quant.backtest

class quant.backtest.strategy.AbstractStrategy

股票回测策略基类

Attributes:

end_date

mods

net_value

净值序列， pd.Series

start_date

Methods

change_position(tobuy_pct)	更新持仓比例
handle(today, universe)	每日调仓函数，用户逻辑，需重载
run()	运行回测过程

change_position(tobuy_pct: dict)

更新持仓比例

Parameters:

tobuy_pct: dict

以股票代码为键，持仓比例为值

end_date = None

结束日期 %Y-%m-%d

handle(today, universe)

每日调仓函数，用户逻辑，需重载

mods = None

可用Mod列表

name = 'strategy'

策略名称，用于结果输出

net_value

净值序列， pd.Series

run()

运行回测过程

start_date = None

起始日期 %Y-%m-%d

class quant.backtest.strategy.SimpleStrategy(predicted, name=None, buy_count=50, mods=None)

简单的回测，只需要输入一个预测收益率的DataFrame， 每期自动等权做多预测最高的`buy_count`只股票

Attributes:

end_date

mods

net_value

净值序列， pd.Series

start_date

Methods

change_position(tobuy_pct)	更新持仓比例
handle(today, universe)	每日调仓函数，用户逻辑，需重载
run()	运行回测过程

__init__(predicted, name=None, buy_count=50, mods=None)

Parameters:

predicted: pd.DataFrame

预测收益率

name: str

策略名称，用于显示

buy_count: int

每期做多股票数量

mods: ModManager

使用的模块列表，None则为全部已注册模块

class quant.backtest.strategy.ConstraintStrategy(*args, constraint_config=None, **kwargs)

中性策略，在SimpleStrategy的基础上控制行业和因子暴露 # TODO: cost in objective

Attributes:

end_date

mods

net_value

净值序列， pd.Series

start_date

Methods

change_position(tobuy_pct)	更新持仓比例
handle(today, universe)	每日调仓函数，用户逻辑，需重载
optimize_with_mosek(predicted, today)	使用Mosek来优化构建组合。在测试中Mosek比scipy的单纯形法快约18倍，如果可能请尽量使用Mosek。 但是Mosek是一个商业软件，因此你需要一份授权。如果没有授权的话请使用scipy或optlang。
optimize_with_optlang(predicted, today)	Optlang是一个支持很多后端优化器的接口，包括scipy。
optimize_with_scipy(predicted, today)	最大化预期收益，最小化风险暴露。
run()	运行回测过程

__init__(*args, constraint_config=None, **kwargs)