引入dataclass做策略配置

引入dataclass做策略配置：

大家使用这个ProjConfig写配置非常容易，IDE还会提示参数。

from gui.proj_loader import ProjConfig, AlgoConfig, from_toml
from config import DATA_DIR_PRJ

proj = ProjConfig()
proj.name = '网格策略'
proj.commission = 0.0001
proj.slippage = 0.0001
proj.symbols = ['B0']  # 证券池列表
proj.benchmark = '000300.SH'
proj.start_date = '20100101'

# 这里是因子列表
proj.fields = ['max(high,1440)', 'min(low,1440)', '(max+min)/2']
proj.names = ['max', 'min', 'mid']

# 这里是策略算子列表
proj.algos.append(AlgoConfig(name='AlgoGrid', args=[]))

print(proj)
print(proj.load_df().dropna(inplace=True))
# 保存到目录
proj.to_toml(path=DATA_DIR_PRJ.resolve())

写好后可以自动保存成toml使用。

而后可以使用如下脚本来运行toml。

from engine.backtrader_engine import BacktraderEngine
from gui.proj_loader import ProjConfig, AlgoConfig, from_toml
from config import DATA_DIR_PRJ

proj = ProjConfig()
name = '网格策略'  # 这里修改策略名称即可，策略列表在 data/projs下
p = from_toml(DATA_DIR_PRJ.joinpath('{}.toml'.format(name)))
print(p)

df = p.load_df()
algos = p.parse_algos()
print(algos)

df.dropna(inplace=True)
print(df)


e = BacktraderEngine(df, benchmark=p.benchmark,
                     slippage=p.slippage, commission=p.commission)
e.run_algo_strategy(algos)
e.analysis(console=True)

吾日三省吾身

有同学问及，量化回测有什么用？回测代表不了实盘。

这个问题曾经回答过，回测是实盘“必要非充分“条件，就像成长是成功的”必要非充分条件“。简单说，你自己有一个思路，觉得特别好，你的直觉和所谓盘感都告诉你，这个很好。那最简单的做法就是量化回测验证一下，也没什么成本。昨天去书店转一圈，发现现在讲K线的投资书少了，估计与量化兴起有关。你说”两条均线“打天下，用我们的quantlab，你直接测一下，结果不就出来了嘛。所以量化之一大功能就是”证伪“。

简言之：回测结果好，实盘未必好；但回测结果都不好，实盘能好嘛？

回测能帮你排坑，过滤掉不好的思路，你可以接近零成本试错。

不忘初心，星球的目标是什么？

量化投资里最难的当然是策略思路，AI量化里就有找有用的因子。这是大家一直努力的目标，但过程中，还有一件很繁琐的事情，就是把策略逻辑表达为“代码”。这个过程有大量的细节，调试，而且多数都是重复性的工作。

我们的目标之一，就是让思路到策略代码，尽量简洁。因此有了我们的“积木式”的策略开发，就是强调易用性。

今天实现一下performance计算，对于回测而言，我们最关心的几个指标：最大回撤，波动率，年化收益等。

先看效果：

代码下工程如下位置：（已经更新至星球）

import pandas as pd
from datetime import datetime

def year_frac(start, end):
    """
    Similar to excel's yearfrac function. Returns
    a year fraction between two dates (i.e. 1.53 years).

    Approximation using the average number of seconds
    in a year.

    Args:
        * start (datetime): start date
        * end (datetime): end date

    """
    if start > end:
        raise ValueError("start cannot be larger than end")

    # obviously not perfect but good enough
    return (end - start).total_seconds() / (31557600)

def calc_stats(df_price: pd.DataFrame):
    if type(df_price) is pd.Series:
        df_price = pd.DataFrame(df_price)

    df_price.dropna(inplace=True)

    df_rates = df_price.pct_change()
    df_equity = (1 + df_rates).cumprod()

    df_equity.dropna(inplace=True)
    df_rates.dropna(inplace=True)

    # import empyrical
    # print('年化收益：', round(empyrical.annual_return(df_rates), 3))

    count = len(df_price)
    start = df_price.index[0]
    end = df_price.index[-1]

    accu_return = round(df_equity.iloc[-1] - 1, 3)
    accu_return.name = '累计收益'
    annu_ret = round((accu_return + 1) ** (252 / count) - 1, 3)
    annu_ret.name = '年化收益'

    annu_ret2 = round((accu_return+1) ** (1 / year_frac(start, end)) - 1,3)
    annu_ret2.name = 'CAGR'
    # 标准差
    std = round(df_rates.std() * (252 ** 0.5), 3)
    std.name = '年化波动率'
    # 夏普比
    sharpe = round(annu_ret / std, 3)
    sharpe.name = '夏普比率'
    # 最大回撤
    mdd = round((df_equity / df_equity.expanding(min_periods=1).max()).min() - 1, 3)
    mdd.name = '最大回撤'

    ret_2_mdd = round(annu_ret / abs(mdd), 3)
    ret_2_mdd.name = '卡玛比率'

    df_ratios = pd.concat([annu_ret, annu_ret2, mdd, ret_2_mdd, sharpe, accu_return, std], axis=1)
    df_ratios['开始时间'] = start.strftime('%Y-%m-%d')
    df_ratios['结束时间'] = end.strftime('%Y-%m-%d')
    return df_ratios.T

我的计算方式，与zipline类似，

bt的计算与我的略有差别：

我看了下它的代码：bt的逻辑是按照自然天数/365，我们是按照回测天数/252。从合理性而言，bt的更符合直觉。

大家可以看下对比情况：

另外可以给loguru添加全局的重定向：

def my_logger_notify(data):
    g.notify({'msg_type': 'LOGGER', 'message': data})


from loguru import logger
logger.add(my_logger_notify)

如此，日志可以实时显示在gui的文本框里。