因子回测帮助文档

1.1 因子输入

回测的第一步就是因子的输入。这里默认回测的因子已经写入数据库，所以仅仅需要提供因子的名称和方向即可，回测系统会根据这些信息自动从数据库中读取因子，加载到回测系统。

因子的名称和方向需要用python dict的数据结构提供，每个因子一个dict，最终将这些dict放到一个list中，作为参数，传入回测的类。

例子：

factors = [{'name':'MonthlyReturn', 'direction':1},
            {'name':'RoeGrowth1', 'direction':-1},
            {'name':'MonthlyTradeAmount', 'direction': 1}]

1.2 调仓频率

目前支持三个最常用的调仓频率，即

• month_end: 每个月最后一个交易日调仓
• week_end：每周最后一个交易日调仓
• daily: 每个交易日调仓

1.3 参考基准

如果没有参考基准，回测的结果就很难评估和比对。目前线上支持多达320多个指数作为基准，但是常见作为基准的指数主要有

• 中证500
• 沪深300
• 上证50

1.4 持仓数量

一般持仓股票的数量都会有一些限制，数量过多，会平滑收益，很难战胜指数。数量过少，又会暴露更多的风险在个股或者行业上。所以这里也要设定好一个持仓数量。

1. 类的参数说明

FactorBackTest需要显式初始化下面的参数：

• begin_day:开始日期，string类型，如“20150101”
• end_day:结束如期
• benchmark:参考基准,以为指数代码，如’000905.SH‘（中证500）
• factors:因子名与方向的字典
• holding_count: 持仓数量
• freq: 调仓频率 ’month_end’为按月调仓，’week_end’为按周调仓,’daily’为按日调仓
• construction_method: 构建方法，默认为因子rank后行业中性调整，还可设置为等权’equal_weight’

[3]:

start = '20150101'
end = '20170919'
factors = [{'name':'MonthlyReturn', 'direction':1},
            {'name':'RoeGrowth1', 'direction':-1},
            {'name':'MonthlyTradeAmount', 'direction': 1}]
bt = FactorBackTest('000905.SH',start,end,factors,holding_count=200,freq='month_end')

2. set_select_scope

设置选股域，参数为’A’时（默认值），从全A股中选取股票。也可以设置为指数代码，例如’000905.SH’，代表从中证500中选取股票

[4]:

bt.set_select_scope('A') # 从全A股中选取
# bt.set_select_scope('000905.SH')  # 从中证500中选取股票

3. set_buy_st

是否买入ST股票，默认为False，不买入。

[5]:

bt.set_buy_st(False)  # 不买被st的股票

4. set_buy_limit_down

是否买入跌停的股票，默认为True，即：股票跌停也可以买入

[6]:

bt.set_buy_limit_down(True) # 如果为True，则表示买入跌停股票， 默认为True

5. set_commission

设置交易费用，默认买入费率为0， 卖出费率为0。

[7]:

bt.set_commission(buy_cost=0.0005, sell_cost=0.0015)

6. set_industry_neutralization

设置是否为行业中性，默认为True，即等权的构建方法也需要进行行业中性。如果设置了6.2中的单行业回测，则这个参数置为False。因为默认输入的因子是单个行业的因子。

[8]:

bt.set_industry_neutralization(True)

7. set_industry_v1_code

Attention：这个设置会开启单行业回测的功能，目前仅支持申万一级行业

如果进行下面的设置，会将因子中不属于汽车的股票全部剔除，并且不会进行行业中性化和行业填充。回测结果中的基准收益曲线就是基准中（例如中证500）汽车行业的收益曲线。

[9]:

# bt.set_industry_v1_code('SW801880')  # 汽车行业

7. run

回测执行函数,无需传入函数

[10]:

%time bt.run()

loading dailyreturn time cost 3.42s
加载中: MonthlyReturn
loading monthlyreturn time cost 3.10s
加载中: RoeGrowth1
loading roegrowth1 time cost 4.35s
加载中: MonthlyTradeAmount
loading monthlytradeamount time cost 3.24s
因子加载完成

CPU times: user 52.1 s, sys: 5.2 s, total: 57.3 s
Wall time: 1min 4s

8.analy_plot

将组合累积收益、基准累积收益，alpha曲线plot出来

[11]:

bt.analy_plot()

9.get_trading_days

获取回测期间的交易日列表

[12]:

bt.get_trading_days()[:5]  # 仅仅展示前5个

[12]:

['20150105', '20150106', '20150107', '20150108', '20150109']

10. get_adj_days

获取调仓日期列表

[13]:

bt.get_adj_days()[:5]  # 仅仅展示前5个

[13]:

['20150130', '20150227', '20150331', '20150430', '20150529']

11. get_portfolio_ret

获取组合收益序列，类型为Series，index为datetime类型的时间。 1. 如果设置了交易费率，会在调仓日减去交易费用。 2. 如果尚未建仓，则组合收益设为benchmark的收益值。

[14]:

bt.get_portfolio_ret()[:3]

[14]:

2015-01-05         NaN
2015-01-06    0.011602
2015-01-07    0.001529
dtype: float64

12. get_portfolio_cum_ret

获取组合累积收益（累加）， 类型为Series，index为datetime类型的时间。

[15]:

bt.get_portfolio_cum_ret().plot(grid=True)

[15]:

<matplotlib.axes._subplots.AxesSubplot at 0x7f19a8365c18>

13. get_benchmark_ret

获取基准收益序列，类型为Series，index为datetime类型的时间。

[16]:

bt.get_benchmark_ret()[:3]

[16]:

datetime
2015-01-05         NaN
2015-01-06    0.011602
2015-01-07    0.001529
Name: close, dtype: float64

14.get_benchmark_cum_ret

获取基准累积收益（累加）

[17]:

bt.get_benchmark_cum_ret().plot(grid=True)

[17]:

<matplotlib.axes._subplots.AxesSubplot at 0x7f1989668c88>

15.get_holding

获取每个交易日的持仓信息,参数为字符串类型的日期。如果没有传入参数，则返回每个交易日的持仓，这个时候的数据量会比较大

[18]:

bt.get_holding('20150204').head()

[18]:

603609.SH    0.00595
000048.SZ    0.00595
000702.SZ    0.00595
002458.SZ    0.00595
300106.SZ    0.00595
dtype: float64

16.get_adj_holdings

获取某一个调仓日调仓前的持仓信息

param date_str: 字符串类型的日期,如果日期为NULL值，则返回相关的统计信息,此时下面的数字均代表各个状态的数量: ‘stock_counts’, ‘abnormal_stock_counts’, ’filled_stocks’分别代表持仓股票数量，持仓中非正常状态（停牌，涨跌停）的股票数量，持仓中不是选股得到，而是行业中性填充的股票数量

param pre_adj: 是否返回调仓前的持仓数据，默认为False，即返回调仓后的数据

[19]:

bt.get_adj_holdings()

[20]:

bt.get_adj_holdings('20150529',pre_adj=False).head()

[20]:

17. get_weight_changes

获取调仓前后权重变动比例

[21]:

bt.get_weight_changes('20150731').head()

18.run_port_list

该函数类似于run这个接口，会加载本地调仓文件中的信息进行回测。

FactorBackTest类中仅仅benchmark参数有效，其他参数都会根据文件中的信息进行重置

开始日期会自动设为第一个调仓日，结束日期为最后一个调仓日.

param file_path: 调仓记录的csv文件路径，必须要包含securityId，dateTime, securityWeight三列

[ ]:

bt.run_port_list('adb_all20161031_20170731_000905H_AI_Ada_nSTSus_200_kFin.csv')

19. 收益分析

根据组合收益和基准收益，输出常见指标，如最大回测，每日收益等等

param port_return: 组合收益序列，非累积收益，pd.Series类型，index为datetime类型的日期。

param benchmark_return: 基准收益序列，非累积收益，pd.Series类型，index为datetime类型的日期。

这里面仅仅需要传递组合的收益序列和基准的收益序列即可（bt.get_portfolio_ret()和bt.get_benchmark_ret()）

[23]:

from smartbeta.analyst import ReturnAnalyzer
ReturnAnalyzer.analyze_return(bt.get_portfolio_ret(), bt.get_benchmark_ret())

整体数据起始日期: 2015-01-05
整体数据结束日期: 2017-09-19


历史回测月份: 31

[-0.045 -0.104]