backtesting

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）

使用说明

1. run_backtesting.py:单个策略、单个参数的回测。 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