# 期货回测实现

**Repository Path**: axelors/2022_backtest

## Basic Information

- **Project Name**: 期货回测实现
- **Description**: 2022年大作业，对期货进行回测实现
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 1
- **Created**: 2022-12-05
- **Last Updated**: 2024-04-15

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

期货数据回测
计算思路：
1、	计算每天145900的持仓市值，根据市值变化计算pnl
2、	计算每次调仓前后市值的变化计算turnover
3、	用pnl-每天发生的turnover*交易费率计算pnl-net

一、读取每次交易对应的clz，如果交易对应timestamp的clz字段缺失，则使用之前最近的clz：
1.	for name in path_ft_ls:  
2.	    # name = path_ft_ls[0]  
3.	    df_t = pd.read_feather('1m/1m/' + name + '.ft')  
4.	    df_t = df_t.merge(df_clz[['trading_day', 'timestamp']], on=['trading_day'], how='left', suffixes=('', '_clz'))  
5.	    df_t = df_t[df_t['timestamp'] <= df_t['timestamp_clz']]  
6.	    df_t = df_t.groupby(by=['trading_day', 'timestamp_clz'])[['clz']].last()  
7.	    df_t.reset_index(inplace=True)  
8.	    df_t.rename(columns={'timestamp_clz':'timestamp', 'clz': name}, inplace=True)  
9.	    df_clz = df_clz.merge(df_t[['trading_day', 'timestamp', name]], on=['trading_day', 'timestamp'], how='left')  
二、读取每天145900结算的clz，同理如果145900的clz缺失，则使用之前最近的clz：
1.	df_clz_1459 = pd.DataFrame()  
2.	df_clz_1459['trading_day'] = df_tar['trading_day']  
3.	df_clz_1459['timestamp'] = 145900  
4.	for name in path_ft_ls:  
5.	    # name = path_ft_ls[0]  
6.	    df_t = pd.read_feather('1m/1m/' + name + '.ft')  
7.	    df_t = df_t.groupby(by=['trading_day'])[['clz']].last()  
8.	    df_t.rename(columns = {'clz':name},inplace=True)  
9.	    # df_clz_1459[name] = df_t['clz']  
10.	    df_clz_1459 = df_clz_1459.merge(df_t, on=['trading_day'], how='left')  
三、将各个表格的trading-day设置为index
1.	def SetTimeIndex(df_tar):  
2.	    df_tar.loc[df_tar['timestamp'] > 145900, 'trading_day'] = df_tar.shift(-1)[df_tar['timestamp'] > 145900]['trading_day'].values  
3.	    df_tar.set_index(keys=['trading_day'], inplace=True)  
4.	    df_tar.index = pd.DatetimeIndex(df_tar.index.astype(int).astype(str))  
5.	    df_tar.drop(labels=['timestamp'], inplace=True, axis=1)  
6.	    return df_tar  
7.	df_tar = SetTimeIndex(df_tar)  
8.	df_clz = SetTimeIndex(df_clz)  
9.	df_clz_1459 = SetTimeIndex(df_clz_1459)  
1.	df_clz_1459 = df_clz_1459.loc[df_tar.index]  
2.	  
3.	df_clz_1459 = df_clz_1459.loc[~df_clz_1459.index.duplicated(keep='last')]  
4.	df_tar_last = df_tar.loc[~df_tar.index.duplicated(keep='last')]  

数据说明：
df_tar：详细的每一笔交易target
df_clz:详细的每一笔交易clz
df_clz_1459:每天145900时的clz
df_tar_last:每天145900前最后的target状态

四、由于timestamp可能会超过结算时间145900，超过的行，对应的trading-day应该被更改为下一个target对应的交易日期：
1.	df_tar.loc[df_tar['timestamp'] > 145900, 'trading_day'] = df_tar.shift(-1)[df_tar['timestamp'] > 145900]['trading_day'].values  
用df_clz_1459、df_tar_last计算pnl；用df_tar、df_clz计算turnover，然后对turnover做天的加总；用pnl_net = pnl - turnover*3*10**(-4)计算pnl_net：
1.	pnl = (df_tar_last.shift(1)*df_clz_1459/df_clz_1459.shift(1) - df_tar_last.shift(1)).sum(axis = 1)  
2.	  
3.	turnover = (df_tar - df_tar.shift(1)*df_clz/df_clz.shift(1)).abs().sum(axis = 1)  
4.	turnover = turnover.groupby(by=['trading_day']).last()  
5.	  
6.	pnl_net = pnl - turnover*3*10**(-4)  
五、计算夏普、换手、平均杠杆率：
1.	Sharp = pnl_net.mean() / pnl_net.std() * 15.8  
2.	lower = 1  
3.	if df_tar.iloc[0, :].sum() > 5:  
4.	    lower = 100e4  
5.	TurnOver = turnover.mean() / lower  
6.	AveLeverage = df_tar.sum(axis = 1).abs().mean() / lower  
六、作图：
1.	plt.figure('pnl')  
2.	plt.title('Sharp:{:.2f},TurnOver:{:.2f},AveLeverage:{:.2f}'.format(Sharp, TurnOver, AveLeverage))  
3.	plt.plot(pnl.cumsum(), label = 'pnl')  
4.	plt.plot(pnl_net.cumsum(), label = 'pnl_net')  
5.	plt.legend()  
6.	plt.show()