量化回测框架、投资组合优化器以及单因子测试模块

目录

1. 简介
2. 模块详解
   • 回测框架
   • 投资组合优化器
   • 单因子测试
3. 数据流与执行流程
4. 指标与结果分析
5. 使用方法与示例
6. 未来改进方向
7. 总结

---

简介

量化投资回测框架，包含回测框架、投资组合优化器和单因子测试三个模块。通过该框架，用户仅需提供因子数据，即可完成完整的回测流程，并对策略进行深入分析。框架支持并行计算，能够在大数据量的情况下快速运行。下面的内容比较模糊，建议点进ipynb文件看一下输出图片，或者运行一下试一下，框架粗糙，还有太多可改进之处，非常欢迎大家一起来体验使用，参与改进，量化学习不应该闭门造车、讳莫如深，愿和CS、AI领域一样有开源的精神。

---

模块详解

回测框架

回测框架作为核心模块，整合了投资组合优化器，同时也是单因子测试模块的基础，封装了一套完整的策略回测流程。

主要功能：

• 策略回测：根据优化后的权重数据，执行交易，计算策略绩效。
• 集成优化：内置投资组合优化器，支持直接输入因子数据进行优化和回测。
• 资金管理：处理资金分配、持仓管理、交易成本计算等。
• 止盈止损策略：支持多种止盈止损方法，如固定比例、移动均线、ATR 等。
• 结果展示：提供绘制净值曲线、收益分布等功能。
• 数据保存：支持将回测结果、交易记录等保存为文件，便于后续分析。

主要参数：

Simultrading(
    start_date,                  # 回测开始日期，格式 'YYYY-MM-DD'
    end_date,                    # 回测结束日期，格式 'YYYY-MM-DD'
    stamp_duty=0.0003,           # 印花税费率
    brokerage_commission=0.0005, # 券商佣金费率
    start_value=1e+6,            # 初始资金
    rebalance_df=None,           # 调仓数据，包含权重
    close_df=None,               # 收盘价数据
    strategy_name='',            # 策略名称
    benchmark=None,              # 基准指数代码或数据
    optimization={},             # 优化参数配置
    TP_SL={}                     # 止盈止损参数配置
)

参数含义及使用方式：

• start_date / end_date：指定回测的时间范围。
• stamp_duty / brokerage_commission：设置交易成本，印花税卖出时收取，佣金双向收取，如有其他税费也可通过设定这两个参数模拟。
• start_value：初始资金量。
• rebalance_df：最重要的df，包含调仓日期和对应股票权重的数据。格式为双索引('date','stock_code')，列名为'factor','weight'(若未提供weight列，将根据输入的optimization参数（包括优化目标选股数量等）进行优化生成。
• close_df：股票的收盘价数据，索引为'date'，列名为股票代码。
• strategy_name：策略名称，便于结果命名和识别。
• benchmark：基准指数（如'HS300'），用于计算超额收益或优化最小跟踪误差等。
• optimization：优化器参数，详见投资组合优化器。
• TP_SL：止盈止损策略配置。

运行速度：

• 三年数据量：M1Pro 约 12 秒完成回测（日频）若需组合优化则约 19 秒，具体时间取决于数据量和计算机性能。

投资组合优化器

该模块用于根据因子数据和市场数据，对投资组合进行优化，计算每只股票的持仓权重。

主要功能：

• 股票选择：基于因子值，选择符合条件的股票构建投资组合。
• 目标优化：支持多种优化目标，如最大夏普比率、最小方差、风险平价等。
• 权重计算：使用优化算法计算最优权重。
• 自动集成：可与回测框架集成，仅需提供因子数据即可完成优化和回测。

主要参数：

PortfolioOptimizer(
    close_df,                   # 收盘价数据 同上
    rebalance_df,               # 因子数据 有且仅有'factor'列 其余同上
    benchmark_close=None,       # 基准指数收盘价数据 单索引'date' 单列
    risk_aversion=1.0           # 风险厌恶系数
)

• close_df：股票收盘价数据，索引为日期，列名为股票代码。
• rebalance_df：调仓因子数据，索引为日期和股票代码，包含因子值。
• benchmark_close：基准指数收盘价数据，可用于相对指标的优化。
• risk_aversion：风险厌恶系数，控制收益与风险的权衡。

优化方法：

optimize_weight(
    target='EqualWeight',       # 优化目标
    weight_bounds=(0, 1),       # 单支股票权重上下限
    regularization=None,        # 正则化参数 避免优化结果过于极端
    count=250                   # 估计均值协方差所用的历史数据长度
)

• target：优化目标，包括：
  • 'EqualWeight'：等权重
  • 'MinVariance'：最小方差
  • 'MaxSharpeRatio'：最大夏普比率
  • 'RiskParity'：风险平价
• weight_bounds：权重的上下限，默认在 [0, 1] 之间。
• regularization：正则化参数。
• count：计算协方差矩阵的历史数据长度。

运行速度：

• 三年数据量：约 7 秒完成优化。

单因子测试

用于评估因子的有效性，包括计算因子 IC、分层收益、绘制图表等。

主要功能：

• 因子检验：计算因子与未来收益的相关性（IC）。
• 分层回测：将股票按因子值分层，测试不同层级的收益表现。
• 多周期分析：支持多种调仓周期（如每日、每周、每月）。
• 多线程并行：利用多线程技术，加速计算过程。
• 多空、多头策略：支持多空组合、仅多头组合的收益分析。

主要参数：

FactorTester(
    factor_df,                 # 因子数据
    close_df                   # 收盘价数据
)

• factor_df：因子数据，索引为日期和股票代码。
• close_df：股票收盘价数据。

测试方法：

single_factor = single_factor_test(
    num_layer = 5, #分层数量
    end_date = None, #测试结束时间
    start_date = None, #测试开始时间
    periods= (1,5,10,20), # 调仓周期
    factor_df = pd.DataFrame(df_lstm.iloc[:,0]) , #因子数据dataframe 要求双索引 level0是date level1是stock_code 有唯一的因子值列
    close_df = df_close  ,# 股票收盘价数据 要求列名形式为'000000.XSHG'（与rebalance_df保持一致即可） index为‘date’ 建议后向填充一下 不填充的话更真实
    percent_ls = 0.1, #多空测试取因子值在前后10%百分比的股票
    factor_name= 'LSTM') #测试因子名称
single_factor.show_performance()

• num_layers：将股票按因子值等分为几层。
• periods：指定调仓周期。

运行速度：

• 三年数据量：分五层 四个调仓周期 启用多线程约 33 秒完成测试。

---

数据流与执行流程

数据准备

1. 收盘价数据 close_df：获取股票的历史收盘价数据，索引为日期，列名为股票代码。
2. 因子数据 rebalance_df：生成或获取股票在调仓日的因子值，索引为日期和股票代码。

回测流程

1. 初始化回测框架：提供必要的数据和参数。如仅提供因子数据，框架将自动调用优化器生成权重。
2. 每日迭代：
   • 调仓日：
     • 计算目标持仓权重。
     • 执行交易，更新持仓和现金。
   • 非调仓日：
     • 根据市场价格更新持仓市值。
     • 执行止盈止损策略。
3. 结果输出：
   • 生成每日净值、累计收益率等指标。
   • 提供绘图和数据保存功能。

单因子测试流程

1. 数据预处理：对因子数据进行去极值、标准化等处理。
2. 分层测试：
   • 将股票按因子值排序，等分为指定层数。
   • 根据调仓周期，计算各层级的平均收益。
3. 结果分析：
   • 计算因子 IC、ICIR 等指标。
   • 绘制多空组合、各层级累计收益曲线等图表。

---

指标与结果分析

主要指标：

• 累计收益率：策略在回测期间的总收益。
• 年化收益率：将累计收益率换算成年化形式。
• 最大回撤：历史最大净值回撤比例。
• 夏普比率：风险调整后的收益指标。
• 信息系数（IC）：因子值与未来收益率的相关性。
• ICIR：IC 的信息比率，衡量因子稳定性。

图表描述：

• 净值曲线：展示策略净值随时间的变化。
• 回撤曲线：显示策略的历史回撤情况。
• 分层收益曲线：比较不同层级的累计收益。
• IC 时序图：展示因子 IC 的时间变化。

---

使用方法与示例

数据准备

收盘价数据 close_df：

import pandas as pd

close_df = pd.read_csv('close_prices.csv', index_col='date', parse_dates=True)

因子数据 rebalance_df：

rebalance_df = pd.read_csv('factor_data.csv', index_col=['date', 'stock_code'])

回测执行

from backtesting_framework import Simultrading

# 初始化回测框架
backtest = Simultrading(
    start_date='2020-01-01',
    end_date='2022-12-31',
    close_df=close_df,
    rebalance_df=rebalance_df,
    optimization={
        'target': 'MaxSharpeRatio',
        'percent': 0.1,
        'risk_aversion': 1.0
    },#优化参数 如已有权重则不起作用
    TP_SL={
        'method': 'fixed_ratio',
        'up_pct': 0.1,
        'down_pct': 0.05
    }#止盈止损参数 可选
)

# 运行回测
backtest.run_backtest()

# 展示结果
backtest.plot_results()

# 保存结果
backtest.save('my_strategy_results.csv')

单因子测试

from factor_testing import single_factor_test

single_factor = single_factor_test(
    num_layer = 5, 
    end_date = None,
    start_date = None,
    periods= (1,5,10,20), # 周期分别对应日频周频月频
    factor_df = pd.DataFrame(df_lstm.iloc[:,0]) , #因子数据dataframe 要求双索引 level0是date level1是stock_code 有唯一的因子值列
    close_df = df_close  ,# 股票收盘价数据 要求列名形式为'000000.XSHG'（与rebalance_df保持一致） index为‘date’ 建议后向填充一下 不填充的话更真实
    percent_ls = 0.1,
    factor_name= 'LSTM')
single_factor.show_performance()

---

未来改进方向

• 引入更多优化算法：支持机器学习和深度学习方法的组合优化。
• 完善交易成本模型：考虑滑点和市场冲击，提升回测的真实度。
• 丰富风险管理策略：增加动态止盈止损、风险预算等功能。
• 增强数据兼容性：支持更多数据格式和来源。
• 优化计算性能：利用 GPU 加速和更多并行技术，提升运行速度。
• 模块化设计：提高代码的可扩展性，方便用户二次开发。

---

总结

本项目整合了回测框架、投资组合优化器和单因子测试三个核心模块，提供了一套高效、易用的量化投资工具。用户仅需提供必要的数据，即可完成从策略生成、优化到回测的完整流程。通过支持并行计算和丰富的功能配置，框架在保证运行速度的同时，提供了灵活性和可扩展性，助力用户更快地实现策略开发与验证。

---