本系列文章將會(huì)介紹如何使用DolphinDB進(jìn)行交易回測。本文以移動(dòng)平均線指標(biāo)為例，介紹如何在DolphinDB中實(shí)現(xiàn)技術(shù)信號(hào)回測。移動(dòng)平均線指標(biāo)（Moving average，簡稱MA）屬于趨勢指標(biāo)。在金融分析領(lǐng)域，移動(dòng)平均線是不可缺少的指標(biāo)工具。除了指示趨勢，均線指標(biāo)還能避免由于股價(jià)下跌錯(cuò)失清倉的機(jī)會(huì)，減少收益的損失，及時(shí)止損，也能避免股價(jià)上漲錯(cuò)失買入的時(shí)機(jī)，從而獲得更高的收益。

回測過程中，我們考慮兩種情況：不止損回測和止損回測。

數(shù)據(jù)表需要包含以下字段：

股票代碼：sym

日期：date

收盤價(jià)格：close

1. 定義MA信號(hào)

當(dāng)短期均線大于長期均線時(shí)，我們認(rèn)為這是一個(gè)MA交易信號(hào)。

2. 不止損回測

我們定義的交易算法如下：

假設(shè)前一天的MA信號(hào)為prevSignal，當(dāng)天的MA信號(hào)為signal。

（1）如果prevSignal=false，signal=true，那么買入多頭頭寸（long position）。

（2）如果prevSignal=true，signal=false，那么賣出空頭頭寸（short position）。

（3）如果不符合以上兩種情況，則保持與前一天相同的頭寸。

def backtest(t){
t2 = select sym,date,close,prev(close) as prevClose,signal, prev(signal) as prevSignal from t context by sym
update t2 set position=iif(prevSignal==false and signal==true, 1 ,iif(prevSignal==true and signal==false, -1, int())).prev().ffill() context by sym
return select sym,date,close,signal,position,position*(close - prevClose) as pnl from t2 where isValid(position)
}

DolphinDB函數(shù)說明：

iif(condition, trueResult, falseResult)：如果滿足條件condition，則返回trueResult，否則返回falseResult。它相當(dāng)于if...else語句，但是語法上更加簡潔。

int()：返回int類型的NULL值。

prev(x)：把向量中的所有元素向右移動(dòng)一個(gè)位置。

ffill(x)：使用NULL值前的非NULL元素填充向量中的NULL值。

isValid()：檢查每個(gè)元素是否為NULL。如果為NULL，返回0，否則返回1。

backtest 函數(shù)說明：

回測時(shí)首先整理數(shù)據(jù)，使用prev()函數(shù)把前一天的收盤價(jià)格prevClose和前一天的MA信號(hào)prevSignal與當(dāng)天的數(shù)據(jù)對(duì)齊，便于計(jì)算。

接著，按照我們定義的交易算法，計(jì)算每個(gè)股票的頭寸position。position=1表示買入，position=-1表示賣出，position=NULL表示保持不變。

最后，使用position*(close - prevClose)計(jì)算盈虧pnl。

3. 止損回測

3.1 判斷止損點(diǎn)

首先，定義函數(shù)stoploss判斷是否需要止損。該函數(shù)返回布爾類型的向量。

DolphinDB內(nèi)置函數(shù)說明：

cumprod：計(jì)算累計(jì)乘積。

cummax：計(jì)算累計(jì)最大值。

at(x)：x是布爾表達(dá)式，找出符合條件x的元素的位置。

first：返回第一個(gè)元素。

take(X, k)：返回包含k個(gè)x的向量。

stoploss 函數(shù)說明：

首先計(jì)算累計(jì)回報(bào)率cumret，接著計(jì)算當(dāng)前回報(bào)率和累計(jì)最大回報(bào)率的回撤drawdown，當(dāng)回撤drawdown大于等于預(yù)設(shè)閾值threshold時(shí)，則認(rèn)為應(yīng)當(dāng)止損，并記錄止損的起始位置firstCutIndex（由于到股市收盤時(shí)才知道是否需要止損或止盈，所以firstCutIndex要加1）。止損信號(hào)indicator的所有元素一開始設(shè)定為全是false。如果止損的起始位置firstCutIndex不為NULL，且不超過當(dāng)前的數(shù)據(jù)量，則把止損信號(hào)indicator中從firstCutIndex開始到最后的所有元素設(shè)為true，表示從firstCutIndex開始，都應(yīng)當(dāng)止損。

3.2 止損回測

回測時(shí)，將止損前后的盈虧進(jìn)行對(duì)比 。

def backtest_stoploss(t, thresholdDrawDown){
t2 = select sym,date,close,prev(close) as prevClose,signal, prev(signal) as prevSignal from t context by sym
update t2 set position=iif(prevSignal==false and signal==true, 1 ,iif(prevSignal==true and signal==false, -1, int())).prev().ffill() context by sym
update t2 set pnl = position*(close - prevClose), ret = (close - prevClose)/prevClose
update t2 set stoplossInd = segmentby(stoploss{,thresholdDrawDown}, ret, position) context by sym
return select sym,date,close,signal,position,stoplossInd,pnl * stoplossInd as pnl, pnl as nostoplossPnl from t2 where isValid(position)
}

DolphinDB函數(shù)說明：

segmentby(func, funcArgs, segment)：把funcArgs分成多個(gè)組，并把函數(shù)func應(yīng)用到每個(gè)組中。segment是一個(gè)向量，可以把它看作是分組方案，連續(xù)相同的元素為一組。通過下面的例子我們可以更好地理解segmentby：

上面的例子中，y定義了3個(gè)分組：1 1 1、-1 -1 -1 和1 1 1，第一個(gè)分組的index是0-2，第二個(gè)分組的index是3-5，第三個(gè)分組的index是6-9。按照這個(gè)規(guī)則把x分成3組：1 2 3、0 3 2、1 4 5，并在每個(gè)分組中計(jì)算累計(jì)和。

stoploss{, thresholdDrawDown}這種表達(dá)方式是定義一個(gè)部分應(yīng)用，用于固定stoploss的第二個(gè)參數(shù)thresholdDrawDown。

backtest_stoploss 函數(shù)說明：

前三行代碼和1.2大致相同，除了計(jì)算盈虧pnl之外，還計(jì)算了回報(bào)率ret，因?yàn)閟toploss函數(shù)需要ret作為輸入。接著把每個(gè)股票的回報(bào)率ret按階段分組（position中的元素連續(xù)多個(gè)1表示持續(xù)買入，連續(xù)多個(gè)-1表示持續(xù)賣出，連續(xù)多個(gè)NULL表示持續(xù)不變），在每個(gè)階段分組中判斷是否需要止損，為每只股票生成止損信號(hào)stoplossInd。最后計(jì)算止損前后的盈虧，止損前的盈虧為nostoplossPnl，止損后的盈虧為pnl。

4. 統(tǒng)計(jì)信息

通常情況下，我們還需要分析盈虧的統(tǒng)計(jì)信息。通過下面的自定義函數(shù)calcPerformance可以計(jì)算盈虧的統(tǒng)計(jì)信息，比如累計(jì)盈虧cumpnl、平均盈虧avgpnl、盈虧天數(shù)days、盈虧的標(biāo)準(zhǔn)差std、最大回撤maxDrawdown等。返回的數(shù)據(jù)類型是字典。

def calcPerformance(pnl){
result = dict(STRING, DOUBLE)
result[`cumpnl]= pnl.sum()
result[`avgpnl]= pnl.avg()
result[`days] = pnl.size()
result[`std]= pnl.std()
result[`maxDrawdown] = (pnl.cumsum().cummax() - pnl.cumsum()).max()
return result
}

5. 運(yùn)行實(shí)例

我們使用美國股市從1998年到2016年股票的每日交易信息作為數(shù)據(jù)集來進(jìn)行測試。數(shù)據(jù)集共包含3474萬條記錄。

情況一：不止損回測

//不止損回測
positions = backtest(t)

//計(jì)算盈虧并繪制盈虧走勢圖
dailyPnl = select sum(pnl) as pnl from positions group by date order by date
calcPerformance(dailyPnl.pnl)
plot(dailyPnl.pnl.cumsum() as cumulativePnl, dailyPnl.date, 'Cumulative Pnl of All Stocks without Stop Loss Control')

//分析每只股票的盈虧信息
select calcPerformance(pnl) as `cumpnl`avgpnl`days`std`maxDrawdown from result group by sym

symcumpnlavgpnldaysstdmaxDrawdown
A48.750.01084,513.1.5895106.55
AA7.96250.00174,624.1.131119.75
...

情況二：止損回測。我們把預(yù)設(shè)閾值設(shè)為2.5%。

DolphinDB database 雖然是一個(gè)通用的分布式時(shí)序數(shù)據(jù)庫，但因?yàn)閮?nèi)置極其高效的多范式編程語言，開發(fā)效率非常高。如果回測不用考慮止損，僅用了3行代碼計(jì)算MA信號(hào)，3行代碼進(jìn)行回測。DolphinDB的運(yùn)行效率更是驚人，對(duì)美國股市18年的全部股票按日進(jìn)行回測，不止損回測執(zhí)行耗時(shí)僅4秒多，止損回測僅7秒多。

本文的目的是從技術(shù)上幫助金融工程師使用DolphinDB快速實(shí)現(xiàn)交易回測。文中采用的各種參數(shù)，譬如長短線時(shí)間，止損閾值，數(shù)據(jù)過濾的方法等等，只是起到演示的作用，并非實(shí)踐中的最佳參數(shù)。

歡迎訪問官網(wǎng)下載DolphinDB試用版