Python 进阶视频课 - 15. 量化交易之向量化回测

这是 Python 进阶课的第十五节 - 量化交易之向量化回测 ，进阶课的目录如下：

1. NumPy 上
2. NumPy 下
3. Pandas 上
4. Pandas 下
5. SciPy 上
6. SciPy 下
7. Pandas 时间序列
8. Pandas 高频数据采样
9. 默顿模型计量经济资本
10. LSMC 定价美式和百慕大期权
11. 负油价和负利率模型
12. Nelson-Siegel 构建债券收益率曲线
13. 外汇交易组合保证金制定系统
14. FR007 利率掉期定价和曲线拔靴

之前基础版的 11 节的目录如下：

1. 编程概览
2. 元素型数据
3. 容器型数据
4. 流程控制：条件-循环-异常处理
5. 函数上：低阶函数
6. 函数下：高阶函数
7. 类和对象：封装-继承-多态-组合
8. 字符串专场：格式化和正则化
9. 解析表达式：简约也简单
10. 生成器和迭代器：简约不简单
11. 装饰器：高端不简单

本课的主要目标是掌握向量化回测 (vectorized backtesting) 实现方法，内容包括：

交互式策略探索

该方法敏捷而且能交互性强，一般几行代码就能够快速得到结果，并且可以轻松测试不同的参数组合。

可视化作为主要目标

该方法非常适合用于可视化使用数据、统计结果、交易信号和性能指标。

综合回测程序

该方法总体上非常快，允许测试多种短时间内的参数组合。当速度是关键因素时，应该考虑此方法。

本课介绍了应用于三种类型的交易策略的回测：

• 基于简单移动均线 (Simple Moving Average)
• 基于动量 (Momentum)
• 基于均值回归 (Mean Reversion)

对于每种策略，我会教大家如何做策略探索，包括读取和预处理数据，生成交易信号，计算策略指标如收益、波动率、最大回撤、最长回撤期、比对基准、调整最优参数、可视化结果等。

在探索完策略之后，将“零乱”的代码以面向对象编程 (OOP) 的方式整理成结构化的对象。用户可以随意测试不同的数据来调参、生成策略指标、可视化策略收益和基准收益。

部分可视化结果如下所示：

、

本次课程目录如下：

1. 基于简单移动均线策略

• 特殊示例
• 通用示例

2. 基于动量策略

• 特殊示例
• 通用示例

3. 基于均值回归策略

• 特殊示例
• 通用示例

付费用户（付 1 赠 1）可以获得：

• 观看课程视频 (90 分钟)
• Python 代码 (Jupyter Notebook)

Jupyter Notebook