這篇文章主要介紹“Python量化回測常見陷阱有哪些”，在日常操作中，相信很多人在Python量化回測常見陷阱有哪些問題上存在疑惑，小編查閱了各式資料，整理出簡單好用的操作方法，希望對大家解答”Python量化回測常見陷阱有哪些”的疑惑有所幫助！接下來，請跟著小編一起來學習吧！

網(wǎng)站設計制作過程拒絕使用模板建站；使用PHP+MYSQL原生開發(fā)可交付網(wǎng)站源代碼;符合網(wǎng)站優(yōu)化排名的后臺管理系統(tǒng)；成都網(wǎng)站建設、成都做網(wǎng)站收費合理；免費進行網(wǎng)站備案等企業(yè)網(wǎng)站建設一條龍服務.我們是一家持續(xù)穩(wěn)定運營了十多年的創(chuàng)新互聯(lián)公司網(wǎng)站建設公司。

很多量化交易的朋友在指定策略時往往容易犯下這幾種類型的錯誤：前視偏差、不設置滑點、無手續(xù)費、過度優(yōu)化等。這些錯誤可以使你在回測階段把不盈利策略變得盈利，但是在真正的交易中卻會造成災難性的后果。

首先介紹下前視偏差。前視偏差是指在策略回測階段采取了未來的信息來決定之前的交易，而這些信息在實盤操作中是無法獲知的。這里我們提供幾個典型的案例來介紹下：

買入策略1：“當天的收盤價突破前一天的最高價，則利用當天開盤價買入股票”，很明顯，在開盤價成交幾乎是不可能的事情了。

前視偏差是我們要極力避免的錯誤。如何避免前視偏差？可以使用“滯后”的歷史數(shù)據(jù)來計算策略信號。滯后的數(shù)據(jù)意味著，在涉及到移動平均值、最高價、最低價、成交量等指標時，只使用“上一”交易日的收盤數(shù)據(jù)。比如：

shift(1)是在index不變的情況下對序列的值向后移動一個單位。目的是獲取昨天為止的最高/最低價格。這樣就能使用“滯后”的歷史數(shù)據(jù)來計算策略信號。

如果一個交易策略要求你利用信號觸發(fā)時的價格進行交易，那么這個交易策略就存在偷價的情況。

很多人會低估偷價的危害性，事實上，固定點數(shù)的偷價相當于在原本的資金曲線上疊加了一條斜率為正的直線（在每次交易都是固定手數(shù)的情況下）。假設一年250個交易日，每個交易日均對一只長期保持10元的股票執(zhí)行一次100股的買賣，每次買賣都偷價1個tick（tick設置為1個點，即0.1元），那么全年下來可以多獲利5000.1100 = 5000元，這甚至超越了你的本金（10*100=1000）。

然而，現(xiàn)實的情況是不但無法低于一個tick的價格成交，更多的反而是高于一個甚至多個tick的價格成交。原因很簡單，大多數(shù)趨勢交易者都會在某個關鍵點位建倉，競爭導致價格在這些關鍵位置形成劇烈波動，并且這種波動通常是對程序化交易不利的波動。所以在構(gòu)建一個頻率較高的交易系統(tǒng)的時候，更多是要考慮和解決滑點問題。

手續(xù)費相當于在原本的資金曲線上疊加了一條斜率為負的直線（在每次交易都是固定手數(shù)的情況下）。策略進行測試時，如果不計入手續(xù)費，資金曲線可能會產(chǎn)生巨大差異，甚至不計手續(xù)費時盈利的策略，在計入手續(xù)費后可能產(chǎn)生虧損。

當前股票交易費用由三部分組成：傭金、印花稅、過戶費（僅上海股票收?。?/p>

• 印花稅：成交金額的1‰ 。

• 過戶費：這是指股票成交后，更換戶名所需支付的費用。此費用按成交金額的0.02‰收取。

• 交易傭金：最高收費為3‰，最低收費5元。

假設你買入10000股，每股票價格為10元，以此為例，對其買入成本計算：
買入股票所用金額：10元/股×10000股=100000元;
過戶費：0.02‰×100000=2元;
交易傭金：100000×3‰=300元(按最高標準計算，正常情況下都小于這個值);
買入總成本：100000元+300元+2元=100302元(買入10000股，每股10元，所需總資金)
若以10.08每股賣出價格計算：
股票金額：10.08元/股×10000股=100800元;
印花稅：100800元×1‰=100.8元;
過戶費：0.002%×100800元≈2元;
交易傭金：100800元×3‰=302.4元;
賣出后收入：100800元-100.8元-2元-302.4元=100394.8元;

滑點是指觸發(fā)指令的價格和最終成交價格之間的差異，它是難免會發(fā)生的情況，通常滑點產(chǎn)生的原因有以下兩類：

1.行情波動劇烈、市場容量不夠等情況導致的

2.網(wǎng)絡延遲、交易平臺不穩(wěn)定等情況導致的

滑點是一個合格的交易策略必須充分考慮的因素。如果在一個交易策略中，將滑點數(shù)設置為0，即采用現(xiàn)價指令買賣證券其資金曲線就會優(yōu)于同一個滑點數(shù)不為0的策略。通常我們要在最極端的條件下去構(gòu)建和測試系統(tǒng)，一般系統(tǒng)都是高于2個tick的滑點來構(gòu)建的。

接下來談談過度優(yōu)化。過度優(yōu)化是指為了遷就歷史數(shù)據(jù)的噪音而將一個策略的參數(shù)或者規(guī)則反復優(yōu)化到最佳的情況。

假如要把某個策略的資金曲線做的非常出色，我們可以這么優(yōu)化：針對某段特定的行情進行參數(shù)優(yōu)化，之后將分段行情對應的資金曲線拼接起來，得到一個表現(xiàn)更優(yōu)秀的資金曲線。也可以指定過去某幾個表現(xiàn)較差的交易日不進行交易。上述經(jīng)過加工的回測一定表現(xiàn)優(yōu)異，單純?yōu)榱俗非筚Y金曲線，這類策略模型僅僅適用于過去發(fā)生但未來不會再重現(xiàn)的歷史偶然事件，并不考慮是否適用于未來的行情。

避免過度優(yōu)化的有效辦法有以下幾個：

一般而言，策略的規(guī)則越多，模型的參數(shù)越多，就越可能出現(xiàn)過度擬合問題。因此采用的參數(shù)越少，可以優(yōu)化的規(guī)則越少，自然過度優(yōu)化的情況就能夠得到很好的避免，并且，越少參數(shù)構(gòu)建的策略，往往越穩(wěn)健，無論其時效性或魯棒性均能超越眾多復雜的策略。

合理選擇樣本。有些策略覆蓋的股票品種太少，時間周期太短，不能充分展現(xiàn)策略效果。這些策略只能用于個別品種上，或者在更長時間周期上的資金曲線可能表現(xiàn)的并沒有那么好。有些策略雖然覆蓋了較長的時間段，或較多的品種或市場，但僅僅覆蓋了一種類型的行情（例如一輪較長時間的大牛市）。這些策略在遇到截然不同的市場情況時，表現(xiàn)可能會大相徑庭。

進行樣本外測試。構(gòu)建策略模型時，將歷史數(shù)據(jù)根據(jù)時間先后分為兩段。參數(shù)優(yōu)化和定性選擇使用前一段數(shù)據(jù)（訓練集），策略模型的測試使用后一段數(shù)據(jù)（測試集）。兩段數(shù)據(jù)的大小要大致相等，若數(shù)據(jù)量不夠，則至少用三分之一的數(shù)據(jù)做測試。訓練集的最小含量由樣本含量經(jīng)驗規(guī)則確定。

到此，關于“Python量化回測常見陷阱有哪些”的學習就結(jié)束了，希望能夠解決大家的疑惑。理論與實踐的搭配能更好的幫助大家學習，快去試試吧！若想繼續(xù)學習更多相關知識，請繼續(xù)關注創(chuàng)新互聯(lián)-成都網(wǎng)站建設公司網(wǎng)站，小編會繼續(xù)努力為大家?guī)砀鄬嵱玫奈恼拢?/p>

當前文章：Python量化回測常見陷阱有哪些-創(chuàng)新互聯(lián)
地址分享：http://jinyejixie.com/article30/isjso.html

成都網(wǎng)站建設公司_創(chuàng)新互聯(lián)，為您提供網(wǎng)站建設、面包屑導航、商城網(wǎng)站、App設計、定制開發(fā)、建站公司

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網(wǎng)站立場，如需處理請聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時需注明來源： 創(chuàng)新互聯(lián)