【程式交易系列】#4 用Python進行回測

這篇文章將會按照上一篇【程式交易系列】#3 回測(Backtesting)的架構來實作，讓大家可以透過Python程式碼能又更具體的感受。

抓取資料

先利用我們在【網路爬蟲】臺灣證券交易所歷史資料教學(2)的爬蟲方法將股價資料抓下來，並存成Excel檔案，前面均不變僅在最後一行加上了將DataFrame產出為Excel的指令。

import pandas as pd
import numpy as np
import json
import requests
import datetime
import time


def Get_StockPrice(Symbol, Date):

    url = f'https://www.twse.com.tw/exchangeReport/STOCK_DAY?response=json&date={Date}&stockNo={Symbol}'
    print(url)
    data = requests.get(url).text
    json_data = json.loads(data)
    
    Stock_data = json_data['data']
    
    StockPrice = pd.DataFrame(Stock_data, columns = ['Date','Volume','Volume_Cash','Open','High','Low','Close','Change','Order'])
    
    StockPrice['Date'] = StockPrice['Date'].str.replace('/','').astype(int) + 19110000
    StockPrice['Date'] = pd.to_datetime(StockPrice['Date'].astype(str))
    StockPrice['Volume'] = StockPrice['Volume'].str.replace(',','').astype(float)/1000
    StockPrice['Volume_Cash'] = StockPrice['Volume_Cash'].str.replace(',','').astype(float)
    StockPrice['Order'] = StockPrice['Order'].str.replace(',','').astype(float)
    
    StockPrice['Open'] = StockPrice['Open'].str.replace(',','').astype(float)
    StockPrice['High'] = StockPrice['High'].str.replace(',','').astype(float)
    StockPrice['Low'] = StockPrice['Low'].str.replace(',','').astype(float)
    StockPrice['Close'] = StockPrice['Close'].str.replace(',','').astype(float)

    StockPrice = StockPrice.set_index('Date', drop = True)


    StockPrice = StockPrice[['Open','High','Low','Close','Volume']]
    print(StockPrice)
    return StockPrice

if __name__ == '__main__':   
    Symbol = '00631L'
    Dates = pd.date_range(start = '2010-01-01', end = '2020-09-01', freq = 'MS').astype(str)
    
    data = Get_StockPrice(Symbol, Dates[0].replace('-',''))
    
    for Date in Dates[1:]:
        try:
            data = pd.concat([data,Get_StockPrice(Symbol, Date.replace('-',''))], axis = 0)
            time.sleep(5)
        except:
            pass
    
    data.to_excel(Symbol + '.xlsx')

分析資料與交易策略發想

首先我們將剛剛生成的Excel檔案讀入，先將歷史資料暫存的目的就是要讓每次測試執行時，不用一直去交易所爬蟲，爬蟲比較耗時間，例如每次爬取一個月後，就必須要sleep幾秒，所以我們這個簡單的範例就先用Excel來暫存，我自己在ㄧ些比較大的專案比較喜歡建立SQL的資料庫。

讀入歷史資料：

import pandas as pd
import numpy as np

df = pd.read_excel('2330.xlsx')
df.info()

確認格式均為可計算的浮點位數

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 2539 entries, 0 to 2538
Data columns (total 6 columns):
 #   Column  Non-Null Count  Dtype         
---  ------  --------------  -----         
 0   Date    2539 non-null   datetime64[ns]
 1   Open    2539 non-null   float64       
 2   High    2539 non-null   float64       
 3   Low     2539 non-null   float64       
 4   Close   2539 non-null   float64       
 5   Volume  2539 non-null   float64       
dtypes: datetime64[ns](1), float64(5)
memory usage: 119.1 KB

我們先來用一個相當簡單的範例來說明回測的流程，這篇的目的是教大家怎麼樣做回測，不是要告訴你會賺錢的策略，大家別誤會啊！所以我們先用一個老少咸宜的均線交叉策略來說明，我們在這邊假設以短中期均線作為我們的交易策略，當短期均線由下往上穿越中期均線時，則進場買進，當短期均線由上往下穿越中期均線時，則出清持股。

df['MA1'] = df['Close'].rolling(20).mean() #計算短期均線
df['MA2'] = df['Close'].rolling(60).mean() #計算中期均線

df[['Close','MA1','MA2']].plot() #將收盤價、短期均線、中期均線進行作圖

交易訊號轉換

我們可以利用np.where的函數來操作，np.where就是矩陣式計算if-else的意思，可以看到下面程式碼中np.where有三個參數，第一個為判斷的條件，我們的條件式短期均線大於中期均線，第二個參數就是符合條件時，df[‘Signal’]將產生出哪個值，如果不符合條件時，產生出的值則放在第三個參數。

df['Signal'] = np.where(df['MA1'] > df['MA2'], 1, 0)
df['Signal'].plot(kind = 'area')

回測

進行回測也有幾個動作要處理，第一個是我們要先計算股票的日報酬率，這樣才能在回測時知道每一天的報酬率狀況，計算完股價日報酬率後，另外需建立交易策略下的報酬率，而且我們並假設邏輯如下：當天收盤確認訊號出現，在隔天的收盤價進場。

df['Return'] = df['Close'].pct_change() #計算股價日報酬率
df['Strategy_Return'] = df['Return'] * df['Signal'].shift(1) #計算交易策略日報酬率

先就兩個策略間的日報酬率進行分析

df[['Return','Strategy_Return']].describe()

            Return  Strategy_Return
count  2538.000000      2538.000000
mean      0.000858         0.000567
std       0.014856         0.011117
min      -0.069194        -0.067623
25%      -0.007973        -0.002658
50%       0.000000        -0.000000
75%       0.009343         0.004320
max       0.099741         0.099741

可以發現整體績效狀況不大明顯的差異，僅有在最低的第25百分位數日報酬有比較少的狀況。

績效評估

我們第一件事就是去產生權益曲線(Equity Curve)，由於是使用報酬率來去進行估計報酬率，所以就會有所謂的單利與複利狀況，我們分別假設兩種狀況。

df['EquityCurve(Simple)'] = df['Strategy_Return'].cumsum() #單利
df['EquityCurve(Compound)'] = ( 1 + df['Strategy_Return']).cumprod() -1 #複利

df[['EquityCurve(Simple)','EquityCurve(Compound)']].plot()