bt - Python的灵活回测工具

什么是bt？

bt 是一个灵活的Python回测框架，用于测试量化交易策略。回测是在给定数据集上测试策略的过程。该框架允许您轻松创建混合和匹配不同Algos的策略。它旨在促进创建易于测试、可重用和灵活的策略逻辑块，以促进复杂交易策略的快速开发。

目标：让量化分析师避免重复造轮子，使他们能够专注于工作中重要的部分——策略开发。

bt 是用 Python 编写的，并加入了一个充满活力和丰富的数据分析生态系统。 有许多用于机器学习、信号处理和统计的库，可以利用这些库来避免重复造轮子——在使用其他没有如此丰富的高质量开源项目的语言时，这种情况经常发生。

bt 构建在 ffn 之上 - 一个用于 Python 的金融函数库。查看它！

一个快速示例

以下是bt的快速体验：

import bt

%matplotlib inline

一个简单的策略回测

让我们创建一个简单的策略。我们将创建一个每月重新平衡的仅做多策略，其中我们在资产组合中的每个资产上放置相等的权重。

首先，我们将下载一些数据。默认情况下，bt.get (alias for ffn.get) 从Yahoo! Finance下载调整后的收盘价。为了本次演示的目的，我们将下载从2010年1月1日开始的一些数据。

# fetch some data
data = bt.get('spy,agg', start='2010-01-01')
print(data.head())

                   spy        agg
 Date
 2010-01-04  89.225410  74.942825
 2010-01-05  89.461586  75.283791
 2010-01-06  89.524574  75.240227
 2010-01-07  89.902473  75.153221
 2010-01-08  90.201691  75.196724

一旦我们有了数据，我们将创建我们的策略。Strategy 对象通过组合各种 Algos 来包含策略逻辑。

# create the strategy
s = bt.Strategy('s1', [bt.algos.RunMonthly(),
                       bt.algos.SelectAll(),
                       bt.algos.WeighEqually(),
                       bt.algos.Rebalance()])

最后，我们将创建一个Backtest，这是策略与数据集的逻辑组合。

一旦完成，我们就可以运行回测并分析结果。

# create a backtest and run it
test = bt.Backtest(s, data)
res = bt.run(test)

现在我们可以分析回测的结果了。Result 对象是对 ffn.GroupStats 的一个轻量级封装，增加了一些辅助方法。

# first let's see an equity curve
res.plot();
_images/intro_9_0.png 
# ok and what about some stats?
res.display()

 Stat                 s1
 -------------------  ----------
 Start                2010-01-03
 End                  2022-07-01
 Risk-free rate       0.00%

 Total Return         150.73%
 Daily Sharpe         0.90
 Daily Sortino        1.35
 CAGR                 7.64%
 Max Drawdown         -18.42%
 Calmar Ratio         0.41

 MTD                  0.18%
 3m                   -10.33%
 6m                   -14.84%
 YTD                  -14.84%
 1Y                   -10.15%
 3Y (ann.)            5.12%
 5Y (ann.)            6.44%
 10Y (ann.)           7.36%
 Since Incep. (ann.)  7.64%

 Daily Sharpe         0.90
 Daily Sortino        1.35
 Daily Mean (ann.)    7.74%
 Daily Vol (ann.)     8.62%
 Daily Skew           -0.98
 Daily Kurt           16.56
 Best Day             4.77%
 Worst Day            -6.63%

 Monthly Sharpe       1.06
 Monthly Sortino      1.91
 Monthly Mean (ann.)  7.81%
 Monthly Vol (ann.)   7.36%
 Monthly Skew         -0.39
 Monthly Kurt         1.59
 Best Month           7.57%
 Worst Month          -6.44%

 Yearly Sharpe        0.81
 Yearly Sortino       1.75
 Yearly Mean          7.48%
 Yearly Vol           9.17%
 Yearly Skew          -1.34
 Yearly Kurt          2.28
 Best Year            19.64%
 Worst Year           -14.84%

 Avg. Drawdown        -0.84%
 Avg. Drawdown Days   13.23
 Avg. Up Month        1.70%
 Avg. Down Month      -1.80%
 Win Year %           83.33%
 Win 12m %            93.57%

# ok and how does the return distribution look like?
res.plot_histogram()
_images/intro_11_0.png 
# and just to make sure everything went along as planned, let's plot the security weights over time
res.plot_security_weights()
_images/intro_12_0.png

修改策略

如果我们每周运行这个策略，并且使用一些风险平价风格的方法，通过使用与每个资产波动率的倒数成比例的权重会怎样？那么，我们只需要插入一些不同的算法。见下文：

# create our new strategy
s2 = bt.Strategy('s2', [bt.algos.RunWeekly(),
                        bt.algos.SelectAll(),
                        bt.algos.WeighInvVol(),
                        bt.algos.Rebalance()])

# now let's test it with the same data set. We will also compare it with our first backtest.
test2 = bt.Backtest(s2, data)
# we include test here to see the results side-by-side
res2 = bt.run(test, test2)

res2.plot();
_images/intro_14_0.png 
res2.display()

 Stat                 s1          s2
 -------------------  ----------  ----------
 Start                2010-01-03  2010-01-03
 End                  2022-07-01  2022-07-01
 Risk-free rate       0.00%       0.00%

 Total Return         150.73%     69.58%
 Daily Sharpe         0.90        0.96
 Daily Sortino        1.35        1.41
 CAGR                 7.64%       4.32%
 Max Drawdown         -18.42%     -14.62%
 Calmar Ratio         0.41        0.30

 MTD                  0.18%       0.38%
 3m                   -10.33%     -6.88%
 6m                   -14.84%     -12.00%
 YTD                  -14.84%     -12.00%
 1Y                   -10.15%     -10.03%
 3Y (ann.)            5.12%       1.84%
 5Y (ann.)            6.44%       3.35%
 10Y (ann.)           7.36%       3.76%
 Since Incep. (ann.)  7.64%       4.32%

 Daily Sharpe         0.90        0.96
 Daily Sortino        1.35        1.41
 Daily Mean (ann.)    7.74%       4.33%
 Daily Vol (ann.)     8.62%       4.50%
 Daily Skew           -0.98       -2.21
 Daily Kurt           16.56       46.12
 Best Day             4.77%       2.84%
 Worst Day            -6.63%      -4.66%

 Monthly Sharpe       1.06        1.13
 Monthly Sortino      1.91        1.87
 Monthly Mean (ann.)  7.81%       4.40%
 Monthly Vol (ann.)   7.36%       3.89%
 Monthly Skew         -0.39       -1.06
 Monthly Kurt         1.59        3.92
 Best Month           7.57%       4.05%
 Worst Month          -6.44%      -5.04%

 Yearly Sharpe        0.81        0.65
 Yearly Sortino       1.75        1.19
 Yearly Mean          7.48%       4.13%
 Yearly Vol           9.17%       6.31%
 Yearly Skew          -1.34       -1.48
 Yearly Kurt          2.28        3.37
 Best Year            19.64%      11.71%
 Worst Year           -14.84%     -12.00%

 Avg. Drawdown        -0.84%      -0.48%
 Avg. Drawdown Days   13.23       13.68
 Avg. Up Month        1.70%       0.90%
 Avg. Down Month      -1.80%      -0.93%
 Win Year %           83.33%      83.33%
 Win 12m %            93.57%      91.43%

正如你所见，策略逻辑易于理解，更重要的是，易于修改。使用简单、可组合的Algos来创建策略的想法是bt的核心构建块之一。

功能

  • Tree Structure

    树结构 有助于构建和组合模块化且可重复使用的复杂算法交易策略。此外，每个树 Node 都有自己的 price index，可以被算法用来确定节点的分配。

  • Algorithm Stacks

    Algos 和 AlgoStacks 是 另一个核心功能，有助于创建模块化和可重用的策略 逻辑。由于其模块化，这些逻辑块也更容易测试 - 这是构建稳健金融解决方案的重要步骤。

  • Transaction Cost Modeling

    通过使用佣金函数和传递给Backtest的特定于工具的、随时间变化的买卖价差。

  • Fixed Income

    策略可以包括支付息票的工具，如债券，无资金支持的工具，如互换，持有成本，以及名义加权的选项。这些是树结构的扩展。

  • Charting and Reporting

    bt 还提供了许多有用的图表功能，帮助可视化回测结果。我们还计划在未来添加更多图表、表格和报告格式，例如自动生成的 PDF 报告。

  • Detailed Statistics

    此外，bt 计算了一堆与回测相关的统计数据，并提供了通过 Results' 显示方法快速比较这些不同回测的各种统计数据的方式。

路线图

未来的开发工作将集中在：

  • Speed

    由于bt的灵活性，必须在可用性和性能之间做出权衡。可用性始终是优先考虑的因素，但我们确实希望尽可能提高性能。

  • Algos

    随着时间的推移，我们还将开发更多的算法。我们也鼓励任何人贡献他们自己的算法。

  • Charting and Reporting

    这是我们希望不断改进的另一个领域，因为报告是工作中的一个重要方面。图表和报告也有助于发现策略逻辑中的错误。