个 1 示意继续买入,间断多个 - 1 示意继续卖出,间断多个 NULL 示意继续不变),在每个阶段分组中判断是否须要止损,为每只股票生成止损信号 stoplossInd。最初计算止损前后的盈亏,止损前的盈亏为 nostoplossPnl,止损后的盈亏为 pnl。
4. 统计信息
通常状况下,咱们还须要剖析盈亏的统计信息。通过上面的自定义函数 calcPerformance 能够计算盈亏的统计信息,比方累计盈亏 cumpnl、均匀盈亏 avgpnl、盈亏天数 days、盈亏的标准差 std、最大回撤 maxDrawdown 等。返回的数据类型是字典。
def calcPerformance(pnl){result = dict(STRING, DOUBLE)
result[`cumpnl]= pnl.sum()
result[`avgpnl]= pnl.avg()
result[`days] = pnl.size()
result[`std]= pnl.std()
result[`maxDrawdown] = (pnl.cumsum().cummax() - pnl.cumsum()).max()
return result
}
5. 运行实例
咱们应用美国股市从 1998 年到 2016 年股票的每日交易信息作为数据集来进行测试。数据集共蕴含 3474 万条记录。
// 数据导入和数据处理,产生 stock 数据表,蕴含 sym, date, close 三个字段
...
// 计算每个股票每天的 MA 信号
t = select sym,date,close,maSignal(close, 50, 100) as signal from stock context by sym
状况一:不止损回测
// 不止损回测
positions = backtest(t)
// 计算盈亏并绘制盈亏走势图
dailyPnl = select sum(pnl) as pnl from positions group by date order by date
calcPerformance(dailyPnl.pnl)
plot(dailyPnl.pnl.cumsum() as cumulativePnl, dailyPnl.date, "Cumulative Pnl of All Stocks without Stop Loss Control")
// 剖析每只股票的盈亏信息
select calcPerformance(pnl) as `cumpnl`avgpnl`days`std`maxDrawdown from result group by sym
sym cumpnl avgpnl days std maxDrawdown
A 48.75 0.0108 4,513. 1.5895 106.55
AA 7.9625 0.0017 4,624. 1.131 119.75
...
不止损回测所有股票的盈亏走势图
状况二:止损回测。咱们把预设阈值设为 2.5%。
// 止损回测
positions = backtst_stoploss(t,0.025)
// 计算盈亏并绘制盈亏走势图
dailyPnl = select sum(pnl) as pnl from positions group by date order by date
calcPerformance(dailyPnl.pnl)
plot(dailyPnl.pnl.cumsum() as cumulativePnl, dailyPnl.date, "Cumulative Pnl of All Stocks with Stop Loss Control")
// 剖析每只股票的盈亏信息
select calcPerformance(pnl) as `cumpnl`avgpnl`days`std`maxDrawdown from result group by sym
sym cumpnl avgpnl days std maxDrawdown
A 58.2775 0.0129 4,513. 1.5731 102.125
AA 20.47 0.0044 4,624. 1.1126 110.8125
...
止损回测所有股票的盈亏走势图
DolphinDB database 尽管是一个通用的分布式时序数据库,但因为内置极其高效的多范式编程语言,开发效率十分高。如果回测不必思考止损,仅用了 3 行代码计算 MA 信号, 3 行代码进行回测。DolphinDB 的运行效率更是惊人,对美国股市 18 年的全副股票按日进行回测,不止损回测执行耗时仅 4 秒 多,止损回测仅 7 秒 多。
本文的目标是从技术上帮忙金融工程师应用 DolphinDB 疾速实现交易回测。文中采纳的各种参数,譬如长短线工夫,止损阈值,数据过滤的办法等等,只是起到演示的作用,并非实际中的最佳参数。