README.md · Halo/Python-Quantitative-Backtest-Project

# python 量化小组项目说明
## 1.运行方式
```
python src/GUI.py
```

## 2.文件结构 
│  .gitignore  
│  README.md  
│  requirements.txt  
├─charts  
│      cumulative_return.html  
│      kline.html  
│      Readme.md  
│
├─data  
│      2010-01-05.csv  
│      daily_data.pkl  
│      Readme.md  
│      weekly_data.pkl  
│      因子介绍.txt  
│
└─src  
│  backtest.py  
│  data.py  
│  GUI.py  
│  helper.py  
│  settings.py  
│  strategy.py  
│  test.py  
│  visualize.py  
│  weekly_data_constructor.py

## 3.项目结构
### （1）数据类
#### 3.1.1 数据信息简介
#### 周频数据
 - 相关因子：异象回归用超额收益率，总市值，动量效应，反转效应，BM，收盘价
 - 股票数量：A股市场沪深主板、新三板的1327只股票  
 - 时间范围：2010.3.19-2020.12.31 的554周周频数据
#### 日频数据
 - 相关因子：BBI，BOLL，PSY，RSI，开盘价，收盘价，最高价，最低价
 - 股票数量：24只股票
 - 时间范围：2010.1.1-2020.12.31 的日频数据
#### 3.1.2 数据处理过程
 - 首先获取数据，并将某日的原始数据输出为csv文件
 - 获取指定时间段的所有股票原始数据
 - 而后为单因子策略清洗数据
 - 获取指定时间段某只股票的数据
 - 并查看原始数据内容格式

### （2）策略类
#### 3.2.1 多因子选股模型
策略简介：
选取每一周横截面数据，采用多元回归模型。
 - 因变量：超额收益率，超额收益=（收益-无风险利率）
 - 策略因子：总市值,动量效应,反转效应,BM
 根据因变量和策略因子确定因子权重，带入1327只股票数据，获得被解释变量mispricing，并排序，选取排名前10%股票实行周买入和卖出策略。
具体实施步骤：
 - Step1： 对选定的四个因子进行多元回归
 - 
        - 自变量对应为：动量效应momentum，反转效应reverse，总市值size，账面市值比BM
        - 因变量对应为：超额收益率excess_return
        - 首先进行相关性分析，而后进行OLS多元回归
        - 回归的目的：得到各因子系数与拟合的股票评分模型
 - Step2： 
 - 
        - 根据Step1得到的回归模型，对股票池中的若干股票进行评分
        - 根据评分结果进行倒序排序
        - 取出排名在前10%的股票名称，存入列表
- Step3： 
 - 
        - 如果股票池中股票，在Step2排序得出的股票列表中，则买入，否则不进行操作或卖出
        - 预备操作：将上周收盘价加入到本周的dataframe中，以便回测
#### 3.2.2 单因子模型
 策略简介：
 - 单因子模型通过选取多个因子，分别做策略分析。
#### 3.2.2 （1）BBI单因子策略
 - 交易策略简介：BBI是一种将不同日数移动平均线加权平均之后的综合指标。 
 - 买卖判断依据：收盘价格上行突破BBI多空指标，买入；反之，卖出 
 - 计算使用的指标：BBI、收盘价 close
                
#### 3.2.2 （2）BOLL单因子策略
- 交易策略简介：boll_down 为下轨线（布林线）指标、boll_up 上轨线（布林线）指标，二者形成一条通道 
- 买卖判断依据：当上升穿越布林线上轨线时，回档机率大，卖出；股价下跌穿越布林线下轨线时，反弹机率大，买入 
- 计算使用的指标：boll_down 下轨线指标、boll_up上轨线指标、high 最高价、low 最低价

#### 3.2.2 （3）PSY单因子策略
- 交易策略简介：PSY是心理线指标，研究投资者对股市涨跌产生心理波动的情绪指标 
- 买卖判断依据：PSY>75，形成Ｍ头时，股价容易遭遇压力； PSY<25，形成Ｗ底时，股价容易获得支撑 
- 计算使用的指标：PSY
#### 3.2.2 （4）RSI单因子策略
- 交易策略简介：RSI为相对强弱指标，是一个信号指标。 
- 买卖判断依据：当RSI小于30时，是买入的信号；反之，卖出 
- 计算使用的指标：RSI

### （3）回测类
#### 3.3.1 回测方法简介
##### 单因子回测：

根据单因子的不同策略，决定每天的买入和卖出股票。同时在界面确定交易的时间段，输出股票收益率。

##### 多因子回测：

根据多因子策略，确定买入和卖出得到股票集。同时在界面确定交易的时间段，输出股票收益率。
    
例如：在第二周开盘的时候直接买入。获取到股票的第二周收益率（=（第二周股价-第一周股价）/第一周股价）
        输出第二周的收益率

#### 3.3.2 回测具体实施方法
总体目标：计算投资收益率、最大回撤率、夏普比例
 - 首先对多只股票日进行回测：
 - 
        - 定义前一日持仓数、前一天资金额、资产的最高点与与最低点
        - 用日志记录累计收益率、日收益率与波动率、最大回撤等指标
        - 而后采用绘图方式将此过程可视化

- 而后对单只股票进行回测：
 - 
        - 如果未持有应买入的股票，则进行买入
        - 如果持有应卖出的股票，则进行卖出
        - 而后对现有资金量进行计算，计算出股票收益率

### （4）可视化类
1.单只股票的K线图：根据单因子的回测结果,表示某只股票在一段时间内的K线走势

数据来源：给定的24只股票中任选一只

数据类型：日频数据

所用因子：
- 收盘价 close
- 开盘价 open
- 最高价 high
- 最低价 low
    
2.收益率曲线图：图表含义：表示根据某种量化策略进行交易后，某只股票在一段时间内的收益率变化曲线图

数据来源：沪深主板、新三板等上市的A股共计1327只

数据类型：日频、周频数据

所用因子：
- 卖出日开盘价 open
- 卖出日收盘价 close

# 4.参考编码规范
[python-style-guide](https://python-guide.gitbooks.io/python-style-guide/content/)

# 5.量化知识点
[量化投资策略](https://www.mubucm.com/doc/5fWCylZxZrD)

Halo/Python-Quantitative-Backtest-Project

简介

发行版

贡献者

近期动态

Halo/Python-Quantitative-Backtest-Project .gitee-modal { width: 500px !important; }

简介

发行版

贡献者

近期动态

搜索帮助

Halo/Python-Quantitative-Backtest-Project