交易回测系列一:技术信号回测

交易回测系列一:技术信号回测

本系列文章将会介绍如何使用DolphinDB进行交易回测。本文以移动平均线指标为例,介绍如何在DolphinDB中实现技术信号回测。移动平均线指标(Moving average,简称MA)属于趋势指标。在金融分析领域,移动平均线是不可缺少的指标工具。除了指示趋势,均线指标还能避免由于股价下跌错失清仓的机会,减少收益的损失,及时止损,也能避免股价上涨错失买入的实际,从而获得更高的收益。


回测过程中,我们考虑两种情况:不止损回测和止损回测。

数据表需要包含以下字段:

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,我们认为这是一个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

我们定义的交易算法如下:

假设前一天的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)如果不符合以上两种情况,则保持与前一天相同的头寸。

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函数说明:

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,但是语法上更加简洁。

int():返回int类型的NULL值。

prev(x):把向量中的所有元素向右移动一个位置。

ffill(x):使用NULL值前的非NULL元素填充向量中的NULL值。

isValid():检查每个元素是否为NULL。如果为NULL,返回0,否则返回1。


backtest 函数说明:

回测时首先整理数据,使用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,按照我们定义的交易算法,计算每个股票的头寸position。position=1表示买入,position=-1表示卖出,position=NULL表示保持不变。

最后,使用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判断是否需要止损。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内置函数说明:

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的元素的位置。

first:返回第一个元素。

take(X, k):返回包含k个x的向量。


stoploss 函数说明:

首先计算累计回报率cumret,接着计算当前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,则认为应当止损,并记录止损的起始位置firstCutIndex(由于到股市收盘时才知道是否需要止损或止盈,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。如果止损的起始位置firstCutIndex不为NULL,且不超过当前的数据量,则把止损信号indicator中从firstCutIndex开始到最后的所有元素设为true,表示从firstCutIndex开始,都应当止损。


3.2 止损回测

回测时,将止损前后的盈亏进行对比 。

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函数说明:

segmentby(func, funcArgs, segment):把funcArgs分成多个组,并把函数func应用到每个组中。segment是一个向量,可以把它看作是分组方案,连续相同的元素为一组。通过下面的例子我们可以更好地理解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

上面的例子中,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。按照这个规则把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部分应用,用于固定stoploss的第二个参数thresholdDrawDown。


backtest_stoploss 函数说明:

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函数需要ret作为输入。接着把每个股票的回报率ret按阶段分组(position中的元素连续多个1表示持续买入,连续多个-1表示持续卖出,连续多个NULL表示持续不变),在每个阶段分组中判断是否需要止损,为每只股票生成止损信号stoplossInd。最后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

通常情况下,我们还需要分析盈亏的统计信息。通过下面的自定义函数calcPerformance可以计算盈亏的统计信息,比如累计盈亏cumpnl、平均盈亏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

我们使用美国股市从1998年到2016年股票的每日交易信息作为数据集来进行测试。数据集共包含3474万条记录。

//数据导入和数据处理,产生stock数据表,包含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

情况一: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")

//分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


情况二:止损回测。我们把预设阈值设为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")

//分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 虽然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,开发效率非常高。如果回测不用考虑止损,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年的全部股票按日进行回测,不止损回测执行耗时仅4秒多,止损回测仅7秒多。


本文的目的是从技术上帮助金融工程师使用DolphinDB快速实现交易回测。文中采用的各种参数,譬如长短线时间,止损阈值,数据过滤的方法等等,只是起到演示的作用,并非实践中的最佳参数。


欢迎访问官网下载DolphinDB试用版

编辑于 2019-11-08

文章被以下专栏收录

    分布式时序数据库DolphinDB,适用于投资银行、对冲基金和交易所等金融机构的定量查询和分析。它可以快速构建基于历史数据的策略测试,以及基于实时数据的风险管理系统。本专栏将会详细讲解DolphinDB在量化金融中的应用。