《python数字货币量化交易》学习笔记第四部分别有洞天篇 4.1 择时策略实盘与优化

概述《python数字货币量化交易》学习笔记第四部分别有洞天篇4.1择时策略实盘与优化.4.1.1策略评价4.1.2资金曲线图Statistics...《python数字货币量化交易》学习笔记第四部分别有洞天篇4.1择时策略实盘与优化4.1.1策略评价“”"本节课程内容评价策略好坏的

《python数字货币量化交易》学习笔记 第四部分别有洞天篇 4.1 择时策略实盘与优化
.
4.1.1 策略评价
4.1.2 资金曲线图 Statistics
.
.
.

《python数字货币量化交易》学习笔记 第四部分别有洞天篇 4.1 择时策略实盘与优化 4.1.1 策略评价

“”"

本节课程内容

评价策略好坏的主流指标
“”"
import pandas as pd
from Statistics import *
pd.set_option(‘expand_frame_repr’, False) # 当列太多时不换行
pd.set_option(‘display.max_rows’, 5000) # 最多显示数据的行数

读取资金曲线数据

equity_curve = pd.read_pickle(’/Users/xingbuxingx/Desktop/数字货币量化课程/2020版数字货币量化投资课程/xbx_coin_2020/data/cls-4.1.1/equity_curve.pkl’)

print(equity_curve)计算每笔交易

Trade = transfer_equity_curve_to_Trade(equity_curve)
print(Trade)

计算各类统计指标

r, monthly_return = strategy_evaluate(equity_curve, Trade)

print®
print(monthly_return)

**《python数字货币量化交易》学习笔记  第四部分别有洞天篇   4.1 择时策略实盘与优化  4.1.1 策略评价**"""# 本节课程内容评价策略好坏的主流指标"""import pandas as pdfrom Statistics import *pd.set_option('expand_frame_repr', False)  # 当列太多时不换行pd.set_option('display.max_rows', 5000)  # 最多显示数据的行数# 读取资金曲线数据equity_curve = pd.read_pickle('/Users/xingbuxingx/Desktop/数字货币量化课程/2020版数字货币量化投资课程/xbx_coin_2020/data/cls-4.1.1/equity_curve.pkl')# print(equity_curve)# 计算每笔交易Trade = transfer_equity_curve_to_Trade(equity_curve)print(Trade)# 计算各类统计指标r, monthly_return = strategy_evaluate(equity_curve, Trade)print(r)print(monthly_return)

《python数字货币量化交易》学习笔记 第四部分别有洞天篇 4.1 择时策略实盘与优化 4.1.2 资金曲线图 Statistics

“”"

课程内容

策略评价函数
“”"
import pandas as pd
import numpy as np
import itertools

======= 策略评价 =========将资金曲线数据，转化为交易数据

def transfer_equity_curve_to_Trade(equity_curve):
“”"
将资金曲线数据，转化为一笔一笔的交易
:param equity_curve: 资金曲线函数计算好的结果，必须包含pos
:return:
“”"
# =选取开仓、平仓条件
condition1 = equity_curve[‘pos’] != 0
condition2 = equity_curve[‘pos’] != equity_curve[‘pos’].shift(1)
open_pos_condition = condition1 & condition2

# =计算每笔交易的start_timeif 'start_time' not in equity_curve.columns:    equity_curve.loc[open_pos_condition, 'start_time'] = equity_curve['candle_begin_time']    equity_curve['start_time'].fillna(method='ffill', inplace=True)    equity_curve.loc[equity_curve['pos'] == 0, 'start_time'] = pd.NaT# =对每次交易进行分组，遍历每笔交易Trade = pd.DataFrame()  # 计算结果放在Trade变量中for _index, group in equity_curve.groupby('start_time'):    # 记录每笔交易    # 本次交易方向    Trade.loc[_index, 'signal'] = group['pos'].iloc[0]    # 本次交易杠杆倍数    if 'Leverage_rate' in group:        Trade.loc[_index, 'Leverage_rate'] = group['Leverage_rate'].iloc[0]    g = group[group['pos'] != 0]  # 去除pos=0的行    # 本次交易结束那根K线的开始时间    Trade.loc[_index, 'end_bar'] = g.iloc[-1]['candle_begin_time']    # 开仓价格    Trade.loc[_index, 'start_price'] = g.iloc[0]['open']    # 平仓信号的价格    Trade.loc[_index, 'end_price'] = g.iloc[-1]['close']    # 持仓k线数量    Trade.loc[_index, 'bar_num'] = g.shape[0]    # 本次交易收益    Trade.loc[_index, 'change'] = (group['equity_change'] + 1).prod() - 1    # 本次交易结束时资金曲线    Trade.loc[_index, 'end_equity_curve'] = g.iloc[-1]['equity_curve']    # 本次交易中资金曲线最低值    Trade.loc[_index, 'min_equity_curve'] = g['equity_curve'].min()return Trade

计算策略评价指标

def strategy_evaluate(equity_curve, Trade):
“”"
:param equity_curve: 带资金曲线的df
:param Trade: transfer_equity_curve_to_Trade的输出结果，每笔交易的df
:return:
“”"

# ===新建一个dataframe保存回测指标results = pd.DataFrame()# ===计算累积净值results.loc[0, '累积净值'] = round(equity_curve['equity_curve'].iloc[-1], 2)# ===计算年化收益annual_return = (equity_curve['equity_curve'].iloc[-1] / equity_curve['equity_curve'].iloc[0]) ** (    '1 days 00:00:00' / (equity_curve['candle_begin_time'].iloc[-1] - equity_curve['candle_begin_time'].iloc[0]) * 365) - 1results.loc[0, '年化收益'] = str(round(annual_return, 2)) + ' 倍'# ===计算最大回撤，最大回撤的含义：《如何通过3行代码计算最大回撤》https://mp.weixin.qq.com/s/DWt4lkKR_PEnWRprLlvPVw# 计算当日之前的资金曲线的最高点equity_curve['max2here'] = equity_curve['equity_curve'].expanding().max()# 计算到历史最高值到当日的跌幅，drowDWonequity_curve['dd2here'] = equity_curve['equity_curve'] / equity_curve['max2here'] - 1# 计算最大回撤，以及最大回撤结束时间end_date, max_draw_down = tuple(equity_curve.sort_values(by=['dd2here']).iloc[0][['candle_begin_time', 'dd2here']])# 计算最大回撤开始时间start_date = equity_curve[equity_curve['candle_begin_time'] <= end_date].sort_values(by='equity_curve', ascending=False).iloc[0]['candle_begin_time']# 将无关的变量删除equity_curve.drop(['max2here', 'dd2here'], axis=1, inplace=True)results.loc[0, '最大回撤'] = format(max_draw_down, '.2%')results.loc[0, '最大回撤开始时间'] = str(start_date)results.loc[0, '最大回撤结束时间'] = str(end_date)# ===年化收益/回撤比results.loc[0, '年化收益/回撤比'] = round(abs(annual_return / max_draw_down), 2)# ===统计每笔交易results.loc[0, '盈利笔数'] = len(Trade.loc[Trade['change'] > 0])  # 盈利笔数results.loc[0, '亏损笔数'] = len(Trade.loc[Trade['change'] <= 0])  # 亏损笔数results.loc[0, '胜率'] = format(results.loc[0, '盈利笔数'] / len(Trade), '.2%')  # 胜率results.loc[0, '每笔交易平均盈亏'] = format(Trade['change'].mean(), '.2%')  # 每笔交易平均盈亏results.loc[0, '盈亏收益比'] = round(Trade.loc[Trade['change'] > 0]['change'].mean() / \                                Trade.loc[Trade['change'] < 0]['change'].mean() * (-1), 2)  # 盈亏比results.loc[0, '单笔最大盈利'] = format(Trade['change'].max(), '.2%')  # 单笔最大盈利results.loc[0, '单笔最大亏损'] = format(Trade['change'].min(), '.2%')  # 单笔最大亏损# ===统计持仓时间，会比实际时间少一根K线的是距离Trade['持仓时间'] = Trade['end_bar'] - Trade.indexmax_days, max_seconds = Trade['持仓时间'].max().days, Trade['持仓时间'].max().secondsmax_hours = max_seconds // 3600max_minute = (max_seconds - max_hours * 3600) // 60results.loc[0, '单笔最长持有时间'] = str(max_days) + ' 天 ' + str(max_hours) + ' 小时 ' + str(max_minute) + ' 分钟'  # 单笔最长持有时间min_days, min_seconds = Trade['持仓时间'].min().days, Trade['持仓时间'].min().secondsmin_hours = min_seconds // 3600min_minute = (min_seconds - min_hours * 3600) // 60results.loc[0, '单笔最短持有时间'] = str(min_days) + ' 天 ' + str(min_hours) + ' 小时 ' + str(min_minute) + ' 分钟'  # 单笔最短持有时间mean_days, mean_seconds = Trade['持仓时间'].mean().days, Trade['持仓时间'].mean().secondsmean_hours = mean_seconds // 3600mean_minute = (mean_seconds - mean_hours * 3600) // 60results.loc[0, '平均持仓周期'] = str(mean_days) + ' 天 ' + str(mean_hours) + ' 小时 ' + str(mean_minute) + ' 分钟'  # 平均持仓周期# ===连续盈利亏算results.loc[0, '最大连续盈利笔数'] = max(    [len(List(v)) for k, v in itertools.groupby(np.where(Trade['change'] > 0, 1, np.nan))])  # 最大连续盈利笔数results.loc[0, '最大连续亏损笔数'] = max(    [len(List(v)) for k, v in itertools.groupby(np.where(Trade['change'] < 0, 1, np.nan))])  # 最大连续亏损笔数# ===每月收益率equity_curve.set_index('candle_begin_time', inplace=True)monthly_return = equity_curve[['equity_change']].resample(rule='M').apply(lambda x: (1 + x).prod() - 1)return results.T, monthly_return

**《python数字货币量化交易》学习笔记  第四部分别有洞天篇   4.1 择时策略实盘与优化 4.1.2 资金曲线图 Statistics**"""# 课程内容策略评价函数"""import pandas as pdimport numpy as npimport itertools# ======= 策略评价 =========# 将资金曲线数据，转化为交易数据def transfer_equity_curve_to_Trade(equity_curve):    """    将资金曲线数据，转化为一笔一笔的交易    :param equity_curve: 资金曲线函数计算好的结果，必须包含pos    :return:    """    # =选取开仓、平仓条件    condition1 = equity_curve['pos'] != 0    condition2 = equity_curve['pos'] != equity_curve['pos'].shift(1)    open_pos_condition = condition1 & condition2    # =计算每笔交易的start_time    if 'start_time' not in equity_curve.columns:        equity_curve.loc[open_pos_condition, 'start_time'] = equity_curve['candle_begin_time']        equity_curve['start_time'].fillna(method='ffill', inplace=True)        equity_curve.loc[equity_curve['pos'] == 0, 'start_time'] = pd.NaT    # =对每次交易进行分组，遍历每笔交易    Trade = pd.DataFrame()  # 计算结果放在Trade变量中    for _index, group in equity_curve.groupby('start_time'):        # 记录每笔交易        # 本次交易方向        Trade.loc[_index, 'signal'] = group['pos'].iloc[0]        # 本次交易杠杆倍数        if 'Leverage_rate' in group:            Trade.loc[_index, 'Leverage_rate'] = group['Leverage_rate'].iloc[0]        g = group[group['pos'] != 0]  # 去除pos=0的行        # 本次交易结束那根K线的开始时间        Trade.loc[_index, 'end_bar'] = g.iloc[-1]['candle_begin_time']        # 开仓价格        Trade.loc[_index, 'start_price'] = g.iloc[0]['open']        # 平仓信号的价格        Trade.loc[_index, 'end_price'] = g.iloc[-1]['close']        # 持仓k线数量        Trade.loc[_index, 'bar_num'] = g.shape[0]        # 本次交易收益        Trade.loc[_index, 'change'] = (group['equity_change'] + 1).prod() - 1        # 本次交易结束时资金曲线        Trade.loc[_index, 'end_equity_curve'] = g.iloc[-1]['equity_curve']        # 本次交易中资金曲线最低值        Trade.loc[_index, 'min_equity_curve'] = g['equity_curve'].min()    return Trade# 计算策略评价指标def strategy_evaluate(equity_curve, Trade):    """    :param equity_curve: 带资金曲线的df    :param Trade: transfer_equity_curve_to_Trade的输出结果，每笔交易的df    :return:    """    # ===新建一个dataframe保存回测指标    results = pd.DataFrame()    # ===计算累积净值    results.loc[0, '累积净值'] = round(equity_curve['equity_curve'].iloc[-1], 2)    # ===计算年化收益    annual_return = (equity_curve['equity_curve'].iloc[-1] / equity_curve['equity_curve'].iloc[0]) ** (        '1 days 00:00:00' / (equity_curve['candle_begin_time'].iloc[-1] - equity_curve['candle_begin_time'].iloc[0]) * 365) - 1    results.loc[0, '年化收益'] = str(round(annual_return, 2)) + ' 倍'    # ===计算最大回撤，最大回撤的含义：《如何通过3行代码计算最大回撤》https://mp.weixin.qq.com/s/DWt4lkKR_PEnWRprLlvPVw    # 计算当日之前的资金曲线的最高点    equity_curve['max2here'] = equity_curve['equity_curve'].expanding().max()    # 计算到历史最高值到当日的跌幅，drowDWon    equity_curve['dd2here'] = equity_curve['equity_curve'] / equity_curve['max2here'] - 1    # 计算最大回撤，以及最大回撤结束时间    end_date, max_draw_down = tuple(equity_curve.sort_values(by=['dd2here']).iloc[0][['candle_begin_time', 'dd2here']])    # 计算最大回撤开始时间    start_date = equity_curve[equity_curve['candle_begin_time'] <= end_date].sort_values(by='equity_curve', ascending=False).iloc[0]['candle_begin_time']    # 将无关的变量删除    equity_curve.drop(['max2here', 'dd2here'], axis=1, inplace=True)    results.loc[0, '最大回撤'] = format(max_draw_down, '.2%')    results.loc[0, '最大回撤开始时间'] = str(start_date)    results.loc[0, '最大回撤结束时间'] = str(end_date)    # ===年化收益/回撤比    results.loc[0, '年化收益/回撤比'] = round(abs(annual_return / max_draw_down), 2)    # ===统计每笔交易    results.loc[0, '盈利笔数'] = len(Trade.loc[Trade['change'] > 0])  # 盈利笔数    results.loc[0, '亏损笔数'] = len(Trade.loc[Trade['change'] <= 0])  # 亏损笔数    results.loc[0, '胜率'] = format(results.loc[0, '盈利笔数'] / len(Trade), '.2%')  # 胜率    results.loc[0, '每笔交易平均盈亏'] = format(Trade['change'].mean(), '.2%')  # 每笔交易平均盈亏    results.loc[0, '盈亏收益比'] = round(Trade.loc[Trade['change'] > 0]['change'].mean() / \                                    Trade.loc[Trade['change'] < 0]['change'].mean() * (-1), 2)  # 盈亏比    results.loc[0, '单笔最大盈利'] = format(Trade['change'].max(), '.2%')  # 单笔最大盈利    results.loc[0, '单笔最大亏损'] = format(Trade['change'].min(), '.2%')  # 单笔最大亏损    # ===统计持仓时间，会比实际时间少一根K线的是距离    Trade['持仓时间'] = Trade['end_bar'] - Trade.index    max_days, max_seconds = Trade['持仓时间'].max().days, Trade['持仓时间'].max().seconds    max_hours = max_seconds // 3600    max_minute = (max_seconds - max_hours * 3600) // 60    results.loc[0, '单笔最长持有时间'] = str(max_days) + ' 天 ' + str(max_hours) + ' 小时 ' + str(max_minute) + ' 分钟'  # 单笔最长持有时间    min_days, min_seconds = Trade['持仓时间'].min().days, Trade['持仓时间'].min().seconds    min_hours = min_seconds // 3600    min_minute = (min_seconds - min_hours * 3600) // 60    results.loc[0, '单笔最短持有时间'] = str(min_days) + ' 天 ' + str(min_hours) + ' 小时 ' + str(min_minute) + ' 分钟'  # 单笔最短持有时间    mean_days, mean_seconds = Trade['持仓时间'].mean().days, Trade['持仓时间'].mean().seconds    mean_hours = mean_seconds // 3600    mean_minute = (mean_seconds - mean_hours * 3600) // 60    results.loc[0, '平均持仓周期'] = str(mean_days) + ' 天 ' + str(mean_hours) + ' 小时 ' + str(mean_minute) + ' 分钟'  # 平均持仓周期    # ===连续盈利亏算    results.loc[0, '最大连续盈利笔数'] = max(        [len(List(v)) for k, v in itertools.groupby(np.where(Trade['change'] > 0, 1, np.nan))])  # 最大连续盈利笔数    results.loc[0, '最大连续亏损笔数'] = max(        [len(List(v)) for k, v in itertools.groupby(np.where(Trade['change'] < 0, 1, np.nan))])  # 最大连续亏损笔数    # ===每月收益率    equity_curve.set_index('candle_begin_time', inplace=True)    monthly_return = equity_curve[['equity_change']].resample(rule='M').apply(lambda x: (1 + x).prod() - 1)    return results.T, monthly_return

总结

以上是内存溢出为你收集整理的《python数字货币量化交易》学习笔记 第四部分别有洞天篇 4.1 择时策略实盘与优化全部内容，希望文章能够帮你解决《python数字货币量化交易》学习笔记 第四部分别有洞天篇 4.1 择时策略实盘与优化所遇到的程序开发问题。

如果觉得内存溢出网站内容还不错，欢迎将内存溢出网站推荐给程序员好友。