Python 向量化回測：動量與移動平均策略

– 9 分鐘閱讀

在量化交易中，回測是評估交易策略的關鍵步驟。傳統的逐筆回測方法效率低，容易出錯。向量化回測則利用向量運算的特性，大幅提升運算速度和效率。本文將介紹如何使用 Python 和 Pandas 函式庫實作向量化回測，並以動量策略和移動平均線策略為例，說明策略的構建、績效評估和引數最佳化。透過向量化操作，可以簡化程式碼，更有效率地計算策略的累積收益、最大回撤等指標，並繪製績效圖表，方便直觀地比較不同策略或引數下的績效差異。

使用SMA向量化回測器

# 建立SMA向量化回測器
backtester = SMAVectorBacktester('AAPL', 50, 200, '2020-01-01', '2022-12-31')

# 執行回測
strategy_perf, benchmark_perf = backtester.run_strategy()

# 繪製績效圖
import matplotlib.pyplot as plt

plt.plot(strategy_perf, label='SMA Strategy')
plt.plot(benchmark_perf, label='Benchmark')
plt.legend()
plt.show()

技術：移動平均線策略最佳化

引言

移動平均線（Moving Average, MA）是一種常用的技術分析指標，廣泛應用於金融市場的趨勢分析和交易策略中。移動平均線策略的最佳化是指尋找最適合的移動平均線引數，以達到最佳的投資回報。以下將介紹如何實作移動平均線策略的最佳化，包括資料準備、策略實作和引數最佳化。

資料準備

首先，需要準備好金融資料。這通常涉及從資料函式庫或API中下載歷史價格資料。以下是使用Pandas函式庫從CSV檔案中讀取資料的示例：

import pandas as pd

def get_data(self):
    ''' Retrieves and prepares the data.
    '''
    self.data = pd.read_csv('data.csv', index_col=0, parse_dates=True).dropna()

策略實作

移動平均線策略的核心思想是比較短期和長期移動平均線的交叉點，以判斷買入或賣出的時機。以下是策略的基本實作：

def calculate_sma(self):
    ''' Calculates the Simple Moving Average (SMA) for the given symbol.
    '''
    self.data['SMA1'] = self.data['Close'].rolling(window=self.SMA1).mean()
    self.data['SMA2'] = self.data['Close'].rolling(window=self.SMA2).mean()

策略最佳化

最佳化移動平均線策略的目的是找到最適合的短期和長期移動平均線引數，以達到最佳的投資回報。以下是使用暴力搜尋（Brute Force）演算法實作引數最佳化的示例：

def optimize_parameters(self):
    ''' Implements a brute force optimization for the two SMA parameters.
    '''
    best_sma1 = None
    best_sma2 = None
    best_performance = -float('inf')
    
    for sma1 in range(1, 100):
        for sma2 in range(sma1+1, 100):
            self.SMA1 = sma1
            self.SMA2 = sma2
            performance = self.update_and_run()
            if performance > best_performance:
                best_performance = performance
                best_sma1 = sma1
                best_sma2 = sma2
                
    return best_sma1, best_sma2

結果評估

最後，需要評估最佳化後的策略績效。以下是使用Matplotlib函式庫繪製策略績效圖的示例：

import matplotlib.pyplot as plt

def plot_results(self):
    ''' Plots the performance of the strategy compared to the symbol.
    '''
    plt.plot(self.data['Close'], label='Close')
    plt.plot(self.data['SMA1'], label='SMA1')
    plt.plot(self.data['SMA2'], label='SMA2')
    plt.legend()
    plt.show()

圖表翻譯：

此圖表展示了移動平均線策略的績效，包括短期和長期移動平均線的走勢。圖表可以用於評估策略的有效性和最佳化的結果。

技術分析：移動平均線策略

在金融市場中，移動平均線（Moving Average, MA）是一種常用的技術指標，用於分析市場趨勢和預測未來走勢。移動平均線策略是一種根據移動平均線的交易策略，透過比較不同週期的移動平均線來判斷市場趨勢。

資料準備

首先，我們需要準備資料。假設我們有一個 DataFrame raw，包含了股票的歷史價格資料。我們可以使用 Pandas 將資料過濾和重新命名，以便於分析。

import pandas as pd
import numpy as np

raw = pd.DataFrame(raw[self.symbol])
raw = raw.loc[self.start:self.end]
raw.rename(columns={self.symbol: 'price'}, inplace=True)

計算收益率和移動平均線

接下來，我們需要計算股票的收益率和移動平均線。收益率可以使用自然對數計算，移動平均線可以使用 rolling 函式計算。

raw['return'] = np.log(raw / raw.shift(1))
raw['SMA1'] = raw['price'].rolling(self.SMA1).mean()
raw['SMA2'] = raw['price'].rolling(self.SMA2).mean()

設定引數和執行策略

現在，我們需要設定移動平均線的引數和執行策略。假設我們有一個 set_parameters 函式，用於更新移動平均線的引數和相應的時間序列。

def set_parameters(self, SMA1=None, SMA2=None):
    if SMA1 is not None:
        self.SMA1 = SMA1
        self.data['SMA1'] = self.data['price'].rolling(self.SMA1).mean()
    if SMA2 is not None:
        self.SMA2 = SMA2
        self.data['SMA2'] = self.data['price'].rolling(self.SMA2).mean()

接下來，我們需要執行策略。假設我們有一個 run_strategy 函式，用於回測交易策略。

def run_strategy(self):
    data['position'] = np.where(data['SMA1'] > data['SMA2'], 1, -1)
    data['strategy'] = data['position'].shift(1) * data['return']
    data.dropna(inplace=True)
    data['creturns'] = data['return'].cumsum().apply(np.exp)
    data['cstrategy'] = data['strategy'].cumsum().apply(np.exp)
    self.results = data

績效評估

最後，我們需要評估策略的績效。假設我們有一個 aperf 變數，用於計算策略的綜合績效。

aperf = data['cstrategy'].iloc[-1]

圖表翻譯：

此圖示移動平均線策略的績效評估過程。圖中展示了移動平均線的計算、策略的執行和績效的評估。移動平均線的計算使用了 rolling 函式，策略的執行使用了 run_strategy 函式，績效的評估使用了 aperf 變數。

  flowchart TD
    A[資料準備] --> B[計算收益率和移動平均線]
    B --> C[設定引數和執行策略]
    C --> D[執行策略]
    D --> E[績效評估]
    E --> F[結果輸出]

交易策略績效分析與最佳化

在評估交易策略的績效時，需要考慮多個因素，包括策略的累積回報、基準回報以及超額回報。以下是如何計算這些指標的示例：

def calculate_performance(self):
    # 計算累積回報
    aperf = self.results['cstrategy'].iloc[-1]
    # 計算基準回報
    creturns = self.results['creturns'].iloc[-1]
    # 計算超額回報
    operf = aperf - creturns
    return round(aperf, 2), round(operf, 2)

結果視覺化

為了更好地理解策略的績效，視覺化是非常重要的。以下是如何繪製累積回報的圖表：

def plot_results(self):
    # 檢查是否有結果需要繪製
    if self.results is None:
        print('No results to plot yet. Run a strategy.')
    else:
        # 繪製累積回報圖
        title = '%s | SMA1=%d, SMA2=%d' % (self.symbol, self.SMA1, self.SMA2)
        self.results[['creturns', 'cstrategy']].plot(title=title, figsize=(10, 6))

引數最佳化

最佳化交易策略的引數是提高績效的關鍵一步。以下是如何更新SMA引數並執行策略的示例：

def update_and_run(self, SMA):
    # 更新SMA引數
    self.set_parameters(int(SMA[0]), int(SMA[1]))
    # 執行策略並傳回績效
    return -self.run_strategy()[0]

全域性最大化

找到SMA引數的全域性最大值是最佳化的最終目標。以下是如何實作的示例：

def optimize_parameters(self, SMA1_range, SMA2_range):
    # 實作最佳化演算法以找到全域性最大值
    # ...
    # 傳回最佳SMA引數
    return best_SMA

混合語言實作

在實際應用中，可能需要混合使用不同的語言來實作交易策略的最佳化。例如，使用Rust進行資料採集，Mojo進行資料轉換，Python進行AI分析：

# 混合語言 AI Agent - 3 行極簡版
from rust_io import read_sensors          # Rust 資料採集
from mojo_compute import transform_data   # Mojo 計算
from transformers import pipeline         # Python & HuggingFace
# 混合處理流程: Rust採集 -> Mojo處理 -> Python推理
device_data = read_sensors("TRADING_DEVICE")  # Rust部分
processed_data = transform_data(device_data)  # Mojo部分
anomaly_result = pipeline("anomaly-detection", model="trading/transformer")(processed_data)  # Python+HF部分

這種混合語言的方法可以充分發揮每種語言的優勢，提高交易策略的效率和準確性。

Momentum 策略的向量化回測

引言

在演算法交易中， Momentum 策略是一種常見的技術分析方法，根據資產的歷史價格變化來預測未來的走勢。為了評估這種策略的效果，我們可以使用向量化回測的方法。

Momentum 回測類別

以下是 Python 中實作的 Momentum 策略向量化回測類別：

import numpy as np
import pandas as pd

class MomentumBacktester:
    def __init__(self, symbol, start_date, end_date, momentum_period):
        """
        初始化 Momentum 回測類別。

        Parameters:
        symbol (str): 資產符號。
        start_date (str): 起始日期。
        end_date (str): 結束日期。
        momentum_period (int): Momentum 期間。
        """
        self.symbol = symbol
        self.start_date = start_date
        self.end_date = end_date
        self.momentum_period = momentum_period
        self.data = self.load_data()

    def load_data(self):
        """
        載入歷史價格資料。
        """
        # 載入資料...
        return pd.read_csv(f"{self.symbol}.csv", index_col="Date", parse_dates=["Date"])

    def calculate_momentum(self):
        """
        計算 Momentum 值。
        """
        self.data["Momentum"] = self.data["Close"].diff(self.momentum_period)

    def run_strategy(self):
        """
        執行 Momentum 策略。
        """
        self.calculate_momentum()
        # 根據 Momentum 值進行買賣決策...
        return self.data

    def optimize_parameters(self, param_range):
        """
        最佳化 Momentum 期間引數。
        """
        # 使用最佳化演算法找到最佳的 Momentum 期間...
        return self.run_strategy()

例子

if __name__ == '__main__':
    momentum_bt = MomentumBacktester("EUR=", "2010-1-1", "2020-12-31", 20)
    print(momentum_bt.run_strategy())

    momentum_bt.set_parameters(momentum_period=30)
    print(momentum_bt.run_strategy())
    print(momentum_bt.optimize_parameters((20, 50, 10)))

動量投資策略的向量化回測

在金融投資中，動量投資策略是一種根據資產過去表現的投資方法。這類策略的核心思想是，表現良好的資產在未來仍將繼續表現良好，而表現不佳的資產則可能會繼續表現不佳。為了評估這類策略的有效性，需要進行回測。

回測的重要性

回測是評估投資策略的重要步驟。透過回測，可以評估策略在過去的市場環境下的表現，從而對其在未來的可能表現有所瞭解。然而，傳統的回測方法往往存在效率低下和容易出錯的問題。

向量化回測

為瞭解決傳統回測方法的缺陷，向量化回測應運而生。向量化回測使用資料結構和運算來實作高效的回測。這種方法可以快速處理大量資料，減少計算時間和出錯的可能性。

Python 實作向量化回測

以下是使用 Python 實作向量化回測的示例：

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

class MomVectorBacktester:
    def __init__(self, symbol, start, end, amount, tc):
        self.symbol = symbol
        self.start = start
        self.end = end
        self.amount = amount
        self.tc = tc

    def get_data(self):
        # 從資料函式庫或其他來源取得資料
        data = pd.read_csv('data.csv', index_col='Date', parse_dates=['Date'])
        return data

    def run_strategy(self):
        # 取得資料
        data = self.get_data()

        # 計算動量指標
        data['momentum'] = data['Close'].pct_change()

        # 根據動量指標進行買賣判斷
        data['signal'] = np.where(data['momentum'] > 0, 1, 0)

        # 計算交易成本
        data['cost'] = self.tc * np.abs(data['signal'].diff())

        # 計算投資收益
        data['return'] = data['Close'].pct_change() * data['signal'].shift(1)

        # 計算累積收益
        data['cum_return'] = (1 + data['return']).cumprod()

        return data

    def plot_results(self):
        # 取得結果
        result = self.run_strategy()

        # 繪製累積收益圖
        plt.plot(result['cum_return'])
        plt.title('Cumulative Return')
        plt.xlabel('Time')
        plt.ylabel('Return')
        plt.show()

# 建立例項
backtester = MomVectorBacktester('AAPL', '2020-01-01', '2022-12-31', 10000, 0.005)

# 執行回測
result = backtester.run_strategy()

# 繪製結果
backtester.plot_results()

這個示例展示瞭如何使用 Python 實作向量化回測。首先，定義一個 MomVectorBacktester 類，該類包含了資料取得、策略執行和結果繪製的方法。然後，建立一個例項並執行回測，最後繪製累積收益圖。

建立交易策略基礎

在進行交易策略的開發之前，瞭解基本的資料結構和資料準備是非常重要的。以下是建立交易策略基礎的步驟，包含了資料的讀取、清理和基本的技術指標計算。

資料讀取和清理

首先，我們需要讀取股票的歷史交易資料。這可以使用 pandas 這個 Python 函式庫來完成，特別是使用 read_csv 函式從 CSV 檔案中讀取資料。假設我們有一個名為 stock_data.csv 的檔案，其中包含了股票的交易記錄。

import pandas as pd
import numpy as np

# 讀取股票資料
raw = pd.read_csv('stock_data.csv', index_col=0, parse_dates=True).dropna()

接下來，我們需要篩選出特定股票的資料，並計算每日的收益率。

# 篩選出特定股票的資料
raw = pd.DataFrame(raw['AAPL'])  # 以 AAPL 股票為例

# 計算每日的收益率
raw.rename(columns={'AAPL': 'price'}, inplace=True)
raw['return'] = np.log(raw['price'] / raw['price'].shift(1))

技術指標計算

在進行交易策略的開發時，技術指標是一個非常重要的工具。以下是計算移動平均線（MA）和相對強弱指標（RSI）的例子。

# 計算移動平均線（MA）
def calculate_ma(data, window):
    return data['price'].rolling(window=window).mean()

# 計算相對強弱指標（RSI）
def calculate_rsi(data, window):
    delta = data['price'].diff(1)
    up, down = delta.copy(), delta.copy()
    up[up < 0] = 0
    down[down > 0] = 0
    roll_up = up.rolling(window).mean()
    roll_down = down.rolling(window).mean().abs()
    RS = roll_up / roll_down
    RSI = 100.0 - (100.0 / (1.0 + RS))
    return RSI

# 範例使用
raw['MA_50'] = calculate_ma(raw, 50)
raw['RSI_14'] = calculate_rsi(raw, 14)

交易策略開發

有了以上的基礎資料和技術指標後，就可以開始開發交易策略了。以下是一個簡單的移動平均線交叉策略的例子。

def run_strategy(data, short_window, long_window):
    signals = pd.DataFrame(index=data.index)
    signals['signal'] = 0.0
    
    signals['signal'] = np.where(data['MA_' + str(short_window)] > data['MA_' + str(long_window)], 1.0, 0.0)
    
    return signals

# 範例使用
signals = run_strategy(raw, 50, 200)

這個例子展示瞭如何使用移動平均線交叉策略來產生買賣訊號。當短期移動平均線上穿過長期移動平均線時，產生買入訊號；當短期移動平均線下穿過長期移動平均線時，產生賣出訊號。

技術分析：動量策略的實作和績效評估

動量策略的核心思想

動量策略是一種根據市場趨勢的投資方法，主要依靠股票或資產的過去表現來預測未來的走勢。這種策略的核心思想是，當一檔股票或資產的價格在一定期間內呈現上升趨勢時，投資者可以認為這種趨勢會在短期內繼續，從而進行買入操作。相反，如果價格呈現下降趨勢，投資者就會進行賣出操作。

實作動量策略的關鍵步驟

  1. 資料準備：收集股票或資產的歷史價格資料。
  2. 動量計算：計算股票或資產在一定期間內的平均收益率，通常使用滾動平均值來計算動量。
  3. 買賣訊號生成：根據動量的正負決定買入或賣出訊號。
  4. 交易成本考慮：在買賣時考慮交易成本對收益的影響。

實作動量策略的Python程式碼

import numpy as np
import pandas as pd

class MomentumStrategy:
    def __init__(self, symbol, momentum, tc, amount):
        self.symbol = symbol
        self.momentum = momentum
        self.tc = tc
        self.amount = amount

    def calculate_momentum(self, data):
        # 計算動量
        data['position'] = np.sign(data['return'].rolling(self.momentum).mean())
        data['strategy'] = data['position'].shift(1) * data['return']

        # 判斷交易時機
        data.dropna(inplace=True)
        trades = data['position'].diff().fillna(0) != 0

        # 考慮交易成本
        data['strategy'][trades] -= self.tc
        data['creturns'] = self.amount * data['return'].cumsum().apply(np.exp)
        data['cstrategy'] = self.amount * data['strategy'].cumsum().apply(np.exp)

        return data

    def evaluate_performance(self, data):
        # 絕對績效
        aperf = data['cstrategy'].iloc[-1]
        # 相對績效
        operf = aperf - data['creturns'].iloc[-1]
        return round(aperf, 2), round(operf, 2)

    def plot_results(self, data):
        # 繪製累積績效圖
        title = '%s | TC = %.4f' % (self.symbol, self.tc)
        data[['creturns', 'cstrategy']].plot(title=title, figsize=(10, 6))

策略績效評估

  1. 絕對績效：評估策略的絕對收益。
  2. 相對績效：評估策略相對於基準收益的超額收益。

從商業價值視角來看，一套經過最佳化的移動平均線交易策略能幫助投資者提升獲利潛力。透過多維比較分析，我們可以看到，向量化回測方法相較於傳統回測方法，能更有效率地測試和最佳化策略引數，例如移動平均線的週期，從而找到最佳的投資組合。然而，技術限制深析顯示，移動平均線策略並非完美無缺。它依賴於歷史資料，對於突發的市場波動或黑天鵝事件的反應可能不夠靈敏。此外，策略的最佳引數也並非一成不變，需要根據市場環境的變化動態調整。

展望未來，隨著機器學習和人工智慧技術的發展，預計移動平均線策略將與更先進的技術融合，例如整合即時市場情緒分析或更複雜的預測模型，以提升策略的預測準確性和應變能力。同時，更精密的回測框架和工具也將出現，例如根據雲端運算的向量化回測平臺，讓投資者能更快速、更全面地評估策略的績效。玄貓認為，持續學習和應用新技術，並結合自身的投資經驗和市場判斷，才能將移動平均線策略的價值最大化。對於追求穩定收益的投資者，建議將移動平均線策略作為投資組閤中的一部分，並搭配其他策略和風險管理工具，以達到最佳的投資效益。

玄貓

玄貓

技術愛好者，專注於分享程式開發、雲端技術與 AI 應用的心得體會。