回测
Ptrade回测模式下获取实时的分钟数据：只能使用handle_data，数据不能用get_snapshot
Ptrade • 李魔佛 发表了文章 • 0 个评论 • 350 次浏览 • 2024-09-21 17:32
好久没有使用Ptrade做分钟级别的回测了。
发现有点蛋疼，记录一下。
因为回测模式下，不能使用run_interval 函数；
而run_daily模式，只能在固定时间运行，无法分钟级别。
所以只能使用 handle_data
而在handle_data 里面获取当前的分钟价格数据，也无法使用 get_snapshot ，get_gear_price,函数。
所以只能使用handle_data(Context,data) 里面的data里。
而handle_data 里面的data数据，使用方法如下：
import datetime
target_list = [
'600000.SS',
'000333.SZ'
]
def execution(context, data):
now = context.current_dt.strftime('%H:%M')
for code in target_list:
tick_info = data[code]
price = tick_info['price']
print('now: {} code : {} price:{}'.format(now,code ,price))
# 标准
def initialize(context):
log.info("公众号：可转债量化分析 ---- start ----")
def handle_data(context, data):
execution(context, data)
获取数据结果：2024-09-20 14:42:00 - INFO - now: 14:42 code : 000333.SZ price:66.22
2024-09-20 14:43:00 - INFO - now: 14:43 code : 000333.SZ price:66.26
2024-09-20 14:44:00 - INFO - now: 14:44 code : 000333.SZ price:66.19
2024-09-20 14:45:00 - INFO - now: 14:45 code : 000333.SZ price:66.2
2024-09-20 14:46:00 - INFO - now: 14:46 code : 000333.SZ price:66.19
2024-09-20 14:47:00 - INFO - now: 14:47 code : 000333.SZ price:66.18
2024-09-20 14:48:00 - INFO - now: 14:48 code : 000333.SZ price:66.14
2024-09-20 14:49:00 - INFO - now: 14:49 code : 000333.SZ price:66.25
2024-09-20 14:50:00 - INFO - now: 14:50 code : 000333.SZ price:66.19
2024-09-20 14:51:00 - INFO - now: 14:51 code : 000333.SZ price:66.18
2024-09-20 14:52:00 - INFO - now: 14:52 code : 000333.SZ price:66.19
2024-09-20 14:53:00 - INFO - now: 14:53 code : 000333.SZ price:66.2
2024-09-20 14:54:00 - INFO - now: 14:54 code : 000333.SZ price:66.19
2024-09-20 14:55:00 - INFO - now: 14:55 code : 000333.SZ price:66.25
2024-09-20 14:56:00 - INFO - now: 14:56 code : 000333.SZ price:66.27
2024-09-20 14:57:00 - INFO - now: 14:57 code : 000333.SZ price:66.28
2024-09-20 14:58:00 - INFO - now: 14:58 code : 000333.SZ price:66.28
2024-09-20 14:59:00 - INFO - now: 14:59 code : 000333.SZ price:66.28
2024-09-20 15:00:00 - INFO - now: 15:00 code : 000333.SZ price:66.06
用同花顺，对了一下结果，是满足的了。
查看全部
发现有点蛋疼，记录一下。
因为回测模式下，不能使用run_interval 函数；
而run_daily模式，只能在固定时间运行，无法分钟级别。
所以只能使用 handle_data
而在handle_data 里面获取当前的分钟价格数据，也无法使用 get_snapshot ，get_gear_price,函数。
所以只能使用handle_data(Context,data) 里面的data里。
而handle_data 里面的data数据，使用方法如下：
import datetime
target_list = [
'600000.SS',
'000333.SZ'
]
def execution(context, data):
now = context.current_dt.strftime('%H:%M')
for code in target_list:
tick_info = data[code]
price = tick_info['price']
print('now: {} code : {} price:{}'.format(now,code ,price))
# 标准
def initialize(context):
log.info("公众号：可转债量化分析 ---- start ----")
def handle_data(context, data):
execution(context, data)
获取数据结果：2024-09-20 14:42:00 - INFO - now: 14:42 code : 000333.SZ price:66.22
2024-09-20 14:43:00 - INFO - now: 14:43 code : 000333.SZ price:66.26
2024-09-20 14:44:00 - INFO - now: 14:44 code : 000333.SZ price:66.19
2024-09-20 14:45:00 - INFO - now: 14:45 code : 000333.SZ price:66.2
2024-09-20 14:46:00 - INFO - now: 14:46 code : 000333.SZ price:66.19
2024-09-20 14:47:00 - INFO - now: 14:47 code : 000333.SZ price:66.18
2024-09-20 14:48:00 - INFO - now: 14:48 code : 000333.SZ price:66.14
2024-09-20 14:49:00 - INFO - now: 14:49 code : 000333.SZ price:66.25
2024-09-20 14:50:00 - INFO - now: 14:50 code : 000333.SZ price:66.19
2024-09-20 14:51:00 - INFO - now: 14:51 code : 000333.SZ price:66.18
2024-09-20 14:52:00 - INFO - now: 14:52 code : 000333.SZ price:66.19
2024-09-20 14:53:00 - INFO - now: 14:53 code : 000333.SZ price:66.2
2024-09-20 14:54:00 - INFO - now: 14:54 code : 000333.SZ price:66.19
2024-09-20 14:55:00 - INFO - now: 14:55 code : 000333.SZ price:66.25
2024-09-20 14:56:00 - INFO - now: 14:56 code : 000333.SZ price:66.27
2024-09-20 14:57:00 - INFO - now: 14:57 code : 000333.SZ price:66.28
2024-09-20 14:58:00 - INFO - now: 14:58 code : 000333.SZ price:66.28
2024-09-20 14:59:00 - INFO - now: 14:59 code : 000333.SZ price:66.28
2024-09-20 15:00:00 - INFO - now: 15:00 code : 000333.SZ price:66.06
用同花顺，对了一下结果，是满足的了。
查看全部
好久没有使用Ptrade做分钟级别的回测了。
发现有点蛋疼，记录一下。
因为回测模式下，不能使用run_interval 函数；
而run_daily模式，只能在固定时间运行，无法分钟级别。
所以只能使用 handle_data
而在handle_data 里面获取当前的分钟价格数据，也无法使用 get_snapshot ，get_gear_price,函数。
所以只能使用handle_data(Context,data) 里面的data里。
而handle_data 里面的data数据，使用方法如下：
获取数据结果：
用同花顺，对了一下结果，是满足的了。
发现有点蛋疼，记录一下。
因为回测模式下，不能使用run_interval 函数；
而run_daily模式，只能在固定时间运行，无法分钟级别。
所以只能使用 handle_data
而在handle_data 里面获取当前的分钟价格数据，也无法使用 get_snapshot ，get_gear_price,函数。
所以只能使用handle_data(Context,data) 里面的data里。
而handle_data 里面的data数据，使用方法如下：
import datetime
target_list = [
'600000.SS',
'000333.SZ'
]
def execution(context, data):
now = context.current_dt.strftime('%H:%M')
for code in target_list:
tick_info = data[code]
price = tick_info['price']
print('now: {} code : {} price:{}'.format(now,code ,price))
# 标准
def initialize(context):
log.info("公众号：可转债量化分析 ---- start ----")
def handle_data(context, data):
execution(context, data)
获取数据结果：
2024-09-20 14:42:00 - INFO - now: 14:42 code : 000333.SZ price:66.22
2024-09-20 14:43:00 - INFO - now: 14:43 code : 000333.SZ price:66.26
2024-09-20 14:44:00 - INFO - now: 14:44 code : 000333.SZ price:66.19
2024-09-20 14:45:00 - INFO - now: 14:45 code : 000333.SZ price:66.2
2024-09-20 14:46:00 - INFO - now: 14:46 code : 000333.SZ price:66.19
2024-09-20 14:47:00 - INFO - now: 14:47 code : 000333.SZ price:66.18
2024-09-20 14:48:00 - INFO - now: 14:48 code : 000333.SZ price:66.14
2024-09-20 14:49:00 - INFO - now: 14:49 code : 000333.SZ price:66.25
2024-09-20 14:50:00 - INFO - now: 14:50 code : 000333.SZ price:66.19
2024-09-20 14:51:00 - INFO - now: 14:51 code : 000333.SZ price:66.18
2024-09-20 14:52:00 - INFO - now: 14:52 code : 000333.SZ price:66.19
2024-09-20 14:53:00 - INFO - now: 14:53 code : 000333.SZ price:66.2
2024-09-20 14:54:00 - INFO - now: 14:54 code : 000333.SZ price:66.19
2024-09-20 14:55:00 - INFO - now: 14:55 code : 000333.SZ price:66.25
2024-09-20 14:56:00 - INFO - now: 14:56 code : 000333.SZ price:66.27
2024-09-20 14:57:00 - INFO - now: 14:57 code : 000333.SZ price:66.28
2024-09-20 14:58:00 - INFO - now: 14:58 code : 000333.SZ price:66.28
2024-09-20 14:59:00 - INFO - now: 14:59 code : 000333.SZ price:66.28
2024-09-20 15:00:00 - INFO - now: 15:00 code : 000333.SZ price:66.06
用同花顺，对了一下结果，是满足的了。
优矿的回测引擎运行在python2.7，汗
量化交易 • 李魔佛 发表了文章 • 0 个评论 • 470 次浏览 • 2024-07-22 11:59
之前看到优矿的报错提示如下：
回测引擎运行在 Python2.7 之上，请您使用 Python2.7 的写法进行策略编写。
居然回测引擎还在2.7，怪不得目前性能比较拉跨了呢。。。
不过话说，自从它的可转债数据收费之后，我就一直没有再使用优矿进行回测了。
查看全部
回测引擎运行在 Python2.7 之上，请您使用 Python2.7 的写法进行策略编写。
居然回测引擎还在2.7，怪不得目前性能比较拉跨了呢。。。
不过话说，自从它的可转债数据收费之后，我就一直没有再使用优矿进行回测了。
查看全部
之前看到优矿的报错提示如下：
回测引擎运行在 Python2.7 之上，请您使用 Python2.7 的写法进行策略编写。
居然回测引擎还在2.7，怪不得目前性能比较拉跨了呢。。。
不过话说，自从它的可转债数据收费之后，我就一直没有再使用优矿进行回测了。
回测引擎运行在 Python2.7 之上，请您使用 Python2.7 的写法进行策略编写。
居然回测引擎还在2.7，怪不得目前性能比较拉跨了呢。。。
不过话说，自从它的可转债数据收费之后，我就一直没有再使用优矿进行回测了。
可转债到期收益率因子回测 YTM回测 vs 双低 低溢价 低价策略
可转债 • 李魔佛 发表了文章 • 0 个评论 • 1722 次浏览 • 2022-11-26 16:51
最近看到有人发的一些可转债高YTM的回测结果图，说高YTM轮动收益达到年化20%。嗯？高TYM实际上大部分是和低价转债是重叠的，理论和实际收益率都应该不会有这么高的。
自从优矿转为收费后，基本就没有登录过了。现在的回测在本地进行了，宁稳网的可转债数据上有YTM这因子数据，所以这次使用宁稳网的数据回测。也不使用什么第三方框架了，直接手写回测，模拟交易过程。
逻辑就是按照交易日期，读取所有excel数据。保存到一个dataframe里面，然后按照日期对YTM排名。 选出排名N名的进行买入，掉出N名的进行卖出。
数据源
采用宁稳的全表数据，里面有YTM因子
YTM收益率曲线
本地使用python编写回测代码，纯手工，不使用第三方框架。 平时我也多次力荐大家手写，别依赖那些第三方框架，什么vnpy，backtrade，一是特别难用，数据要适配，二是不好调试，除非你对它们的源码特别熟悉。本回测代码和宁稳数据放在个人知识星球，大部分人其实只关心回测结果就够了。
下图是2022年1月1日至11月25日的回测数据。持有10个标的，红色的是1天调仓，蓝色的是5天调仓
5天轮动，2022年的收益率为4.29%，最大回撤6.98% 。
1天轮动，2022年的收益率为9.33%，最大回撤5.32% 。
1天轮动的整体收益率要比5天轮动的高5个点，并且最大回撤也小一点。
持仓日志
从持仓以及调仓日志来看，买入的大部分是低价转债，且部分也是之前有瑕疵，爆过雷的转债。
高YTM轮动 vs 双低，低溢价，低价
接着对比一下几个常规的转债策略，双低，低溢价，低价。
回测条件相同，起始时间2022-01-01，结束时间2022-11-25。
持有10只，5天轮动。
在今年的可转债偏弱的行情下，高YTM轮动在这4个策略里面的收益率是最高的。
低溢价一如既然的高波动，一会ICU，一会蹦迪。但笔者觉得跌到前期最大回撤的位置，低溢价可以考虑介入的。
YTM和低价格的今年回测收益率接近，YTM高了一个点左右，最大回撤接近。 而低溢价还在回撤的途中，目前今年的收益率为-25%，如果轮动频率高一些，低溢价收益率会高一些，强赎的转债基本会被轮入低溢价标的，因为最近半年强赎后的转债像进入了死亡螺旋一样，正股转债一起跌；因此排除强赎转债会对低溢价收益率有不少的提升。
完整代码以及数据请开通星球查收。
查看全部
自从优矿转为收费后，基本就没有登录过了。现在的回测在本地进行了，宁稳网的可转债数据上有YTM这因子数据，所以这次使用宁稳网的数据回测。也不使用什么第三方框架了，直接手写回测，模拟交易过程。
逻辑就是按照交易日期，读取所有excel数据。保存到一个dataframe里面，然后按照日期对YTM排名。 选出排名N名的进行买入，掉出N名的进行卖出。
数据源
采用宁稳的全表数据，里面有YTM因子
YTM收益率曲线
本地使用python编写回测代码，纯手工，不使用第三方框架。 平时我也多次力荐大家手写，别依赖那些第三方框架，什么vnpy，backtrade，一是特别难用，数据要适配，二是不好调试，除非你对它们的源码特别熟悉。本回测代码和宁稳数据放在个人知识星球，大部分人其实只关心回测结果就够了。
下图是2022年1月1日至11月25日的回测数据。持有10个标的，红色的是1天调仓，蓝色的是5天调仓
5天轮动，2022年的收益率为4.29%，最大回撤6.98% 。
1天轮动，2022年的收益率为9.33%，最大回撤5.32% 。
1天轮动的整体收益率要比5天轮动的高5个点，并且最大回撤也小一点。
持仓日志
从持仓以及调仓日志来看，买入的大部分是低价转债，且部分也是之前有瑕疵，爆过雷的转债。
高YTM轮动 vs 双低，低溢价，低价
接着对比一下几个常规的转债策略，双低，低溢价，低价。
回测条件相同，起始时间2022-01-01，结束时间2022-11-25。
持有10只，5天轮动。
在今年的可转债偏弱的行情下，高YTM轮动在这4个策略里面的收益率是最高的。
低溢价一如既然的高波动，一会ICU，一会蹦迪。但笔者觉得跌到前期最大回撤的位置，低溢价可以考虑介入的。
YTM和低价格的今年回测收益率接近，YTM高了一个点左右，最大回撤接近。 而低溢价还在回撤的途中，目前今年的收益率为-25%，如果轮动频率高一些，低溢价收益率会高一些，强赎的转债基本会被轮入低溢价标的，因为最近半年强赎后的转债像进入了死亡螺旋一样，正股转债一起跌；因此排除强赎转债会对低溢价收益率有不少的提升。
完整代码以及数据请开通星球查收。
查看全部
最近看到有人发的一些可转债高YTM的回测结果图，说高YTM轮动收益达到年化20%。嗯？高TYM实际上大部分是和低价转债是重叠的，理论和实际收益率都应该不会有这么高的。
自从优矿转为收费后，基本就没有登录过了。现在的回测在本地进行了，宁稳网的可转债数据上有YTM这因子数据，所以这次使用宁稳网的数据回测。也不使用什么第三方框架了，直接手写回测，模拟交易过程。
逻辑就是按照交易日期，读取所有excel数据。保存到一个dataframe里面，然后按照日期对YTM排名。 选出排名N名的进行买入，掉出N名的进行卖出。
数据源
采用宁稳的全表数据，里面有YTM因子
YTM收益率曲线
本地使用python编写回测代码，纯手工，不使用第三方框架。 平时我也多次力荐大家手写，别依赖那些第三方框架，什么vnpy，backtrade，一是特别难用，数据要适配，二是不好调试，除非你对它们的源码特别熟悉。本回测代码和宁稳数据放在个人知识星球，大部分人其实只关心回测结果就够了。
下图是2022年1月1日至11月25日的回测数据。持有10个标的，红色的是1天调仓，蓝色的是5天调仓
5天轮动，2022年的收益率为4.29%，最大回撤6.98% 。
1天轮动，2022年的收益率为9.33%，最大回撤5.32% 。
1天轮动的整体收益率要比5天轮动的高5个点，并且最大回撤也小一点。
持仓日志
从持仓以及调仓日志来看，买入的大部分是低价转债，且部分也是之前有瑕疵，爆过雷的转债。
高YTM轮动 vs 双低，低溢价，低价
接着对比一下几个常规的转债策略，双低，低溢价，低价。
回测条件相同，起始时间2022-01-01，结束时间2022-11-25。
持有10只，5天轮动。
在今年的可转债偏弱的行情下，高YTM轮动在这4个策略里面的收益率是最高的。
低溢价一如既然的高波动，一会ICU，一会蹦迪。但笔者觉得跌到前期最大回撤的位置，低溢价可以考虑介入的。
YTM和低价格的今年回测收益率接近，YTM高了一个点左右，最大回撤接近。 而低溢价还在回撤的途中，目前今年的收益率为-25%，如果轮动频率高一些，低溢价收益率会高一些，强赎的转债基本会被轮入低溢价标的，因为最近半年强赎后的转债像进入了死亡螺旋一样，正股转债一起跌；因此排除强赎转债会对低溢价收益率有不少的提升。
完整代码以及数据请开通星球查收。
自从优矿转为收费后，基本就没有登录过了。现在的回测在本地进行了，宁稳网的可转债数据上有YTM这因子数据，所以这次使用宁稳网的数据回测。也不使用什么第三方框架了，直接手写回测，模拟交易过程。
逻辑就是按照交易日期，读取所有excel数据。保存到一个dataframe里面，然后按照日期对YTM排名。 选出排名N名的进行买入，掉出N名的进行卖出。
数据源
采用宁稳的全表数据，里面有YTM因子
YTM收益率曲线
本地使用python编写回测代码，纯手工，不使用第三方框架。 平时我也多次力荐大家手写，别依赖那些第三方框架，什么vnpy，backtrade，一是特别难用，数据要适配，二是不好调试，除非你对它们的源码特别熟悉。本回测代码和宁稳数据放在个人知识星球，大部分人其实只关心回测结果就够了。
下图是2022年1月1日至11月25日的回测数据。持有10个标的，红色的是1天调仓，蓝色的是5天调仓
5天轮动，2022年的收益率为4.29%，最大回撤6.98% 。
1天轮动，2022年的收益率为9.33%，最大回撤5.32% 。
1天轮动的整体收益率要比5天轮动的高5个点，并且最大回撤也小一点。
持仓日志
从持仓以及调仓日志来看，买入的大部分是低价转债，且部分也是之前有瑕疵，爆过雷的转债。
高YTM轮动 vs 双低，低溢价，低价
接着对比一下几个常规的转债策略，双低，低溢价，低价。
回测条件相同，起始时间2022-01-01，结束时间2022-11-25。
持有10只，5天轮动。
在今年的可转债偏弱的行情下，高YTM轮动在这4个策略里面的收益率是最高的。
低溢价一如既然的高波动，一会ICU，一会蹦迪。但笔者觉得跌到前期最大回撤的位置，低溢价可以考虑介入的。
YTM和低价格的今年回测收益率接近，YTM高了一个点左右，最大回撤接近。 而低溢价还在回撤的途中，目前今年的收益率为-25%，如果轮动频率高一些，低溢价收益率会高一些，强赎的转债基本会被轮入低溢价标的，因为最近半年强赎后的转债像进入了死亡螺旋一样，正股转债一起跌；因此排除强赎转债会对低溢价收益率有不少的提升。
完整代码以及数据请开通星球查收。
从零开始 手撸一个回测框架 （以可转债双低，低溢价为例）
量化交易-Ptrade-QMT • 李魔佛 发表了文章 • 0 个评论 • 2282 次浏览 • 2022-09-01 18:39
因为优矿大部分可转债接口开始收费了，之前星球上分享的回测代码基本也跑不了。不过在关停转收费之前，已经把所需的数据下载下来，而最近的数据通过集思录补充既可。
Mysql 数据
下面是代码主框架，目前通过之前优矿的导出的csv数据 ，计算 各个因子。 通过不同权重评分，进行轮动。class DataFeed:
def __init__(self):
self.csv_path = CSV_PATH
self.position = {}
self.HighValue = 0
self.Start_Cash = 1000000 # 初始资金
self.MyCash = self.Start_Cash
self.Withdraw = 0
self.daily_netvalue =
self.current_day = 0
self.PosValue = 0
self.threshold = 0 # 阈值
self.HighValue = self.Start_Cash
self.date_list, self.source = self.feed()
self.day_count = 0
def unpossibile(self, df, date):
# 剔除当日涨停的转债，买不入
raise_limited_dict = {
'2022-04-08': ['127057', ],
'2022-07-27': ['127065', ],
'2022-07-28': ['127065', ],
}
target_list = raise_limited_dict.get(date, None)
if target_list is None:
return df
return df.drop(index=target_list, axis=1)
def feed(self):
df = pd.read_csv(self.csv_path,
encoding='utf8',
dtype={'tickerEqu': str, 'tickerBond': str, 'secID_x': str},
)
del df['Unnamed: 0']
df['tradeDate'] = pd.to_datetime(df['tradeDate'], format='%Y-%m-%d')
df = df.set_index('tradeDate')
date_set = set(df.index.tolist())
date_list = list(map(lambda x: x.strftime('%Y-%m-%d'), date_set))
date_list.sort()
return date_list, df
def filters(self, df, today):
# 过滤条件，可添加多个条件
df = self.unpossibile(df, today)
return df
def logprint(self, current):
log.info('当前日期{}'.format(current))
def run(self):
for current in self.date_list:
if current < START_DATE or current > END_DATE:
continue
if self.day_count % FREQ != 0:
self.get_daily_netvalue(current)
else:
self.handle_data(current)
self.day_count += 1
self.after_trade()
双低和低溢价选债轮动：
上面是主要框架代码， 根据数据来驱动交易。 可以根据不同的时间日期进行回测交易。不同持有个数，不同轮动功能天数。【完整代码可以常见 知识星球】
运行： python main.py
运行后会自动保存一个excel文件：
并且可以生成收益率曲线图：
完整代码与数据可以参考星球代码：
查看全部
Mysql 数据
下面是代码主框架，目前通过之前优矿的导出的csv数据 ，计算 各个因子。 通过不同权重评分，进行轮动。class DataFeed:
def __init__(self):
self.csv_path = CSV_PATH
self.position = {}
self.HighValue = 0
self.Start_Cash = 1000000 # 初始资金
self.MyCash = self.Start_Cash
self.Withdraw = 0
self.daily_netvalue =
self.current_day = 0
self.PosValue = 0
self.threshold = 0 # 阈值
self.HighValue = self.Start_Cash
self.date_list, self.source = self.feed()
self.day_count = 0
def unpossibile(self, df, date):
# 剔除当日涨停的转债，买不入
raise_limited_dict = {
'2022-04-08': ['127057', ],
'2022-07-27': ['127065', ],
'2022-07-28': ['127065', ],
}
target_list = raise_limited_dict.get(date, None)
if target_list is None:
return df
return df.drop(index=target_list, axis=1)
def feed(self):
df = pd.read_csv(self.csv_path,
encoding='utf8',
dtype={'tickerEqu': str, 'tickerBond': str, 'secID_x': str},
)
del df['Unnamed: 0']
df['tradeDate'] = pd.to_datetime(df['tradeDate'], format='%Y-%m-%d')
df = df.set_index('tradeDate')
date_set = set(df.index.tolist())
date_list = list(map(lambda x: x.strftime('%Y-%m-%d'), date_set))
date_list.sort()
return date_list, df
def filters(self, df, today):
# 过滤条件，可添加多个条件
df = self.unpossibile(df, today)
return df
def logprint(self, current):
log.info('当前日期{}'.format(current))
def run(self):
for current in self.date_list:
if current < START_DATE or current > END_DATE:
continue
if self.day_count % FREQ != 0:
self.get_daily_netvalue(current)
else:
self.handle_data(current)
self.day_count += 1
self.after_trade()
双低和低溢价选债轮动：
上面是主要框架代码， 根据数据来驱动交易。 可以根据不同的时间日期进行回测交易。不同持有个数，不同轮动功能天数。【完整代码可以常见 知识星球】
运行： python main.py
运行后会自动保存一个excel文件：
并且可以生成收益率曲线图：
完整代码与数据可以参考星球代码：
查看全部
因为优矿大部分可转债接口开始收费了，之前星球上分享的回测代码基本也跑不了。不过在关停转收费之前，已经把所需的数据下载下来，而最近的数据通过集思录补充既可。
Mysql 数据
下面是代码主框架，目前通过之前优矿的导出的csv数据 ，计算 各个因子。 通过不同权重评分，进行轮动。
双低和低溢价选债轮动：
上面是主要框架代码， 根据数据来驱动交易。 可以根据不同的时间日期进行回测交易。不同持有个数，不同轮动功能天数。【完整代码可以常见 知识星球】
运行： python main.py
运行后会自动保存一个excel文件：
并且可以生成收益率曲线图：
完整代码与数据可以参考星球代码：
下面是代码主框架，目前通过之前优矿的导出的csv数据 ，计算 各个因子。 通过不同权重评分，进行轮动。
class DataFeed:
def __init__(self):
self.csv_path = CSV_PATH
self.position = {}
self.HighValue = 0
self.Start_Cash = 1000000 # 初始资金
self.MyCash = self.Start_Cash
self.Withdraw = 0
self.daily_netvalue =
self.current_day = 0
self.PosValue = 0
self.threshold = 0 # 阈值
self.HighValue = self.Start_Cash
self.date_list, self.source = self.feed()
self.day_count = 0
def unpossibile(self, df, date):
# 剔除当日涨停的转债，买不入
raise_limited_dict = {
'2022-04-08': ['127057', ],
'2022-07-27': ['127065', ],
'2022-07-28': ['127065', ],
}
target_list = raise_limited_dict.get(date, None)
if target_list is None:
return df
return df.drop(index=target_list, axis=1)
def feed(self):
df = pd.read_csv(self.csv_path,
encoding='utf8',
dtype={'tickerEqu': str, 'tickerBond': str, 'secID_x': str},
)
del df['Unnamed: 0']
df['tradeDate'] = pd.to_datetime(df['tradeDate'], format='%Y-%m-%d')
df = df.set_index('tradeDate')
date_set = set(df.index.tolist())
date_list = list(map(lambda x: x.strftime('%Y-%m-%d'), date_set))
date_list.sort()
return date_list, df
def filters(self, df, today):
# 过滤条件，可添加多个条件
df = self.unpossibile(df, today)
return df
def logprint(self, current):
log.info('当前日期{}'.format(current))
def run(self):
for current in self.date_list:
if current < START_DATE or current > END_DATE:
continue
if self.day_count % FREQ != 0:
self.get_daily_netvalue(current)
else:
self.handle_data(current)
self.day_count += 1
self.after_trade()
双低和低溢价选债轮动：
上面是主要框架代码， 根据数据来驱动交易。 可以根据不同的时间日期进行回测交易。不同持有个数，不同轮动功能天数。【完整代码可以常见 知识星球】
运行： python main.py
运行后会自动保存一个excel文件：
并且可以生成收益率曲线图：
完整代码与数据可以参考星球代码：
Ptrade回测模式下获取实时的分钟数据：只能使用handle_data，数据不能用get_snapshot
Ptrade • 李魔佛 发表了文章 • 0 个评论 • 350 次浏览 • 2024-09-21 17:32
好久没有使用Ptrade做分钟级别的回测了。
发现有点蛋疼，记录一下。
因为回测模式下，不能使用run_interval 函数；
而run_daily模式，只能在固定时间运行，无法分钟级别。
所以只能使用 handle_data
而在handle_data 里面获取当前的分钟价格数据，也无法使用 get_snapshot ，get_gear_price,函数。
所以只能使用handle_data(Context,data) 里面的data里。
而handle_data 里面的data数据，使用方法如下：
import datetime
target_list = [
'600000.SS',
'000333.SZ'
]
def execution(context, data):
now = context.current_dt.strftime('%H:%M')
for code in target_list:
tick_info = data[code]
price = tick_info['price']
print('now: {} code : {} price:{}'.format(now,code ,price))
# 标准
def initialize(context):
log.info("公众号：可转债量化分析 ---- start ----")
def handle_data(context, data):
execution(context, data)
获取数据结果：2024-09-20 14:42:00 - INFO - now: 14:42 code : 000333.SZ price:66.22
2024-09-20 14:43:00 - INFO - now: 14:43 code : 000333.SZ price:66.26
2024-09-20 14:44:00 - INFO - now: 14:44 code : 000333.SZ price:66.19
2024-09-20 14:45:00 - INFO - now: 14:45 code : 000333.SZ price:66.2
2024-09-20 14:46:00 - INFO - now: 14:46 code : 000333.SZ price:66.19
2024-09-20 14:47:00 - INFO - now: 14:47 code : 000333.SZ price:66.18
2024-09-20 14:48:00 - INFO - now: 14:48 code : 000333.SZ price:66.14
2024-09-20 14:49:00 - INFO - now: 14:49 code : 000333.SZ price:66.25
2024-09-20 14:50:00 - INFO - now: 14:50 code : 000333.SZ price:66.19
2024-09-20 14:51:00 - INFO - now: 14:51 code : 000333.SZ price:66.18
2024-09-20 14:52:00 - INFO - now: 14:52 code : 000333.SZ price:66.19
2024-09-20 14:53:00 - INFO - now: 14:53 code : 000333.SZ price:66.2
2024-09-20 14:54:00 - INFO - now: 14:54 code : 000333.SZ price:66.19
2024-09-20 14:55:00 - INFO - now: 14:55 code : 000333.SZ price:66.25
2024-09-20 14:56:00 - INFO - now: 14:56 code : 000333.SZ price:66.27
2024-09-20 14:57:00 - INFO - now: 14:57 code : 000333.SZ price:66.28
2024-09-20 14:58:00 - INFO - now: 14:58 code : 000333.SZ price:66.28
2024-09-20 14:59:00 - INFO - now: 14:59 code : 000333.SZ price:66.28
2024-09-20 15:00:00 - INFO - now: 15:00 code : 000333.SZ price:66.06
用同花顺，对了一下结果，是满足的了。
查看全部
发现有点蛋疼，记录一下。
因为回测模式下，不能使用run_interval 函数；
而run_daily模式，只能在固定时间运行，无法分钟级别。
所以只能使用 handle_data
而在handle_data 里面获取当前的分钟价格数据，也无法使用 get_snapshot ，get_gear_price,函数。
所以只能使用handle_data(Context,data) 里面的data里。
而handle_data 里面的data数据，使用方法如下：
import datetime
target_list = [
'600000.SS',
'000333.SZ'
]
def execution(context, data):
now = context.current_dt.strftime('%H:%M')
for code in target_list:
tick_info = data[code]
price = tick_info['price']
print('now: {} code : {} price:{}'.format(now,code ,price))
# 标准
def initialize(context):
log.info("公众号：可转债量化分析 ---- start ----")
def handle_data(context, data):
execution(context, data)
获取数据结果：2024-09-20 14:42:00 - INFO - now: 14:42 code : 000333.SZ price:66.22
2024-09-20 14:43:00 - INFO - now: 14:43 code : 000333.SZ price:66.26
2024-09-20 14:44:00 - INFO - now: 14:44 code : 000333.SZ price:66.19
2024-09-20 14:45:00 - INFO - now: 14:45 code : 000333.SZ price:66.2
2024-09-20 14:46:00 - INFO - now: 14:46 code : 000333.SZ price:66.19
2024-09-20 14:47:00 - INFO - now: 14:47 code : 000333.SZ price:66.18
2024-09-20 14:48:00 - INFO - now: 14:48 code : 000333.SZ price:66.14
2024-09-20 14:49:00 - INFO - now: 14:49 code : 000333.SZ price:66.25
2024-09-20 14:50:00 - INFO - now: 14:50 code : 000333.SZ price:66.19
2024-09-20 14:51:00 - INFO - now: 14:51 code : 000333.SZ price:66.18
2024-09-20 14:52:00 - INFO - now: 14:52 code : 000333.SZ price:66.19
2024-09-20 14:53:00 - INFO - now: 14:53 code : 000333.SZ price:66.2
2024-09-20 14:54:00 - INFO - now: 14:54 code : 000333.SZ price:66.19
2024-09-20 14:55:00 - INFO - now: 14:55 code : 000333.SZ price:66.25
2024-09-20 14:56:00 - INFO - now: 14:56 code : 000333.SZ price:66.27
2024-09-20 14:57:00 - INFO - now: 14:57 code : 000333.SZ price:66.28
2024-09-20 14:58:00 - INFO - now: 14:58 code : 000333.SZ price:66.28
2024-09-20 14:59:00 - INFO - now: 14:59 code : 000333.SZ price:66.28
2024-09-20 15:00:00 - INFO - now: 15:00 code : 000333.SZ price:66.06
用同花顺，对了一下结果，是满足的了。
查看全部
好久没有使用Ptrade做分钟级别的回测了。
发现有点蛋疼，记录一下。
因为回测模式下，不能使用run_interval 函数；
而run_daily模式，只能在固定时间运行，无法分钟级别。
所以只能使用 handle_data
而在handle_data 里面获取当前的分钟价格数据，也无法使用 get_snapshot ，get_gear_price,函数。
所以只能使用handle_data(Context,data) 里面的data里。
而handle_data 里面的data数据，使用方法如下：
获取数据结果：
用同花顺，对了一下结果，是满足的了。
发现有点蛋疼，记录一下。
因为回测模式下，不能使用run_interval 函数；
而run_daily模式，只能在固定时间运行，无法分钟级别。
所以只能使用 handle_data
而在handle_data 里面获取当前的分钟价格数据，也无法使用 get_snapshot ，get_gear_price,函数。
所以只能使用handle_data(Context,data) 里面的data里。
而handle_data 里面的data数据，使用方法如下：
import datetime
target_list = [
'600000.SS',
'000333.SZ'
]
def execution(context, data):
now = context.current_dt.strftime('%H:%M')
for code in target_list:
tick_info = data[code]
price = tick_info['price']
print('now: {} code : {} price:{}'.format(now,code ,price))
# 标准
def initialize(context):
log.info("公众号：可转债量化分析 ---- start ----")
def handle_data(context, data):
execution(context, data)
获取数据结果：
2024-09-20 14:42:00 - INFO - now: 14:42 code : 000333.SZ price:66.22
2024-09-20 14:43:00 - INFO - now: 14:43 code : 000333.SZ price:66.26
2024-09-20 14:44:00 - INFO - now: 14:44 code : 000333.SZ price:66.19
2024-09-20 14:45:00 - INFO - now: 14:45 code : 000333.SZ price:66.2
2024-09-20 14:46:00 - INFO - now: 14:46 code : 000333.SZ price:66.19
2024-09-20 14:47:00 - INFO - now: 14:47 code : 000333.SZ price:66.18
2024-09-20 14:48:00 - INFO - now: 14:48 code : 000333.SZ price:66.14
2024-09-20 14:49:00 - INFO - now: 14:49 code : 000333.SZ price:66.25
2024-09-20 14:50:00 - INFO - now: 14:50 code : 000333.SZ price:66.19
2024-09-20 14:51:00 - INFO - now: 14:51 code : 000333.SZ price:66.18
2024-09-20 14:52:00 - INFO - now: 14:52 code : 000333.SZ price:66.19
2024-09-20 14:53:00 - INFO - now: 14:53 code : 000333.SZ price:66.2
2024-09-20 14:54:00 - INFO - now: 14:54 code : 000333.SZ price:66.19
2024-09-20 14:55:00 - INFO - now: 14:55 code : 000333.SZ price:66.25
2024-09-20 14:56:00 - INFO - now: 14:56 code : 000333.SZ price:66.27
2024-09-20 14:57:00 - INFO - now: 14:57 code : 000333.SZ price:66.28
2024-09-20 14:58:00 - INFO - now: 14:58 code : 000333.SZ price:66.28
2024-09-20 14:59:00 - INFO - now: 14:59 code : 000333.SZ price:66.28
2024-09-20 15:00:00 - INFO - now: 15:00 code : 000333.SZ price:66.06
用同花顺，对了一下结果，是满足的了。
优矿的回测引擎运行在python2.7，汗
量化交易 • 李魔佛 发表了文章 • 0 个评论 • 470 次浏览 • 2024-07-22 11:59
之前看到优矿的报错提示如下：
回测引擎运行在 Python2.7 之上，请您使用 Python2.7 的写法进行策略编写。
居然回测引擎还在2.7，怪不得目前性能比较拉跨了呢。。。
不过话说，自从它的可转债数据收费之后，我就一直没有再使用优矿进行回测了。
查看全部
回测引擎运行在 Python2.7 之上，请您使用 Python2.7 的写法进行策略编写。
居然回测引擎还在2.7，怪不得目前性能比较拉跨了呢。。。
不过话说，自从它的可转债数据收费之后，我就一直没有再使用优矿进行回测了。
查看全部
之前看到优矿的报错提示如下：
回测引擎运行在 Python2.7 之上，请您使用 Python2.7 的写法进行策略编写。
居然回测引擎还在2.7，怪不得目前性能比较拉跨了呢。。。
不过话说，自从它的可转债数据收费之后，我就一直没有再使用优矿进行回测了。
回测引擎运行在 Python2.7 之上，请您使用 Python2.7 的写法进行策略编写。
居然回测引擎还在2.7，怪不得目前性能比较拉跨了呢。。。
不过话说，自从它的可转债数据收费之后，我就一直没有再使用优矿进行回测了。
可转债到期收益率因子回测 YTM回测 vs 双低 低溢价 低价策略
可转债 • 李魔佛 发表了文章 • 0 个评论 • 1722 次浏览 • 2022-11-26 16:51
最近看到有人发的一些可转债高YTM的回测结果图，说高YTM轮动收益达到年化20%。嗯？高TYM实际上大部分是和低价转债是重叠的，理论和实际收益率都应该不会有这么高的。
自从优矿转为收费后，基本就没有登录过了。现在的回测在本地进行了，宁稳网的可转债数据上有YTM这因子数据，所以这次使用宁稳网的数据回测。也不使用什么第三方框架了，直接手写回测，模拟交易过程。
逻辑就是按照交易日期，读取所有excel数据。保存到一个dataframe里面，然后按照日期对YTM排名。 选出排名N名的进行买入，掉出N名的进行卖出。
数据源
采用宁稳的全表数据，里面有YTM因子
YTM收益率曲线
本地使用python编写回测代码，纯手工，不使用第三方框架。 平时我也多次力荐大家手写，别依赖那些第三方框架，什么vnpy，backtrade，一是特别难用，数据要适配，二是不好调试，除非你对它们的源码特别熟悉。本回测代码和宁稳数据放在个人知识星球，大部分人其实只关心回测结果就够了。
下图是2022年1月1日至11月25日的回测数据。持有10个标的，红色的是1天调仓，蓝色的是5天调仓
5天轮动，2022年的收益率为4.29%，最大回撤6.98% 。
1天轮动，2022年的收益率为9.33%，最大回撤5.32% 。
1天轮动的整体收益率要比5天轮动的高5个点，并且最大回撤也小一点。
持仓日志
从持仓以及调仓日志来看，买入的大部分是低价转债，且部分也是之前有瑕疵，爆过雷的转债。
高YTM轮动 vs 双低，低溢价，低价
接着对比一下几个常规的转债策略，双低，低溢价，低价。
回测条件相同，起始时间2022-01-01，结束时间2022-11-25。
持有10只，5天轮动。
在今年的可转债偏弱的行情下，高YTM轮动在这4个策略里面的收益率是最高的。
低溢价一如既然的高波动，一会ICU，一会蹦迪。但笔者觉得跌到前期最大回撤的位置，低溢价可以考虑介入的。
YTM和低价格的今年回测收益率接近，YTM高了一个点左右，最大回撤接近。 而低溢价还在回撤的途中，目前今年的收益率为-25%，如果轮动频率高一些，低溢价收益率会高一些，强赎的转债基本会被轮入低溢价标的，因为最近半年强赎后的转债像进入了死亡螺旋一样，正股转债一起跌；因此排除强赎转债会对低溢价收益率有不少的提升。
完整代码以及数据请开通星球查收。
查看全部
自从优矿转为收费后，基本就没有登录过了。现在的回测在本地进行了，宁稳网的可转债数据上有YTM这因子数据，所以这次使用宁稳网的数据回测。也不使用什么第三方框架了，直接手写回测，模拟交易过程。
逻辑就是按照交易日期，读取所有excel数据。保存到一个dataframe里面，然后按照日期对YTM排名。 选出排名N名的进行买入，掉出N名的进行卖出。
数据源
采用宁稳的全表数据，里面有YTM因子
YTM收益率曲线
本地使用python编写回测代码，纯手工，不使用第三方框架。 平时我也多次力荐大家手写，别依赖那些第三方框架，什么vnpy，backtrade，一是特别难用，数据要适配，二是不好调试，除非你对它们的源码特别熟悉。本回测代码和宁稳数据放在个人知识星球，大部分人其实只关心回测结果就够了。
下图是2022年1月1日至11月25日的回测数据。持有10个标的，红色的是1天调仓，蓝色的是5天调仓
5天轮动，2022年的收益率为4.29%，最大回撤6.98% 。
1天轮动，2022年的收益率为9.33%，最大回撤5.32% 。
1天轮动的整体收益率要比5天轮动的高5个点，并且最大回撤也小一点。
持仓日志
从持仓以及调仓日志来看，买入的大部分是低价转债，且部分也是之前有瑕疵，爆过雷的转债。
高YTM轮动 vs 双低，低溢价，低价
接着对比一下几个常规的转债策略，双低，低溢价，低价。
回测条件相同，起始时间2022-01-01，结束时间2022-11-25。
持有10只，5天轮动。
在今年的可转债偏弱的行情下，高YTM轮动在这4个策略里面的收益率是最高的。
低溢价一如既然的高波动，一会ICU，一会蹦迪。但笔者觉得跌到前期最大回撤的位置，低溢价可以考虑介入的。
YTM和低价格的今年回测收益率接近，YTM高了一个点左右，最大回撤接近。 而低溢价还在回撤的途中，目前今年的收益率为-25%，如果轮动频率高一些，低溢价收益率会高一些，强赎的转债基本会被轮入低溢价标的，因为最近半年强赎后的转债像进入了死亡螺旋一样，正股转债一起跌；因此排除强赎转债会对低溢价收益率有不少的提升。
完整代码以及数据请开通星球查收。
查看全部
最近看到有人发的一些可转债高YTM的回测结果图，说高YTM轮动收益达到年化20%。嗯？高TYM实际上大部分是和低价转债是重叠的，理论和实际收益率都应该不会有这么高的。
自从优矿转为收费后，基本就没有登录过了。现在的回测在本地进行了，宁稳网的可转债数据上有YTM这因子数据，所以这次使用宁稳网的数据回测。也不使用什么第三方框架了，直接手写回测，模拟交易过程。
逻辑就是按照交易日期，读取所有excel数据。保存到一个dataframe里面，然后按照日期对YTM排名。 选出排名N名的进行买入，掉出N名的进行卖出。
数据源
采用宁稳的全表数据，里面有YTM因子
YTM收益率曲线
本地使用python编写回测代码，纯手工，不使用第三方框架。 平时我也多次力荐大家手写，别依赖那些第三方框架，什么vnpy，backtrade，一是特别难用，数据要适配，二是不好调试，除非你对它们的源码特别熟悉。本回测代码和宁稳数据放在个人知识星球，大部分人其实只关心回测结果就够了。
下图是2022年1月1日至11月25日的回测数据。持有10个标的，红色的是1天调仓，蓝色的是5天调仓
5天轮动，2022年的收益率为4.29%，最大回撤6.98% 。
1天轮动，2022年的收益率为9.33%，最大回撤5.32% 。
1天轮动的整体收益率要比5天轮动的高5个点，并且最大回撤也小一点。
持仓日志
从持仓以及调仓日志来看，买入的大部分是低价转债，且部分也是之前有瑕疵，爆过雷的转债。
高YTM轮动 vs 双低，低溢价，低价
接着对比一下几个常规的转债策略，双低，低溢价，低价。
回测条件相同，起始时间2022-01-01，结束时间2022-11-25。
持有10只，5天轮动。
在今年的可转债偏弱的行情下，高YTM轮动在这4个策略里面的收益率是最高的。
低溢价一如既然的高波动，一会ICU，一会蹦迪。但笔者觉得跌到前期最大回撤的位置，低溢价可以考虑介入的。
YTM和低价格的今年回测收益率接近，YTM高了一个点左右，最大回撤接近。 而低溢价还在回撤的途中，目前今年的收益率为-25%，如果轮动频率高一些，低溢价收益率会高一些，强赎的转债基本会被轮入低溢价标的，因为最近半年强赎后的转债像进入了死亡螺旋一样，正股转债一起跌；因此排除强赎转债会对低溢价收益率有不少的提升。
完整代码以及数据请开通星球查收。
自从优矿转为收费后，基本就没有登录过了。现在的回测在本地进行了，宁稳网的可转债数据上有YTM这因子数据，所以这次使用宁稳网的数据回测。也不使用什么第三方框架了，直接手写回测，模拟交易过程。
逻辑就是按照交易日期，读取所有excel数据。保存到一个dataframe里面，然后按照日期对YTM排名。 选出排名N名的进行买入，掉出N名的进行卖出。
数据源
采用宁稳的全表数据，里面有YTM因子
YTM收益率曲线
本地使用python编写回测代码，纯手工，不使用第三方框架。 平时我也多次力荐大家手写，别依赖那些第三方框架，什么vnpy，backtrade，一是特别难用，数据要适配，二是不好调试，除非你对它们的源码特别熟悉。本回测代码和宁稳数据放在个人知识星球，大部分人其实只关心回测结果就够了。
下图是2022年1月1日至11月25日的回测数据。持有10个标的，红色的是1天调仓，蓝色的是5天调仓
5天轮动，2022年的收益率为4.29%，最大回撤6.98% 。
1天轮动，2022年的收益率为9.33%，最大回撤5.32% 。
1天轮动的整体收益率要比5天轮动的高5个点，并且最大回撤也小一点。
持仓日志
从持仓以及调仓日志来看，买入的大部分是低价转债，且部分也是之前有瑕疵，爆过雷的转债。
高YTM轮动 vs 双低，低溢价，低价
接着对比一下几个常规的转债策略，双低，低溢价，低价。
回测条件相同，起始时间2022-01-01，结束时间2022-11-25。
持有10只，5天轮动。
在今年的可转债偏弱的行情下，高YTM轮动在这4个策略里面的收益率是最高的。
低溢价一如既然的高波动，一会ICU，一会蹦迪。但笔者觉得跌到前期最大回撤的位置，低溢价可以考虑介入的。
YTM和低价格的今年回测收益率接近，YTM高了一个点左右，最大回撤接近。 而低溢价还在回撤的途中，目前今年的收益率为-25%，如果轮动频率高一些，低溢价收益率会高一些，强赎的转债基本会被轮入低溢价标的，因为最近半年强赎后的转债像进入了死亡螺旋一样，正股转债一起跌；因此排除强赎转债会对低溢价收益率有不少的提升。
完整代码以及数据请开通星球查收。
从零开始 手撸一个回测框架 （以可转债双低，低溢价为例）
量化交易-Ptrade-QMT • 李魔佛 发表了文章 • 0 个评论 • 2282 次浏览 • 2022-09-01 18:39
因为优矿大部分可转债接口开始收费了，之前星球上分享的回测代码基本也跑不了。不过在关停转收费之前，已经把所需的数据下载下来，而最近的数据通过集思录补充既可。
Mysql 数据
下面是代码主框架，目前通过之前优矿的导出的csv数据 ，计算 各个因子。 通过不同权重评分，进行轮动。class DataFeed:
def __init__(self):
self.csv_path = CSV_PATH
self.position = {}
self.HighValue = 0
self.Start_Cash = 1000000 # 初始资金
self.MyCash = self.Start_Cash
self.Withdraw = 0
self.daily_netvalue =
self.current_day = 0
self.PosValue = 0
self.threshold = 0 # 阈值
self.HighValue = self.Start_Cash
self.date_list, self.source = self.feed()
self.day_count = 0
def unpossibile(self, df, date):
# 剔除当日涨停的转债，买不入
raise_limited_dict = {
'2022-04-08': ['127057', ],
'2022-07-27': ['127065', ],
'2022-07-28': ['127065', ],
}
target_list = raise_limited_dict.get(date, None)
if target_list is None:
return df
return df.drop(index=target_list, axis=1)
def feed(self):
df = pd.read_csv(self.csv_path,
encoding='utf8',
dtype={'tickerEqu': str, 'tickerBond': str, 'secID_x': str},
)
del df['Unnamed: 0']
df['tradeDate'] = pd.to_datetime(df['tradeDate'], format='%Y-%m-%d')
df = df.set_index('tradeDate')
date_set = set(df.index.tolist())
date_list = list(map(lambda x: x.strftime('%Y-%m-%d'), date_set))
date_list.sort()
return date_list, df
def filters(self, df, today):
# 过滤条件，可添加多个条件
df = self.unpossibile(df, today)
return df
def logprint(self, current):
log.info('当前日期{}'.format(current))
def run(self):
for current in self.date_list:
if current < START_DATE or current > END_DATE:
continue
if self.day_count % FREQ != 0:
self.get_daily_netvalue(current)
else:
self.handle_data(current)
self.day_count += 1
self.after_trade()
双低和低溢价选债轮动：
上面是主要框架代码， 根据数据来驱动交易。 可以根据不同的时间日期进行回测交易。不同持有个数，不同轮动功能天数。【完整代码可以常见 知识星球】
运行： python main.py
运行后会自动保存一个excel文件：
并且可以生成收益率曲线图：
完整代码与数据可以参考星球代码：
查看全部
Mysql 数据
下面是代码主框架，目前通过之前优矿的导出的csv数据 ，计算 各个因子。 通过不同权重评分，进行轮动。class DataFeed:
def __init__(self):
self.csv_path = CSV_PATH
self.position = {}
self.HighValue = 0
self.Start_Cash = 1000000 # 初始资金
self.MyCash = self.Start_Cash
self.Withdraw = 0
self.daily_netvalue =
self.current_day = 0
self.PosValue = 0
self.threshold = 0 # 阈值
self.HighValue = self.Start_Cash
self.date_list, self.source = self.feed()
self.day_count = 0
def unpossibile(self, df, date):
# 剔除当日涨停的转债，买不入
raise_limited_dict = {
'2022-04-08': ['127057', ],
'2022-07-27': ['127065', ],
'2022-07-28': ['127065', ],
}
target_list = raise_limited_dict.get(date, None)
if target_list is None:
return df
return df.drop(index=target_list, axis=1)
def feed(self):
df = pd.read_csv(self.csv_path,
encoding='utf8',
dtype={'tickerEqu': str, 'tickerBond': str, 'secID_x': str},
)
del df['Unnamed: 0']
df['tradeDate'] = pd.to_datetime(df['tradeDate'], format='%Y-%m-%d')
df = df.set_index('tradeDate')
date_set = set(df.index.tolist())
date_list = list(map(lambda x: x.strftime('%Y-%m-%d'), date_set))
date_list.sort()
return date_list, df
def filters(self, df, today):
# 过滤条件，可添加多个条件
df = self.unpossibile(df, today)
return df
def logprint(self, current):
log.info('当前日期{}'.format(current))
def run(self):
for current in self.date_list:
if current < START_DATE or current > END_DATE:
continue
if self.day_count % FREQ != 0:
self.get_daily_netvalue(current)
else:
self.handle_data(current)
self.day_count += 1
self.after_trade()
双低和低溢价选债轮动：
上面是主要框架代码， 根据数据来驱动交易。 可以根据不同的时间日期进行回测交易。不同持有个数，不同轮动功能天数。【完整代码可以常见 知识星球】
运行： python main.py
运行后会自动保存一个excel文件：
并且可以生成收益率曲线图：
完整代码与数据可以参考星球代码：
查看全部
因为优矿大部分可转债接口开始收费了，之前星球上分享的回测代码基本也跑不了。不过在关停转收费之前，已经把所需的数据下载下来，而最近的数据通过集思录补充既可。
Mysql 数据
下面是代码主框架，目前通过之前优矿的导出的csv数据 ，计算 各个因子。 通过不同权重评分，进行轮动。
双低和低溢价选债轮动：
上面是主要框架代码， 根据数据来驱动交易。 可以根据不同的时间日期进行回测交易。不同持有个数，不同轮动功能天数。【完整代码可以常见 知识星球】
运行： python main.py
运行后会自动保存一个excel文件：
并且可以生成收益率曲线图：
完整代码与数据可以参考星球代码：
下面是代码主框架，目前通过之前优矿的导出的csv数据 ，计算 各个因子。 通过不同权重评分，进行轮动。
class DataFeed:
def __init__(self):
self.csv_path = CSV_PATH
self.position = {}
self.HighValue = 0
self.Start_Cash = 1000000 # 初始资金
self.MyCash = self.Start_Cash
self.Withdraw = 0
self.daily_netvalue =
self.current_day = 0
self.PosValue = 0
self.threshold = 0 # 阈值
self.HighValue = self.Start_Cash
self.date_list, self.source = self.feed()
self.day_count = 0
def unpossibile(self, df, date):
# 剔除当日涨停的转债，买不入
raise_limited_dict = {
'2022-04-08': ['127057', ],
'2022-07-27': ['127065', ],
'2022-07-28': ['127065', ],
}
target_list = raise_limited_dict.get(date, None)
if target_list is None:
return df
return df.drop(index=target_list, axis=1)
def feed(self):
df = pd.read_csv(self.csv_path,
encoding='utf8',
dtype={'tickerEqu': str, 'tickerBond': str, 'secID_x': str},
)
del df['Unnamed: 0']
df['tradeDate'] = pd.to_datetime(df['tradeDate'], format='%Y-%m-%d')
df = df.set_index('tradeDate')
date_set = set(df.index.tolist())
date_list = list(map(lambda x: x.strftime('%Y-%m-%d'), date_set))
date_list.sort()
return date_list, df
def filters(self, df, today):
# 过滤条件，可添加多个条件
df = self.unpossibile(df, today)
return df
def logprint(self, current):
log.info('当前日期{}'.format(current))
def run(self):
for current in self.date_list:
if current < START_DATE or current > END_DATE:
continue
if self.day_count % FREQ != 0:
self.get_daily_netvalue(current)
else:
self.handle_data(current)
self.day_count += 1
self.after_trade()
双低和低溢价选债轮动：
上面是主要框架代码， 根据数据来驱动交易。 可以根据不同的时间日期进行回测交易。不同持有个数，不同轮动功能天数。【完整代码可以常见 知识星球】
运行： python main.py
运行后会自动保存一个excel文件：
并且可以生成收益率曲线图：
完整代码与数据可以参考星球代码：
