量化回测系统之benchmark管理
benchmark
投资结果如果也有考核的话，当然就是收益率的。但是收益率是相对的，比如说市场（大盘指数在一个周期跌了30%，那如果一个基金经理同期的业绩的-10%，那还算跑盈了大盘）。私募更多会看绝对收益率。更严格或者说对用户更合理的，应该是必须跑赢同期存款利率外加通胀（否则存银行就好了）。
所以做为一个量化系统，肯定需要一个benchmark做参照系。一般会取上证综指或沪深300指数。
在系统里，我们允许用户自己配置。
code name change preclose close high low \
0 000001 上证指数 -1.13 4527.396 4476.215 4572.391 4432.904
1 000002 Ａ股指数 -1.13 4744.093 4690.628 4791.534 4645.190
2 000003 Ｂ股指数 -2.15 403.694 395.018 405.795 392.173
3 000008 综合指数 0.79 3724.496 3753.906 3848.575 3695.817
4 000009 上证380 -2.79 7689.128 7474.305 7695.329 7398.911
5 000010 上证180 -1.13 10741.180 10619.610 10863.080 10529.900
6 000011 基金指数 -1.02 7033.291 6961.659 7058.856 6918.273
7 000012 国债指数 0.01 148.626 148.641 148.656 148.510
8 000016 上证50 -0.79 3308.454 3282.330 3370.025 3255.769
9 000017 新综指 -1.13 3826.013 3782.936 3864.307 3746.284
10 000300 沪深300 -1.37 4807.592 4741.861 4839.078 4703.567
11 399001 深证成指 -0.69 14809.424 14707.245 14979.810 14580.422
12 399002 深成指R -0.69 17193.832 17075.202 17391.652 16927.959
13 399003 成份Ｂ指 -1.93 9027.079 8853.081 9013.194 8826.048
14 399004 深证100R -1.79 5994.881 5887.414 6036.322 5832.431
15 399005 中小板指 -3.34 8935.338 8637.195 8953.813 8551.202
16 399006 创业板指 -2.17 2747.497 2687.974 2779.200 2650.425
17 399100 新 指 数 -2.77 10091.194 9811.256 10111.664 9718.085
18 399101 中小板综 -3.31 12792.057 12368.868 12800.453 12253.744
19 399106 深证综指 -2.76 2271.275 2208.561 2275.344 2187.897
20 399107 深证Ａ指 -2.77 2375.176 2309.466 2379.507 2287.784
21 399108 深证Ｂ指 -1.77 1398.244 1373.512 1397.996 1367.343
22 399333 中小板R -3.34 9640.766 9319.085 9660.699 9226.304
23 399606 创业板R -2.16 2828.251 2767.127 2861.040 2728.472
系统支持大部分的A股指数如上表。
在aiquant/engine/benchmark.py里新建类Benchmark
#初始化传入benchmark_code，比如000001为上证综指
#起止日期
class Benchmark(object):
def __init__(self,benchmark_code,start_date,end_date):
self.benchmark_code = benchmark_code
self.start_date = start_date
self.end_date = end_date
#从服务器把benchmark的数据一次性加载到内存里
self.load_benchmark_data()
def load_benchmark_data(self):
self.df_index_data = data_utils.get_prices_by_code(self.benchmark_code,self.start_date,self.end_date)
更新下取数据的函数,支持从指数表里读：
#根据code和日期范围从表里取这个时间段的数据
def get_prices_by_code(code,start_date,end_date,index=False):
if index:
items = query_docs('index_prices', {'code': code, 'date': {'$gt': start_date,
'$lt': end_date}})
else:
items = query_docs('stock_prices', {'code': code, 'date': {'$gt': start_date,
'$lt': end_date}})
return list(items)
这里有个小tip,股票股票存在停牌等事项，可能在某几天没有交易记录，所以交易日，从指数里取。
#benchmark.py
def get_trading_days(self):
return list(self.df_index_data['date'])
class MongodbHandler(DataHandler):
...
def __init__(self,events,start_date,end_date,benchmark='000300'):
self.benchmark = Benchmark(benchmark,start_date,end_date)
self.trading_days = self.benchmark.get_trading_days()
自动化测试
对于一个计算型的系统，自动化单元测试是非常有必要的，因为很难通过观察去发现里边细小的错误。
通过系统加载的沪深300指数数据与网易财经的数据作对比，除了小数点上的区别，是对的。
import unittest
import queue
import math
from aiquant.engine.benchmark import Benchmark
from datetime import datetime
class TestBenchmark(unittest.TestCase):
def setUp(self):
events = queue.Queue()
self.benchmark = Benchmark('000300',datetime(2016,7,1),datetime(2017,7,1))
def testOnbar(self):
data = self.benchmark.df_index_data
#dataframe用iloc下标取行，各到是一个小的dataframe
items = data.iloc[[0,1]].to_dict(orient='records')
self.assertAlmostEqual(items[0]['close'],3154.20)
self.assertLess(math.fabs(items[1]['open']-3136.39),0.01 )