# backtesting

**Repository Path**: yunzhongfei8/backtesting

## Basic Information

- **Project Name**: backtesting
- **Description**: 基于VNPY优化修改的回测框架支持暴力穷举和遗传算法的参数优化，支持多周期多策略组合回测
- **Primary Language**: Python
- **License**: Apache-2.0
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 27
- **Created**: 2021-11-19
- **Last Updated**: 2021-11-19

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# backtesting

原始帖子：https://bbs.quantclass.cn/thread/533


#### 介绍
基于VNPY优化修改的回测框架：
功能：

1. 支持单个参数回测：可输出交易明细和图形

2. 支持暴力穷举参数优化

3. 支持遗传算法参数优化

4. 支持BITMEX和BINANCE的历史数据下载

5. 支持刑大课程里的策略直接拿过来用，放在strategies目录下即可（参考BollingStrategy的写法）

6. 支持多策略，多周期，多参数组合回测

   

#### 使用说明

1.  run_backtesting.py:支持多策略，多参数，多周期的回测。
    会输出详细的回测结果、回测交易明细、图形和K线
回测步骤：
（1）初始化回测引擎
（2）engine.set_parameters设置回测的基本参数：
     包括交易对、交易所、数据文件的时间周期（下载的是1M）、开始时间、结束时间、
     手续费、每次下单数量、初始金额、回测的时间周期
（3）load_data()载入historical_data下的原始数据文件,并且根据设置的回测周期自动转换
（4）init_backtesting() 初始化回测引擎
（5）add_strategy()添加回测策略类和参数。
     策略类的写法可以参考刑大课程中的xxxSignal的写法，可以直接拿来用。
     也支持仓位管理课程里分仓位的写法
（6）run_backtesting()开始回测
（7）calculate_result()按日计算策略的盈亏和收益
（8）calculate_statistics()统计策略的各项指标：
     包括最终金额、最终收益、年化收益、最大回撤、胜率、夏普比率等
（9）show_chart()绘制收益率曲线等图形
（10）output_trades()输出每笔交易明细
（11）show_bar_chart()输出K线图并标记每笔交易（还未完成，图形不是太好看还在调整）

注：所有的输出内容包括交易明细和图形都会保存在details目录下


2.  run_optimization.py:用暴力穷举法进行参数优化选择
    根据设置的参数范围和时间范围进行优化，选出最优的一些参数，并在后续的时间段进行验证。
回测步骤：
（1）初始化回测引擎
 (2) 设置回测交易对列表（可批量添加多个交易对逐个回测）
（3）设置需要回测的周期列表，比如15T，30T，60T
（4）设置回测时间段和验证时间段，start_date-end_date之间的为回测时间段。
     回测结束后，选取回测结果最好的N个参数（N=check_num）
     再验证end_date-check_date之间的结果   
（5）初始化OptimizationSetting参数组合
     设置回测周期和优化目标set_target（一般优化目标为total_return总收益率，也可以设置别的）
     设置各优化参数的范围和步长，这个设置的范围越大优化组合越多时间越长
（6）新建进程池，用多进程进行回测提升效率（进程池数量为CPU核心数-2），如果用满容易把机器跑死
（7）初始化回测引擎，开始逐个回测（类似run_backtesting）
（8）每个交易对回测结束会输出两个文件，一个是回测结果，一个是验证结果，都输出在results文件夹下


3.  run_ga_optimization.py:用遗传算法进行参数优化选择
    利用GAFT遗传算法库，根据设定的参数范围和遗传的代数，进行不断的遗传优化，最终选出最优参数组合
    相比暴力穷举法节省了大量时间（有些参数组合结果很差的就舍去了，不会重复回测）
回测步骤：
（1）设置遗传多少代，越多越好，所需时间也越长
 (2) 设置回测交易对列表（可批量添加多个交易对逐个回测）
（3）设置需要回测的周期列表，比如15T，30T，60T
（4）设置回测时间段
（5）初始化OptimizationSetting参数组合
     设置回测周期和优化目标set_target（一般优化目标为total_return总收益率，也可以设置别的）
     设置各优化参数的范围和步长
（7）初始化回测引擎，开始逐代回测，最终选出最优参数