【實戰應用】模組化回測系統

使用TEJ API架構自己的回測系統

TEJ 台灣經濟新報

Published in

TEJ-API 金融資料分析

10 min readJul 27, 2021

前言

股票回測是目前相較之下較具科學精神的方法，雖然說過去歷史資料並不能代表未來，但回測結果至少讓我們可以檢驗自己的策略於過往的績效表現如何，藉以提供此策略或許有效的證據。而如果每次要嘗試新的策略就得把相同的架構再重寫一遍，相當費時且修改上會相當麻煩，於是今天我們嘗試把回測固定的流程模組化，這樣未來只需要專注在思考新策略即可！

編輯環境及模組需求

本文章使用 Mac OS 並以 Jupyter Notebook 作為編輯器

import tejapi
import pandas as pd
import numpy as np

Note: tejapi 安裝以命令提示字元 (Windows)/終端機 (Mac)，輸入 pip install tejapi

tejapi.ApiConfig.api_key = 'Your Key'
tejapi.ApiConfig.ignoretz = True

本文重點概要

架構的事前規劃
系統模組化

架構系統

Step 1. 思考回測時會用到哪些儲存變數

欲投資之股票池
產生原始資料
訂定交易策略
產生交易訊號表
執行回測
儲存賣出金額
儲存買入成本

構想大致流程所需的欄位

Step 2. 點首先設定一個類別class叫backtest

class backtest():

Step 3. 以下的def都是在這class底下創建

def __init__(self, target_list):
        # 設定初始值
        
        # 股票池
        self.target_list = target_list        # 訊號表
        self.signal_data = pd.DataFrame()
        
        # 交易表
        self.action_data = pd.DataFrame()
        
        # 獲利數
        self.protfolio_profit = []
        
        # 成本數
        self.protfolio_cost = []

當然資料庫也要放在初始值裡面，證券名稱是我們要找的target_list

# 資料庫
self.data = tejapi.get('TWN/APRCD',
               coid = target_list,
               mdate={'gte':'2020-01-01', 'lte':'2020-12-31'},
               opts={'columns':['coid','mdate','close_d', 
               'volume']},
               chinese_column_name=True,
               paginate=True).reset_index(drop=True)

Step 4. 策略制定，這裡我們挑選兩個常見策略，以下針對重點介紹，完整程式碼請見此連結

價量策略

突破近20日最高價和最高量進行買進，突破近10日最低價和最低量則賣出

def price_volume(self, specific=None):
        # 策略更新
        self.signal_data = pd.DataFrame()
        self.action_data = pd.DataFrame()

股票池裡每一檔股票都要產生交易訊號

for i in self.target_list:
   target_data = self.data[self.data['證券代碼'] == i]

計算近10、20天最高最低價量

rolling_max = target_data[['收盤價(元)', '成交量(千股)']].rolling(20).max()rolling_min = target_data[['收盤價(元)', '成交量(千股)']].rolling(10).min()

產生交易訊號

買入

#收盤價、成交量同時突破近20天高點買入
stock_data['買入訊號判斷'] = np.where((stock_data['收盤價(元)'] == stock_data['收盤價(max)']) & (stock_data['成交量(千股)'] == stock_data['成交量(max)']), -1, 0)

賣出

#收盤價、成交量同時突破近10天低點賣出
stock_data['賣出訊號判斷'] = np.where((stock_data['收盤價(元)'] == stock_data['收盤價(min)']) & (stock_data['成交量(千股)'] == stock_data['成交量(min)']), 1, 0)

最後一天平倉

remain_stock = self.signal_data.iloc[:-1,8:10].sum().sum()self.signal_data.iloc[-1,9] = 0
self.signal_data.iloc[-1,8] = 0if remain_stock < 0:
    self.signal_data.iloc[-1,9] = -remain_stock
else:
    self.signal_data.iloc[-1,8] = -remain_stock

持有策略

第一天持有至最後一天賣出

def buy_hold(self, specific=None):
        # 策略更新
        self.signal_data = pd.DataFrame()
        self.action_data = pd.DataFrame()

股票池裡每一檔股票都要產生交易訊號

for i in self.target_list:
   target_data = self.data[self.data['證券代碼'] == i]

第一天買入，最後一天賣出

target_data['買入訊號判斷'] = 0
target_data['賣出訊號判斷'] = 0
            
# 第一天買入，最後一天賣出
target_data.iloc[0, 4] = -1
target_data.iloc[-1,5] = 1

Step 5. 執行回測計算

def run(self, specific=None):
        # 做出交易紀錄表
        trade_data = pd.DataFrame(index= self.data['年月日'], 
                            columns=self.target_list).fillna(0.0)
        
        action_data = self.signal_data[(self.signal_data['買入訊號判
               斷'] != 0) | (self.signal_data['賣出訊號判斷'] != 0)]

計算獲利

self.protfolio_profit.append(sum(action_data['交易'].tolist()))

計算成本

self.protfolio_cost.append(-action_data[action_data['買入訊號判斷'] < 0]['交易'].sum())

Step 6. 計算最終報酬率

def ROI(self):
       # 報酬率
       return_profit = sum(self.protfolio_profit) / 
       sum(self.protfolio_cost)       return return_profit

檢視大盤績效

策略的優劣通常和大盤來做比較，如果忙了老半天獲利輸給單純持有大盤，則代表策略或許有進步的空間

Step 1. 設定market 為backtest類別，這裡我們使用調整後指數 Y9997

market = backtest(['Y9997'])

Step 2. 選擇策略

market.buy_hold()

Step 2. 進行回測

market.run()

Step 3. 檢視報酬率

market.ROI()

自訂投資組合

這裡我們想試試 MSCI 做為自己的投資組合，MSCI 指數是指摩根士丹利資本國際公司所編製的股價股數，也稱摩根指數、大摩指數，我們可以查到2020 MSCI 持有的股票名單，這裡使用 TWN/AIDXS交易資料庫來搜尋指數成分股。

data_MSCI = tejapi.get('TWN/AIDXS',
                       coid = 'MSCI',
                       mdate= '2019-12-31',
                       opts={'columns':['coid','mdate','key3']},
                       chinese_column_name=True)

篩選出成分股，並把獨有的證券代號提出轉為list

MSCI_list = data_MSCI['成份股'].unique().tolist()

最後把中文刪除只留下代碼

MSCI_list = [coid[:4] for coid in MSCI_list]

由於模組化的效果，我們不用再寫一遍回測流程，只需要輕鬆的改變target_list就可以馬上得到我們要的結果

Step 1. 設定msci 為backtest類別，並選擇MSCI_list股票池

msci = backtest(MSCI_list)

Step 2. 選擇策略

msci.price_volume()

Step 3. 進行回測

msci.run()

Step 4. 檢視報酬率

msci.ROI()

結論

2020台股屬於大多頭，事後來看是這段期間的持有的策略報酬率較好，但時間只有一年也無法說明持有策略總是優於價量策略。本文章主要介紹如何架構一套簡易回測系統，讀者可在策略上自行調整，例如可以試著將價量的參數10 、20 天設為可調整的項目，用以比較日期變化對報酬率的影響。

量化分析是未來投資的趨勢，世界知名的避險基金都有採用此方法，將資料萃取成可用的參數作為策略制定，挖掘超額報酬，若讀者有興趣可以前往我們的官方網站，裡面有提供更多財務、交易等財金資料，來幫助您製作更好的交易策略！

【實戰應用】模組化回測系統

使用TEJ API架構自己的回測系統

前言

編輯環境及模組需求

本文重點概要

架構系統

檢視大盤績效

自訂投資組合

結論

完整程式碼

延伸閱讀

相關連結

Written by TEJ 台灣經濟新報