lanyuanxiaoyao/leopard-analysis
1
0
Fork 0
Code Activity

修复代码问题

Browse Source
This commit is contained in:
兰缘小妖
2026-01-28 09:46:44 +08:00
parent 9a46bd7e4c
commit 5cc140259e
3 changed files with 86 additions and 113 deletions
Download Patch File Download Diff File Expand all files Collapse all files

86
backtest.py
View File

@@ -7,12 +7,11 @@
"""
import argparse
import sys
import os
import importlib.util
import os
import sys
import pandas as pd
from datetime import datetime
from backtesting import Backtest
# 数据库配置（直接硬编码，开发环境）
DB_HOST = "81.71.3.24"
@@ -47,8 +46,7 @@ def load_data_from_db(code, start_date, end_date):
try:
# 构建 SQL 查询
query = f"""
SELECT
trade_date,
SELECT trade_date,
open * factor AS "Open",
close * factor AS "Close",
high * factor AS "High",
@@ -175,30 +173,6 @@ def parse_arguments():
return parser.parse_args()
def format_value(value, cn_name, key):
"""
格式化数值显示
"""
if isinstance(value, (int, float)):
if "%" in cn_name or key in [
"Sharpe Ratio",
"Sortino Ratio",
"Calmar Ratio",
"Profit Factor",
]:
formatted_value = f"{value:.2f}"
elif "$" in cn_name:
formatted_value = f"{value:.2f}"
elif "次数" in cn_name:
formatted_value = f"{value:.0f}"
else:
formatted_value = f"{value:.4f}"
else:
formatted_value = str(value)
return formatted_value
def print_stats(stats):
"""
打印回测统计结果
@@ -206,33 +180,32 @@ def print_stats(stats):
参数:
stats: backtesting 库返回的统计对象
"""
print("\n" + "=" * 60)
print("回测结果")
print("=" * 60)
print("回测结果")
indicator_name_mapping = {
# 'Start': '回测开始时间',
# 'End': '回测结束时间',
# 'Duration': '回测持续时长',
# 'Exposure Time [%]': '持仓时间占比（%）',
'Equity Final [$]': '最终收益',
'Equity Peak [$]': '峰值收益',
'Return [%]': '总收益率（%）',
'Buy & Hold Return [%]': '买入并持有收益率（%）',
'Return (Ann.) [%]': '年化收益率（%）',
'Volatility (Ann.) [%]': '年化波动率（%）',
"Equity Final [$]": "最终收益",
"Equity Peak [$]": "峰值收益",
"Return [%]": "总收益率（%）",
"Buy & Hold Return [%]": "买入并持有收益率（%）",
"Return (Ann.) [%]": "年化收益率（%）",
"Volatility (Ann.) [%]": "年化波动率（%）",
# 'CAGR [%]': '复合年均增长率（%）',
# 'Sharpe Ratio': '夏普比率',
'Sortino Ratio': '索提诺比率',
'Calmar Ratio': '卡尔玛比率',
"Sortino Ratio": "索提诺比率",
"Calmar Ratio": "卡尔玛比率",
# 'Alpha [%]': '阿尔法系数（%）',
# 'Beta': '贝塔系数',
'Max. Drawdown [%]': '最大回撤（%）',
'Avg. Drawdown [%]': '平均回撤（%）',
'Max. Drawdown Duration': '最大回撤持续时长',
'Avg. Drawdown Duration': '平均回撤持续时长',
'# Trades': '总交易次数',
'Win Rate [%]': '胜率（%）',
"Max. Drawdown [%]": "最大回撤（%）",
"Avg. Drawdown [%]": "平均回撤（%）",
"Max. Drawdown Duration": "最大回撤持续时长",
"Avg. Drawdown Duration": "平均回撤持续时长",
"# Trades": "总交易次数",
"Win Rate [%]": "胜率（%）",
# 'Best Trade [%]': '最佳单笔交易收益率（%）',
# 'Worst Trade [%]': '最差单笔交易收益率（%）',
# 'Avg. Trade [%]': '平均单笔交易收益率（%）',
@@ -240,14 +213,19 @@ def print_stats(stats):
# 'Avg. Trade Duration': '单笔交易平均持有时长',
# 'Profit Factor': '盈利因子',
# 'Expectancy [%]': '期望收益（%）',
'SQN': '系统质量数',
"SQN": "系统质量数",
# 'Kelly Criterion': '凯利准则',
}
for k, v in stats.items():
if k in indicator_name_mapping:
cn_name = indicator_name_mapping.get(k, k)
if isinstance(v, (int, float)):
if "%" in cn_name or k in ['Sharpe Ratio', 'Sortino Ratio', 'Calmar Ratio', 'Profit Factor']:
if "%" in cn_name or k in [
"Sharpe Ratio",
"Sortino Ratio",
"Calmar Ratio",
"Profit Factor",
]:
formatted_value = f"{v:.2f}"
elif "$" in cn_name:
formatted_value = f"{v:.2f}"
@@ -257,9 +235,9 @@ def print_stats(stats):
formatted_value = f"{v:.4f}"
else:
formatted_value = str(v)
print(f'{cn_name}: {formatted_value}')
print(f"{cn_name}: {formatted_value}")
print("=" * 60 + "\n")
print("=" * 60)
def main():
@@ -282,16 +260,12 @@ def main():
print(f"使用预热数据范围: {warmup_data.index[0]} ~ {warmup_data.index[-1]}")
# 加载策略
print(f"加载策略: {args.strategy_file}")
calculate_indicators, strategy_class = load_strategy(args.strategy_file)
# 计算指标
print("计算指标...")
warmup_data = calculate_indicators(warmup_data)
print("指标计算完成")
# 执行回测
print("开始回测...")
from backtesting import Backtest
bt = Backtest(
@@ -308,12 +282,10 @@ def main():
# 生成图表
if args.output:
print(f"\n生成图表: {args.output}")
os.makedirs(os.path.dirname(args.output), exist_ok=True)
bt.plot(filename=args.output, open_browser=False)
print(f"图表已保存到: {args.output}")
print("\n回测完成！")
except Exception as e:
print(f"\n错误: {e}")
import traceback

65
strategies/macd_strategy.py
View File

@@ -2,28 +2,27 @@
MACD 趋势跟踪策略
策略逻辑:
- 当 MACD 线上穿信号线时 (金叉)，且价格 > EMA200 时，买入
- 当 MACD 线下穿信号线时 (死叉)，或价格 < EMA200 时，卖出
- 当 MACD 线上穿信号线时 (金叉)，且价格 > EMA 时，买入
- 当 MACD 线下穿信号线时 (死叉)，或价格 < EMA 时，卖出
指标计算:
- MACD(10, 20, 9): 快线 10 日，慢线 20 日，信号线 9 日
- EMA200: 200 日指数移动平均线（趋势确认）
- EMA: 200 日指数移动平均线（趋势确认）
参数选择理由:
- 快线 10: 比标准 12 更敏感，适应 A 股较高波动性
- 慢线 20: 比标准 26 更快响应，同时保持趋势跟踪稳定性
- 信号线 9: 保持标准，避免信号过于频繁
- EMA200: 被广泛认可为牛熊分界线，避免逆势交易
- EMA: 被广泛认可为牛熊分界线，避免逆势交易
趋势过滤:
- EMA200 上方: 确认为上升趋势，允许开多仓
- EMA200 下方: 确认为下降趋势，不开多仓，强制平仓
- EMA 上方: 确认为上升趋势，允许开多仓
- EMA 下方: 确认为下降趋势，不开多仓，强制平仓
Author: Sisyphus
Date: 2025-01-27
"""
import pandas as pd
from backtesting import Strategy
from backtesting.lib import crossover
@@ -32,32 +31,30 @@ def calculate_indicators(data):
"""
计算策略所需的技术指标
使用 ta-lib 库计算 MACD 和 EMA200 指标
使用 ta-lib 库计算 MACD 和 EMA 指标
参数:
data: DataFrame, 包含 [Open, High, Low, Close, Volume, factor]
返回:
DataFrame, 添加了指标列:
- MACD_10_20_9: MACD 线 (DIF)
- MACDs_10_20_9: MACD 信号线 (DEA)
- MACDh_10_20_9: MACD 柱状图 (Histogram)
- EMA_200: 200 日指数移动平均线
- dif: MACD 线 (dif)
- signal: MACD 信号线 (DEA)
- hist: MACD 柱状图 (Histogram)
- ema: 日指数移动平均线
"""
data = data.copy()
# 计算 MACD 指标 (10, 20, 9)
# talib.MACD 返回三个值: (macd, macdsignal, macdhist)
macd, macdsignal, macdhist = talib.MACD(
data["Close"], fastperiod=10, slowperiod=20, signalperiod=9
)
macd, macdsignal, macdhist = talib.MACD(data["Close"], fastperiod=10, slowperiod=20, signalperiod=9)
data["MACD_10_20_9"] = macd
data["MACDs_10_20_9"] = macdsignal
data["MACDh_10_20_9"] = macdhist
data["dif"] = macd
data["signal"] = macdsignal
data["hist"] = macdhist
# 计算 EMA200 趋势线
data["EMA_200"] = talib.EMA(data["Close"], timeperiod=200)
# 计算 EMA 趋势线
data["ema"] = talib.SMA(data["Close"], timeperiod=120)
return data
@@ -76,7 +73,7 @@ class MacdTrendStrategy(Strategy):
"""
MACD 趋势跟踪策略
结合 MACD 金叉/死叉信号和 EMA200 趋势过滤
结合 MACD 金叉/死叉信号和 EMA 趋势过滤
参数:
fast_period: MACD 快线周期 (默认: 10)
@@ -95,13 +92,13 @@ class MacdTrendStrategy(Strategy):
注册指标到 backtesting 框架
"""
# 注册 MACD 线
self.macd = self.I(lambda x: x, self.data.MACD_10_20_9)
self.macd = self.I(lambda x: x, self.data.dif)
# 注册 MACD 信号线
self.macd_signal = self.I(lambda x: x, self.data.MACDs_10_20_9)
self.macd_signal = self.I(lambda x: x, self.data.signal)
# 注册 EMA200 趋势线
self.ema200 = self.I(lambda x: x, self.data.EMA_200)
# 注册 EMA 趋势线
self.ema = self.I(lambda x: x, self.data.ema)
def next(self):
"""
@@ -109,25 +106,19 @@ class MacdTrendStrategy(Strategy):
买入条件:
- MACD 金叉 (MACD 线上穿信号线)
- 价格 > EMA200 (确认上升趋势)
- 价格 > EMA (确认上升趋势)
卖出条件:
- MACD 死叉 (MACD 线下穿信号线)
- 或价格 < EMA200 (趋势转向，强制平仓)
- 或价格 < EMA (趋势转向，强制平仓)
"""
# 买入条件: MACD 金叉 AND 价格 > EMA200
if (
crossover(self.macd, self.macd_signal)
and self.data.Close[-1] > self.ema200[-1]
):
# 买入条件: MACD 金叉 AND 价格 > EMA
if crossover(self.macd, self.macd_signal) and self.data.Close[-1] > self.ema[-1]:
self.position.close() # 先平掉现有仓位
self.buy() # 开多仓
# 卖出条件: MACD 死叉 OR 价格 < EMA200
elif (
crossover(self.macd_signal, self.macd)
or self.data.Close[-1] < self.ema200[-1]
):
# 卖出条件: MACD 死叉 OR 价格 < EMA
elif crossover(self.macd_signal, self.macd) or self.data.Close[-1] < self.ema[-1]:
self.position.close() # 平掉多仓

22
strategies/sma_strategy.py
View File

@@ -5,7 +5,7 @@ SMA 双均线交叉策略
- 当短期均线上穿长期均线时 (金叉)，买入
- 当短期均线下穿长期均线时 (死叉)，卖出
指标计算:
指标计算 (使用 ta-lib):
- SMA10: 10 日简单移动平均线
- SMA30: 30 日简单移动平均线
- SMA60: 60 日简单移动平均线
@@ -21,19 +21,25 @@ def calculate_indicators(data):
"""
计算策略所需的技术指标
使用 ta-lib 库计算 SMA 指标
参数:
data: DataFrame, 包含 [Open, High, Low, Close, Volume, factor]
返回:
DataFrame, 添加了指标列
DataFrame, 添加了指标列:
- sma10: 10 日简单移动平均线
- sma30: 30 日简单移动平均线
- sma60: 60 日简单移动平均线
- sma120: 120 日简单移动平均线
"""
data = data.copy()
# 计算不同周期的移动平均线
data["sma10"] = data["Close"].rolling(window=10).mean()
data["sma30"] = data["Close"].rolling(window=30).mean()
data["sma60"] = data["Close"].rolling(window=60).mean()
data["sma120"] = data["Close"].rolling(window=120).mean()
data["sma10"] = talib.SMA(data["Close"], timeperiod=10)
data["sma30"] = talib.SMA(data["Close"], timeperiod=30)
data["sma60"] = talib.SMA(data["Close"], timeperiod=60)
data["sma120"] = talib.SMA(data["Close"], timeperiod=120)
return data
@@ -85,3 +91,7 @@ class SmaCross(Strategy):
elif crossover(self.data.sma30, self.data.sma10):
self.position.close() # 先平掉现有仓位
self.sell() # 开空仓
# 导入 talib (必须在文件末尾，因为 calculate_indicators 函数中使用了 talib)
import talib