订单类
当回测系统运行时，我们所开发的策略，会根据市场行情数据，生成相应的买入、卖出操作，这时就会产生订单。订单包括时间戳、交易标的代码、买卖操作、数量、价格、头寸等信息，产生订单后，会将订单提交给broker来进行处理，会进一步添加执行时间、交易价格、交易数量信息。我们这里先只处理市场价订单，其他类型订单，如限制、终止订单等，可以在这个基本系统上进行扩展。
class Order(object):
# 订单类型定义
OT_MARKET_ORDER = 1001 # 市价类型订单
# 订单状态定义
OS_ISSUED = 2001
OS_FILLED = 2002
def __init__(self, timestamp, symbol, quant, is_buy,
order_type=OT_MARKET_ORDER, price=0.0):
self.name = 'fas.bktr.Order'
self.timestamp = timestamp
self.symbol = symbol
self.quant = quant
self.is_buy = is_buy
self.order_type = order_type
self.price = price
self.order_state = Order.OS_ISSUED
self.filled_time = None
self.filled_price = 0.0
self.filled_quant = 0
- 第3行：定义订单类型常量之市价订单，后面如果我们要扩展系统，可以定义更多的订单类型；
- 第5、6行：定义订单状态常量，分别为订单生成和订单完成；
订单包括下单时间，是否是购买订单，下单价格（在具体执行时可能是市场的当前价格），下单数量（可能是市场上最大可满足的数量），当订单执行完成时，需要有订单完成时间，实际执行价格，实际完成数量等信息。
仓位
仓位维护我们当前的仓位和账户余额，已实现损益和未实现损益：
class Position(object):
def __init__(self):
self.name = 'fas.bktr.Position'
self.symbol = None
self.buy_quants, self.sell_quants, self.net_quants = 0, 0, 0
self.realized_pnl = 0.0
self.unrealized_pnl = 0.0
self.position_value = 0.0
def event_fill(self, timestamp, is_buy, quant, price):
if is_buy:
self.buy_quants += quant
else:
self.sell_quants += quant
self.net_quants = self.buy_quants - self.sell_quants
changed_value = quant * price * (-1 if is_buy else 1)
self.position_value += changed_value
if self.net_quants == 0:
self.realized_pnl = self.position_value
def update_unrealized_pnl(self, price):
if self.net_quants == 0:
self.unrealized_pnl = 0
else:
self.unrealized_pnl = price * self.net_quants + \
self.position_value
return self.unrealized_pnl
- 第5行：定义累计买入数量（股），累计卖出数量和持有数量；
- 第6行：已实现的损益，pnl代表profile and loss；
- 第7行：未实现的损益，通常是由于持有标的产生的；
- 第10~17行：以买入为例，增加累计买入数量和持有数量，资金变化量为负值，代表资金将减少；若为卖出时，增加累计卖出数量，减少持有数量，资金会增加；如果持有量为0时，则资金（position_value）就全部是已实现损益；
- 第21~27行：当持有标的价格变动时，未实现损益会发生变化。公式为当前资金再加上当前标的价格乘以持有数量；
策略
策略基类
我们编写回测平台的目的，就是要尽可能真实的测试我们的策略在市场环境下的表现，因此策略是回测系统的重要核心功能。我们在实际中，会根据不同的理论，开发不同的策略，因此我们先定一个策略的基类：
class Strategy(object):
def __init__(self):
self.name = 'fas.bktr.Strategy'
self.event_send_order = None
def event_tick(self, market_data):
pass
def event_order(self, order):
pass
def event_position(self, positions):
pass
def send_order(self, timestamp, symbol, is_buy, quant):
if self.event_send_order is not None:
order = Order(timestamp, symbol, quant, is_buy,
order_type=Order.OT_MARKET_ORDER,
price=0.0)
self.event_send_order(order)
- 第4行：定义订单发送事件响应函数；
- 第6行：还记得在MarketDataSource.start_market_simulation方法中，每个Tick时间点都会调用一个event_tick函数，这里就是这个函数的定义，因为这里是策略类的虚基类，因此该函数为空，需要具体的策略类给出具体的实现；
- 第9行：当订单状态发生变化时，回测系统会调用这个方法；
- 第12行：当仓位发生变化时，回测系统会调用这个方法；
- 第15~20行：生成订单，并将订单事件发布到系统中去；
具体策略类
具体的策略在具体的策略类中实现，在这里我们实现一个均值回归策略：
class MeanRevertingStrategy(Strategy):
def __init__(self, symbol, lookback_intervals=20,
buy_threshold=-1.5, sell_threshold=1.5):
super(MeanRevertingStrategy, self).__init__()
self.symbol = symbol
self.lookback_intervals = lookback_intervals
self.buy_threshold = buy_threshold
self.sell_threshold = sell_threshold
self.is_long, self.is_short = False, False
def event_position(self, positions):
if self.symbol in positions:
position = positions[self.symbol]
self.is_long = True if position.net_quants > 0 else False
self.is_short = True if position.net_quants <= 0 else False
def event_tick(self, market_data):
self.store_prices(market_data)
if len(self.prices) < self.lookback_intervals:
return
signal_value = self.calculate_z_score()
timestamp = market_data.get_tick_data().timestamp
if signal_value < self.buy_threshold:
self.on_buy_signal(timestamp)
elif signal_value > self.sell_threshold:
self.on_sell_signal(timestamp)
def store_prices(self, market_data):
tick_data = market_data.get_tick_data(self.symbol)
timestamp = tick_data.timestamp
self.prices.loc[timestamp, 'open'] = tick_data.open
self.prices.loc[timestamp, 'high'] = tick_data.high
self.prices.loc[timestamp, 'low'] = tick_data.low
self.prices.loc[timestamp, 'close'] = tick_data.close
self.prices.loc[timestamp, 'volume'] = tick_data.volume
self.prices.loc[timestamp, 'outstanding_share'] = tick_data.outstanding_share
self.prices.loc[timestamp, 'turnover'] = tick_data.turnover
def calculate_z_score(self):
self.prices = self.prices[-self.lookback_intervals:]
returns = self.prices['close'].pct_change().dropna()
z_score = ((returns - returns.mean())/returns.std())[-1]
return z_score
def on_buy_signal(self, timestamp):
if not self.is_long:
self.send_order(self.symbol, 100, True, timestamp)
def on_sell_signal(self, timestamp):
if not self.is_short:
self.send_order(self.symbol, 100, False, timestamp)
- 第2、3行：定义构造函数，lookback_intervals是向前看多少个时间点，buy_threshold为当收益率降低50%时，我们就买入该股票；sell_thrshold为当收益率涨50%时，我们就卖出该股票；
- 第11~15行：根据仓位类，当持有股票时，is_long为真，当不持有股票时，is_short为真；
- 第17~26行：保存价格信息，如果价格信息不够向前看的时间点数，则直接返回，什么都不做。否则计算信号量，当信号量跌破购买阈值buy_threshold时买入股票，当信号量涨破卖出阈值sell_threshold时，卖出股票；
- 第28~37行：保存价格信息；
- 第39~43行：取lookback_intervals长度的价格数据，用当天的收盘价减去昨日的收盘价，得到收益率序列returns，然后根据如下公式计算信号量：
z = r − μ σ z = \frac{r - \mu}{\sigma} z=σr−μ
其中r为收益率， μ \mu μ为收益率均值， σ \sigma σ为收益率标准差； - 第45~47行：当触发买入条件时，发送买入订单；
- 第49~51行：当触发卖出条件时，发送卖出订单；
在有了上述基础类之后，我们将在下一篇博文中完善我们的回测引擎类，执行一次完整的回测过程。我们目前的回测系统，实际上还不是很真实，因为在实际交易中，还需要交手续费、过户费、印花税等，我们将在后面博文中引入Broker类，来处理这些业务逻辑。由于我们的策略都是有风险的，因此我们需要在我们回测系统中，加入风控模块，这将在我们最后一篇博文中加以介绍。
来源：oschina
链接：https://my.oschina.net/u/4366887/blog/4486223