从零开始实现一个量化回测系统（二）
持续行动1期 42/100，“AI技术应用于量化投资研资”之可转债投资。
今天继续“从零实现一个量化回测系统”系列。
前篇把骨架搭建起来了，现在要实现量化之核心要策略。
策略就是根据输入的市场数据，设定的规则发出买或卖的指令。
01 积木式写策略
我的策略写法与传统不太一样，传统上来就是给一个on_bar函数，自己写策略吧，如同我们在pyalgotrade里看到的例子那样。
pyalgotrade量化回测框架简单试用
我把常用的策略变成策略块，然后只需要组合起来，就可以实现一个策略。
比如“买入并持有”，我们拆解成三个子策略，这些子策略是可以复用的：
一、只在第一天运行一次
class RunOnce:
def __init__(self):
super(RunOnce, self).__init__()
self.done = False
# 返回True表示后续的策略都不执行了，相当于是一个开关
def __call__(self, context):
done = self.done
self.done = True
return done
二、股票池里所有的股票
当天的bar的index，写到context['selected']里
class SelectAll:
def __init__(self):
pass
def __call__(self, context):
df_bar = context['bar']
context['selected'] = list(df_bar.index)
return False
三、等权买入
等权分配是比较常见的策略，从上一步得到的“selected”列表，来生成权重weights=[code: 比例]。
class WeightEqually:
def __init__(self):
pass
def __call__(self, context):
selected = context["selected"]
n = len(selected)
if n > 0:
context['weights'] = {code: 1 / n for code in selected}
else:
context['weights'] = {}
return False
我们engine的step函数需要加上算子的执行：
def step(self, index, date):
df_bar = self.df.loc[date]
if type(df_bar) is pd.Series:
df_bar = df_bar.to_frame().T
df_bar.index = df_bar['code']
df_bar.sort_index(ascending=True, inplace=True)
self.acc.update_bar(date, df_bar)
#收盘后，再执行交易（近似模拟）
context = {
'bar': df_bar
}
for algo in self.algo_list:
done = algo(context)
if done:
break
如此，我们把三个算子整合起来，就实现了“买入并持有”的策略：
e = Engine(init_cash=100000, datafeed=feed) e.run(algo_list=[RunOnce(), SelectAll(), WeightEqually()])
积木式的好处多多，可以复用，可以积累。
明天可以把买卖交易落地到Account里，并且可以对回测的风险、收益策略进行分析，并且可视化呈现出来。
关于投资的思考
投资也是门派林立，正统的如价值投资派，有点像武林中的名门正牌，基金经理多与少都号称自己的是价值投资。价值投资的心法是公司价值为锚，在价格低于其内在价值里买入，并在价格高估时卖出。另外一派是技术面派，所有信息都反应在价格里了，所以，只管看价格趋势，高估还可以更高，只要市场疯狂；低估还可以更低，恐慌情绪一旦形成。
其实都有道理，这是周期的不同阶段。
价格围绕价值如钟摆，群体的不理性把这个过程放大。技术派赌的是往右摆的过程，指望有高点退场；而基本面牌买在左边，越低越买，然后在市场回归时卖出。
量化派则吸收前两者心法中一切可以量化的信息。
量化派更接近科学，可以积累可以传承，可以优化，可以迭代。
最近文章:
从零开始实现一个量化回测系统（一）
pyalgotrade量化回测框架简单试用
飞狐，科技公司CTO，用AI技术做量化投资；以投资视角观历史，解时事；专注个人成长与财富自由。