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 5y=1 1 1 -1 -1 -1 1 1 1segmentby(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 datecalcPerformance(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 symsym    cumpnl    avgpnl    days    std    maxDrawdownA    48.75    0.0108    4,513.    1.5895    106.55AA    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 datecalcPerformance(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 symsym    cumpnl    avgpnl    days    std    maxDrawdownA    58.2775    0.0129    4,513.    1.5731    102.125AA    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。