Python量化回測常見陷阱有哪些

這篇文章主要介紹“Python量化回測常見陷阱有哪些”，在日常操作中，相信很多人在Python量化回測常見陷阱有哪些問題上存在疑惑，小編查閱了各式資料，整理出簡單好用的操作方法，希望對大家解答”Python量化回測常見陷阱有哪些”的疑惑有所幫助！接下來，請跟著小編一起來學(xué)習(xí)吧！

很多量化交易的朋友在指定策略時(shí)往往容易犯下這幾種類型的錯(cuò)誤：前視偏差、不設(shè)置滑點(diǎn)、無手續(xù)費(fèi)、過度優(yōu)化等。這些錯(cuò)誤可以使你在回測階段把不盈利策略變得盈利，但是在真正的交易中卻會造成災(zāi)難性的后果。

首先介紹下前視偏差。前視偏差是指在策略回測階段采取了未來的信息來決定之前的交易，而這些信息在實(shí)盤操作中是無法獲知的。這里我們提供幾個(gè)典型的案例來介紹下：

買入策略1：“當(dāng)天的收盤價(jià)突破前一天的最高價(jià)，則利用當(dāng)天開盤價(jià)買入股票”，很明顯，在開盤價(jià)成交幾乎是不可能的事情了。

前視偏差是我們要極力避免的錯(cuò)誤。如何避免前視偏差？可以使用“滯后”的歷史數(shù)據(jù)來計(jì)算策略信號。滯后的數(shù)據(jù)意味著，在涉及到移動平均值、最高價(jià)、最低價(jià)、成交量等指標(biāo)時(shí)，只使用“上一”交易日的收盤數(shù)據(jù)。比如：

shift(1)是在index不變的情況下對序列的值向后移動一個(gè)單位。目的是獲取昨天為止的最高/最低價(jià)格。這樣就能使用“滯后”的歷史數(shù)據(jù)來計(jì)算策略信號。

如果一個(gè)交易策略要求你利用信號觸發(fā)時(shí)的價(jià)格進(jìn)行交易，那么這個(gè)交易策略就存在偷價(jià)的情況。

很多人會低估偷價(jià)的危害性，事實(shí)上，固定點(diǎn)數(shù)的偷價(jià)相當(dāng)于在原本的資金曲線上疊加了一條斜率為正的直線（在每次交易都是固定手?jǐn)?shù)的情況下）。假設(shè)一年250個(gè)交易日，每個(gè)交易日均對一只長期保持10元的股票執(zhí)行一次100股的買賣，每次買賣都偷價(jià)1個(gè)tick（tick設(shè)置為1個(gè)點(diǎn)，即0.1元），那么全年下來可以多獲利5000.1100 = 5000元，這甚至超越了你的本金（10*100=1000）。

然而，現(xiàn)實(shí)的情況是不但無法低于一個(gè)tick的價(jià)格成交，更多的反而是高于一個(gè)甚至多個(gè)tick的價(jià)格成交。原因很簡單，大多數(shù)趨勢交易者都會在某個(gè)關(guān)鍵點(diǎn)位建倉，競爭導(dǎo)致價(jià)格在這些關(guān)鍵位置形成劇烈波動，并且這種波動通常是對程序化交易不利的波動。所以在構(gòu)建一個(gè)頻率較高的交易系統(tǒng)的時(shí)候，更多是要考慮和解決滑點(diǎn)問題。

手續(xù)費(fèi)相當(dāng)于在原本的資金曲線上疊加了一條斜率為負(fù)的直線（在每次交易都是固定手?jǐn)?shù)的情況下）。策略進(jìn)行測試時(shí)，如果不計(jì)入手續(xù)費(fèi)，資金曲線可能會產(chǎn)生巨大差異，甚至不計(jì)手續(xù)費(fèi)時(shí)盈利的策略，在計(jì)入手續(xù)費(fèi)后可能產(chǎn)生虧損。

當(dāng)前股票交易費(fèi)用由三部分組成：傭金、印花稅、過戶費(fèi)（僅上海股票收?。?/p>

• 印花稅：成交金額的1‰ 。

• 過戶費(fèi)：這是指股票成交后，更換戶名所需支付的費(fèi)用。此費(fèi)用按成交金額的0.02‰收取。

• 交易傭金：最高收費(fèi)為3‰，最低收費(fèi)5元。

假設(shè)你買入10000股，每股票價(jià)格為10元，以此為例，對其買入成本計(jì)算：
買入股票所用金額：10元/股×10000股=100000元;
過戶費(fèi)：0.02‰×100000=2元;
交易傭金：100000×3‰=300元(按最高標(biāo)準(zhǔn)計(jì)算，正常情況下都小于這個(gè)值);
買入總成本：100000元+300元+2元=100302元(買入10000股，每股10元，所需總資金)
若以10.08每股賣出價(jià)格計(jì)算：
股票金額：10.08元/股×10000股=100800元;
印花稅：100800元×1‰=100.8元;
過戶費(fèi)：0.002%×100800元≈2元;
交易傭金：100800元×3‰=302.4元;
賣出后收入：100800元-100.8元-2元-302.4元=100394.8元;

滑點(diǎn)是指觸發(fā)指令的價(jià)格和最終成交價(jià)格之間的差異，它是難免會發(fā)生的情況，通?；c(diǎn)產(chǎn)生的原因有以下兩類：

1.行情波動劇烈、市場容量不夠等情況導(dǎo)致的

2.網(wǎng)絡(luò)延遲、交易平臺不穩(wěn)定等情況導(dǎo)致的

滑點(diǎn)是一個(gè)合格的交易策略必須充分考慮的因素。如果在一個(gè)交易策略中，將滑點(diǎn)數(shù)設(shè)置為0，即采用現(xiàn)價(jià)指令買賣證券其資金曲線就會優(yōu)于同一個(gè)滑點(diǎn)數(shù)不為0的策略。通常我們要在最極端的條件下去構(gòu)建和測試系統(tǒng)，一般系統(tǒng)都是高于2個(gè)tick的滑點(diǎn)來構(gòu)建的。

接下來談?wù)勥^度優(yōu)化。過度優(yōu)化是指為了遷就歷史數(shù)據(jù)的噪音而將一個(gè)策略的參數(shù)或者規(guī)則反復(fù)優(yōu)化到最佳的情況。

假如要把某個(gè)策略的資金曲線做的非常出色，我們可以這么優(yōu)化：針對某段特定的行情進(jìn)行參數(shù)優(yōu)化，之后將分段行情對應(yīng)的資金曲線拼接起來，得到一個(gè)表現(xiàn)更優(yōu)秀的資金曲線。也可以指定過去某幾個(gè)表現(xiàn)較差的交易日不進(jìn)行交易。上述經(jīng)過加工的回測一定表現(xiàn)優(yōu)異，單純?yōu)榱俗非筚Y金曲線，這類策略模型僅僅適用于過去發(fā)生但未來不會再重現(xiàn)的歷史偶然事件，并不考慮是否適用于未來的行情。

避免過度優(yōu)化的有效辦法有以下幾個(gè)：

一般而言，策略的規(guī)則越多，模型的參數(shù)越多，就越可能出現(xiàn)過度擬合問題。因此采用的參數(shù)越少，可以優(yōu)化的規(guī)則越少，自然過度優(yōu)化的情況就能夠得到很好的避免，并且，越少參數(shù)構(gòu)建的策略，往往越穩(wěn)健，無論其時(shí)效性或魯棒性均能超越眾多復(fù)雜的策略。

合理選擇樣本。有些策略覆蓋的股票品種太少，時(shí)間周期太短，不能充分展現(xiàn)策略效果。這些策略只能用于個(gè)別品種上，或者在更長時(shí)間周期上的資金曲線可能表現(xiàn)的并沒有那么好。有些策略雖然覆蓋了較長的時(shí)間段，或較多的品種或市場，但僅僅覆蓋了一種類型的行情（例如一輪較長時(shí)間的大牛市）。這些策略在遇到截然不同的市場情況時(shí)，表現(xiàn)可能會大相徑庭。

進(jìn)行樣本外測試。構(gòu)建策略模型時(shí)，將歷史數(shù)據(jù)根據(jù)時(shí)間先后分為兩段。參數(shù)優(yōu)化和定性選擇使用前一段數(shù)據(jù)（訓(xùn)練集），策略模型的測試使用后一段數(shù)據(jù)（測試集）。兩段數(shù)據(jù)的大小要大致相等，若數(shù)據(jù)量不夠，則至少用三分之一的數(shù)據(jù)做測試。訓(xùn)練集的最小含量由樣本含量經(jīng)驗(yàn)規(guī)則確定。

到此，關(guān)于“Python量化回測常見陷阱有哪些”的學(xué)習(xí)就結(jié)束了，希望能夠解決大家的疑惑。理論與實(shí)踐的搭配能更好的幫助大家學(xué)習(xí)，快去試試吧！若想繼續(xù)學(xué)習(xí)更多相關(guān)知識，請繼續(xù)關(guān)注億速云網(wǎng)站，小編會繼續(xù)努力為大家?guī)砀鄬?shí)用的文章！