手把手教你使用【python】在京东量化平台完成简单策略回测

今天来教大家使用量化平台中Python的部分，完成一个简单的策略回测。

首先，回测界面是长这个样子的

可以看到，左半边的大部分区域是编辑代码的地方，开发环境会自动识别Python语言的关键词。在代码区上面的设置标志里面可以个性化调节开发环境的视觉效果。

Python的回测代码主要包括init()函数，handle_data()函数，以及其他用户自定义内容。如果在每天开盘前要进行额外的处理或计算，可选择添加before_trade()函数。

def init(context):
         # 这里用来写策略开始时要做什么
注释
其中，init()是初始化函数，可以设置基准，滑点，佣金等回测参数，也可以利用context自定义变量。在Python及大部分其他编程语言中，在局部变量只在该变量定义的函数体有效，在其他函数体内是无效的。而context被定义为一个局部变量，可以把内容在不同函数代码之间传导。该函数在回测开始时运行一次。    
def handle_data(context, data_dict):
         # 这里用来写每天开盘后要做什么，可以是计算，输出日志，或者下单

注释
handle_data()是每个交易时间点（分钟/日）时自动运行一次的函数，可以在此函数内设置交易判断和下单，是策略核心逻辑所在。    
 def before_trade(context):
         # 非强制，在这里写每天开盘之前要做什么，不可下单
 注释
用户可以按照Python语言规则定义其他函数，包括运算/数据处理函数，也可以通过task()函数设置自定义函数的执行频率和执行时间。

 III、编译策略代码

1、确定策略框架内容
举个栗子，用一个简单的策略为例来演示这个过程。
策略的内容是对贵州茅台（600519.SH）进行择时
如果前一天收益率大于沪深300收益率，则买入持仓
如果前一天收益率小于沪深300收益率，则不持仓。
只买卖一只股票操作是很简单的。首先，我们在init()函数里面设置我们的股票（贵州茅台（600519.SH））和比较标的（沪深300（000300.SH））：    
# init方法是您的初始化逻辑。context对象可以在任何方法之间传递。
def init(context):
    context.stock = '600519.SH'
    context.set_benchmark = '000300.SH'
注释
1）只要在“#”后面的内容都是注释，不会被Python编译
2）设置stock和set_benchmark对象时，一定要在前面加上“context.”，这样才能传递到之后的函数中。设置标的后，回测中的基准曲线和收益将采用设置的指数。
2、确认每个交易日的逻辑：
l 获取目标股票和标的的历史价格    
# 日或分钟或实时数据更新，将会调用这个方法
def handle_data(context, data_dict):
    price = get_history(2, '1d', 'close')[context.stock]
    priceBm = get_history(2, '1d', 'close')[context.set_benchmark]
注释
1）其中context.stock和context.set_benchmark都在init()函数中定义好了。
2）get_history()函数是京东量化平台封装的取历史交易数据的函数。其中“2”代表要取历史两天的数据，以便计算上个交易日的收益。“’1d’”和“'close’”分别表示数据频率为天，所需数据为收盘价。
3）返回的价格为pandas.Series类型。各个平台函数的使用方法可以查看帮助板块中的API文档。
l 定义收益率
为了方便计算收益率，自定义了一个CalRet()函数，输入连续两天的价格，计算第二天的收益率：    
def CalRet(price):
     r = (price[1] - price[0]) / price[0]
return r
注释
1）这段函数写在handle_data()之前。自定义函数编辑的语法符合Python语法即可。
2）这个函数会返回float类型的r。
l 计算目标股票和标的的收益率
我们回到handle_data()函数，利用刚刚定义的函数和获取的股票及指数价格计算收益率：    
 ytdRet = CalRet(price)
 bmRet = CalRet(priceBm)

注释

1）以上函数可以得到上个交易日股票的收益率ytdRet和指数收益率bmRet。

3、确认股票买入卖出的逻辑：
   如果ytdRet大于bmRet，则全仓买入平安银行股票，否则清仓
    
 if ytdRet > bmRet:
        order_target_percent(context.stock, 1)
    else:
        order_target_percent(context.stock, 0)
注释
1）order_target_percent()是量化平台编辑的下单函数，可以设置某个股票的仓位至一个百分比。
2）平台同样支持加减仓，用手数，金额等方式下单，详见API文档。
4、确认所有策略逻辑
以上，所有的策略逻辑就完成啦！    
def init(context):
    context.stock = '600519.SH'
    context.set_benchmark = '000300.SH'
 
def handle_data(context, data_dict):
    price = get_history(2, '1d', 'close')[context.stock]
    priceBm = get_history(2, '1d', 'close')[context.set_benchmark]
    ytdRet = CalRet(price)
    bmRet = CalRet(priceBm)
    if ytdRet > bmRet:
        order_target_percent(context.stock, 1)
    else:
        order_target_percent(context.stock, 0)
 
def CalRet(price):
    r = (price[1] - price[0]) / price[0]
    return r

完成简单的策略回测

现在，我们就完成了这个策略的设计。回测平台会自动按照这个逻辑，在回测区间内完成交易。
选定回测的时间区间。初始金额以及调仓频率，如下图

我们设置回测区间为2015年1月1日-2016年1月1日，初始金额为一百万，调仓频率为每天，点击“运行回测”。结果如下：

注释

1）回测：策略回测就是拿到证券市场历史的财务数据、行情数据，对现有的策略进行历史回测检验，通过回测结果来修正自己的策略，从而验证策略在过去市场的有效性以及稳定性。

2）回测输出结果

I、我们可以看到在回测区间内，策略和基准的净值曲线，每天盈亏，买卖等图像，以及回测的技术指标。同时可以查看相对收益，对数收益等。

II、在左边的交易详情，持仓和输出日志中可以看到回测中的具体情况，方便进行归因分析，调整策略等等，同时还可以查看历史回测记录。

III、我们可以看到，这个策略能够跑赢大盘。当然，这只是一个例子。

3）回测的评判

I、收益，回测收益和基准收益的对比，收益越高盈利能力越强

II、最大回撤，最大回撤要低，越低代表亏损幅度越低，策略越稳定

III、交易频率，点击交易详情可以查看策略交易的频次，频率越高，策略越稳定

III、把回测的策略发布到策略榜，还可以分析策略的晨星风格及收益归因分析，多角度的判断策略的好坏