更多精彩内容，欢迎关注公众号：数量技术宅，也可添加技术宅个人微信号：sljsz01，与我交流。
在编写量化策略回测时，可以选择使用三方平台（第三方量化平台）或自主平台（自己编写代码）两种方式。它们各自有一些优劣势，下面是它们的对比：
三方平台：
优势：
简单易用： 大多数三方平台都提供了用户友好的界面和可视化工具，使得策略的构建和回测过程相对容易上手，即使对编程不熟悉的人也可以使用。
快速回测： 三方平台通常会优化回测引擎，使回测的速度更快，尤其是针对大规模数据进行回测时，可以节省大量时间。
数据和资料库： 大多数三方平台会提供包括历史市场数据、财务数据和交易数据等在内的资料库，无需自行采集数据，极大地简化了数据处理流程。
社区和支持： 常用的三方平台拥有活跃的用户社区和技术支持团队，您可以在这里交流经验、寻求帮助，解决问题更加方便。
劣势：
有限的灵活性： 三方平台的功能和策略构建方法通常受到平台本身的限制，可能无法实现某些较为复杂的量化策略。
数据安全性： 使用三方平台需要将您的交易数据和策略上传到平台服务器，涉及到数据安全和隐私问题，可能会让一些用户感到担忧。
成本： 尽管一些三方平台提供免费版，但更强大的功能和服务可能需要付费订阅，长期来看可能会增加成本。
自主平台：
优势：
灵活性： 使用自主平台编写代码，您可以完全控制策略的逻辑和实现方式，没有受到第三方平台功能的限制，能够实现更加复杂和个性化的策略。
数据控制： 在自主平台上，您可以控制自己的数据，不需要将数据上传到第三方服务器，有更好的数据隐私和安全控制。
学习机会： 自主编写代码让您更深入了解量化交易的原理和编程技能，有助于提高技术水平和理解市场。
劣势：
技术要求： 对编程和量化金融知识要求较高，需要具备相应的技术能力和知识储备，可能不太适合初学者。
复杂性： 自主编写代码意味着需要从头开始搭建回测框架、处理数据、设计策略等，工作量相对较大，可能耗费更多的时间。
回测速度： 自主编写的代码在效率上可能不如经过优化的三方平台，尤其在处理大规模数据时。
总的来说，如果对编程不熟悉或者只是想尝试简单的策略朋友，使用三方平台可能更为方便快捷。但是，如果有一定的编程技能，并且希望实现更复杂的量化策略，或者更关注数据隐私和自由度，则自主平台更适合。本期文章，我们就将以海龟交易策略为例，手把手教大家不借助三方平台（除数据源）完全自主搭建一个简单的Python回测系统，堪称量化小白用户的“保姆级教程”。
在国内市场，有几个常用的量化策略回测数据源，这些数据源提供了历史市场数据和财务数据，供量化投资者用于回测和研究策略。以下是一些常见的中国市场量化策略回测数据源：
Wind（万得）： Wind是中国知名的金融数据服务提供商，它提供广泛的金融市场数据，包括股票、债券、期货、指数等数据，同时还提供财务数据、宏观经济数据和新闻等信息。Wind的数据覆盖范围广泛，是中国量化投资者的重要数据来源之一。
通达信： 通达信是中国股票市场上广泛使用的一种股票交易软件，它也提供历史市场数据供回测使用。通达信的数据通常包含股票的价格、交易量、财务指标等信息。
聚宽（JoinQuant）： 聚宽是一家为量化投资者提供数据服务的公司，它提供了丰富的股票、基金、期货等市场的历史数据和实时数据。聚宽还提供Python编程接口，方便投资者使用Python进行量化策略回测和交易。
掘金量化（JQData）： 掘金量化是另一家专注于量化投资数据服务的公司，提供了股票、期货、指数等市场的历史数据，同时也提供了Python编程接口，方便用户进行自主量化研究和回测。
为降低关注文章朋友的学习成本，本文就将选择免费版Tushare数据源，获取沪深300指数的历史数据。安装免费版Tushare库，以及历史K线数据获取详细介绍，可以参考我们的历史文章：。具体获取数据的代码只需要两行完成：
import tushare as ts # 获取hs300指数从2015年初到最新的历史数据 df = ts.get_k_data('hs300', start='2015-01-01')
# 定义海龟交易策略函数 def turtle_trading(stock_data): # 计算20日突破价格 stock_data['20d_high'] = pd.Series.rolling(stock_data['high'], window=20, center=False).max() stock_data['20d_low'] = pd.Series.rolling(stock_data['low'], window=20, center=False).min() stock_data['20d_close'] = pd.Series.rolling(stock_data['close'], window=20, center=False).mean() stock_data['prev_20d_high'] = stock_data['20d_high'].shift(1) stock_data['prev_20d_low'] = stock_data['20d_low'].shift(1) stock_data['prev_20d_close'] = stock_data['20d_close'].shift(1) stock_data['buy_signal'] = (stock_data['close'] > stock_data['prev_20d_high']) & (stock_data['prev_20d_close'] <= stock_data['prev_20d_high']) stock_data['sell_signal'] = (stock_data['close'] < stock_data['prev_20d_low']) & (stock_data['prev_20d_close'] >= stock_data['prev_20d_low']) # 计算持仓状态 stock_data['position'] = None stock_data.loc[stock_data['buy_signal'], 'position'] = 1 stock_data.loc[stock_data['sell_signal'], 'position'] = 0 stock_data['position'].fillna(method='ffill', inplace=True) # 计算每日收益率 stock_data['daily_return'] = stock_data['close'].pct_change() * stock_data['position'].shift(1) # 计算累计收益率 stock_data['cum_return'] = (1 + stock_data['daily_return']).cumprod() return stock_data
海龟交易策略是一种趋势跟随策略，其主要思想是利用历史股价的突破来产生买入和卖出信号。代码对应解锁如下：
记录前一个交易日的20日突破价格：通过将20d_high、20d_low和20d_close的值向后平移一天，记录为prev_20d_high、prev_20d_low和prev_20d_close。
产生买入和卖出信号：买入信号为当日收盘价大于前一个交易日的prev_20d_high且前一个交易日的收盘价小于等于prev_20d_high；卖出信号为当日收盘价小于前一个交易日的prev_20d_low且前一个交易日的收盘价大于等于prev_20d_low。
计算持仓状态：根据买入和卖出信号，确定每日的持仓状态，用1表示买入，0表示卖出。
计算每日收益率：根据持仓状态和当日收盘价计算每日的收益率。
计算累计收益率：将每日收益率累乘，得到累计收益率。
此外，该函数中使用了pandas的滚动计算和位运算，涉及了数据的平移、填充等操作，所以输入的stock_data DataFrame数据需要包含至少以下列：'high'（最高价）、'low'（最低价）、'close'（收盘价）。当然，这只是一个简单的海龟交易策略示例，实际应用中可能需要更多的调整和改进，例如加入风险控制、手续费和滑点等因素。
接下来是函数调用模块，通过读取数据、调用函数，进行回测：
# 读取数据 df.set_index('date', inplace=True) df.index = pd.to_datetime(df.index) # 回测海龟交易策略 df = turtle_trading(df)
首先将DataFrame的索引设置为日期，并将日期列转换为Datetime类型。接下来，调用了之前定义的turtle_trading函数，对DataFrame执行了海龟交易策略的回测操作。
其中，df是包含股票数据的DataFrame，按照之前提供的海龟交易策略函数turtle_trading的定义，函数会在df中增加一些列来表示策略信号和回测结果，包括买入信号(buy_signal)、卖出信号(sell_signal)、持仓状态(position
回测过程是基于历史数据执行的，因此需要确保df中包含足够的历史股票数据来进行回测。回测的结果将会存储在df中，可以通过查看增加的列来了解策略在历史数据上的表现。
执行完回测，下一步我们需要做的是分析这个策略的表现，这个分析过程主要是通过计算回测指标进行评价：
# 计算回测指标 annual_return = (df['cum_return'][-1]) ** (252/len(df.index)) - 1 daily_return = df['daily_return'].mean() daily_volatility = df['daily_return'].std() sharpe_ratio = (annual_return - 0.03) / daily_volatility max_drawdown = (df['cum_return'].max() - df['cum_return'].min()) / df['cum_return'].max() print('年化收益率：{:.2%}'.format(annual_return)) print('日均收益率：{:.2%}'.format(daily_return)) print('日收益率波动率：{:.2%}'.format(daily_volatility)) print('夏普比率：{:.2f}'.format(sharpe_ratio)) print('最大回撤：{:.2%}'.format(max_drawdown))
年化收益率（Annual Return）： 表示策略在一年内实现的平均每日收益率。根据回测结果的累计收益率，将其指数化到一年的时间跨度内，通过以下公式计算：
annual_return = (cum_return[-1]) ** (252 / len(df.index)) - 1
日均收益率（Daily Return）： 表示策略在回测期间的平均每日收益率。计算方式为每日收益率的简单平均。
daily_return = df['daily_return'].mean()
daily_volatility = df['daily_return'].std()
sharpe_ratio = (annual_return - 0.03) / daily_volatility
假设无风险利率为3%，这里将其减去后再除以波动率。
最大回撤（Max Drawdown）：
max_drawdown = (cum_return.max() - cum_return.min()) / cum_return.max()
最后一步，我们将此前回测得到的结果，采用可视化的方式展现处理，即输出回测图模块：
# 输出回测图 import matplotlib.pyplot as plt plt.plot(df['cum_return']) plt.title('Turtle Trading Strategy Backtest') plt.xlabel('Date') plt.ylabel('Cumulative Return') plt.show()
这段代码使用matplotlib库输出了回测图，展示了海龟交易策略的累计收益曲线。我们来解释一下代码的功能：
plt.plot(df['cum_return'])：通过plt.plot()函数绘制累计收益曲线，df['cum_return']是策略回测中计算的累计收益率的数据列。
plt.xlabel('Date')：设置X轴的标签为"Date"，即日期。
plt.ylabel('Cumulative Return')：设置Y轴的标签为"Cumulative Return"，即累计收益率。
plt.show()：显示绘制的回测图。
运行此段代码将在图形窗口中显示海龟交易策略的累计收益曲线。通过该曲线（下图），您可以直观地看到策略的收益变化情况，以及可能的峰值和谷底。请注意，该图表只是回测结果的可视化展示，不能代替对策略的全面分析和评估。
以及在回测指标计算模块计算得到的回测指标数值，同样在运行过程中将其打印出来：
到这里，我们就完成了一个简单自主搭建的海龟交易策略回测系统，它包括回测数据获取、回测函数构建与调用、回测指标计算，以及输出回测图，四个主要步骤。电脑前的你，Get到回测系统的设计小技能了吗？