本人看法，也就比excel高級一點，距離backtrader這些框架又差一點。做最基礎的測試可以，如果后期加入加倉功能，或者是止盈止損等功能，很不合適。只能做最簡單的技術指標測試。所以別太當回事。

導包，常用包導入：

import os import akshare as ak import requests import numpy as np import pandas as pd import matplotlib.pyplot as plt import talib as ta %matplotlib inline plt.style.use("ggplot")

獲取數據，本文使用akshare中債券數據為對象分析：

bond_zh_hs_daily_df = ak.bond_zh_hs_daily(symbol="sh010107")

添加指標：

def backtest_trend_strategy(ohlc: pd.DataFrame,fast_period: int = 50,slow_period: int = 200,threshold: float = 1.0) -> pd.DataFrame:"""封裝向量化回測的邏輯"""# 計算指標ohlc["fast_ema"] = talib.EMA(ohlc.close, fast_period)ohlc["slow_ema"] = talib.EMA(ohlc.close, slow_period)ohlc["pct_diff"] = (ohlc["fast_ema"] / ohlc["slow_ema"] - 1) * 100# 生成信號，1表示做多，-1表示做空，0表示空倉ohlc["signal"] = np.where(ohlc["pct_diff"] > threshold, 1, 0)ohlc["signal"] = np.where(ohlc["pct_diff"] < -threshold, -1, ohlc["signal"])# 計算策略收益率ohlc["returns"] = np.log(ohlc["close"] / ohlc["close"].shift(1))ohlc["strategy"] = ohlc["signal"].shift(1) * ohlc["returns"]ohlc["strategy_returns"] = ohlc["strategy"].cumsum()return ohlc

運行策略，并繪制圖片：

data = strategy1(data)fig, ax = plt.subplots(nrows=3, ncols=1, figsize=(12, 15), sharex=True)ax[0].plot(data.index, data["close"]) ax[0].plot(data.index, data["fast_ema"]) ax[0].plot(data.index, data["slow_ema"]) ax[0].set_title("Price and Indicators")ax[1].plot(data.index, data["signal"]) ax[1].set_title("Strategy Position")data[["returns", "strategy"]].cumsum().plot(ax=ax[2], title="Strategy Return")

?參數優化：

# 選擇核心參數和掃描區間，其它參數保持不變 fast_period_rng = np.arange(5, 101, 5)total_return = [] for fast_period in fast_period_rng:ohlc = data.filter(["open", "high", "low", "close"])res = backtest_trend_strategy(ohlc, fast_period, 200, 1.0)total_return.append(res["strategy_returns"].iloc[-1])# 散點圖：策略收益率 vs 快速均線回溯期 fig, ax = plt.subplots(figsize=(12, 7)) ax.plot(fast_period_rng, total_return, "r-o", markersize=10) ax.set_title("Strategy Return vs Fast period") ax.set_xlabel("fast_period") ax.set_ylabel("return(%)")

總結

以上是生活随笔為你收集整理的使用pandas进行量化回测（akshare）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。