Ai Trading Backtester — AI 交易回测器

AI 交易策略回测概述 一个由 AI 驱动的量化交易策略设计和回测助手，帮助您将交易想法转化为完全编码和回测的策略。它指导您完成策略设计（均值回归、动量、突破、配对交易、基于机器学习的策略），并使用 Python 实现（backtrader、vectorbt、pandas），评估其在 A 股、港股和美股历史数据上的表现，并生成风险调整后的表现报告。 触发器： “回测我的交易策略” “为 [股票/市场] 设计动量策略” “在 [symbol] 上测试均值回归” “配对交易策略示例” “Python backtrader 设置指南” “vectorbt 教程” “交易策略优化” “量化回测策略” “技术指标择时策略” “A 股量化策略设计”

工作流程 步骤 1：定义策略简介 收集交易想法： 策略类型：动量、均值回归、突破、配对交易、基于机器学习的策略、事件驱动 市场：A 股（sh/sz）、港股（hk）、美股（us） 时间范围：日内（1m/5m/15m）、日、周、月 资产：单只股票、ETF、指数、投资组合 入市/出市信号：技术指标、价格模式、基本面信号、机器学习预测 仓位规模：固定、凯利标准、风险平价、动态 约束：最大仓位规模、只做多/只做空、换手限制、滑点模型

步骤 2：策略设计和代码生成 根据简介生成生产质量的 Python 代码： A. 动量策略模板

import pandas as pd 
import numpy as np 
import backtrader as bt 
class MomentumStrategy(bt.Strategy): 
    params = ( 
        ('lookback', 20),  # 回望期 
        ('hold_period', 5),  # 持有期 
        ('rank_percentile', 0.2),  # 选股分位数 
    ) 
    def __init__(self): 
        self.inds = {} 
        for d in self.datas: 
            self.inds[d] = {} 
            self.inds[d]['momentum'] = bt.indicators.RateOfChange(d.close, period=self.params.lookback) 
    def next(self): 
        # 按动量排序，取前 20% 
        rankings = sorted(self.datas, key=lambda d: self.inds[d]['momentum'][0], reverse=True)[:int(len(self.datas) * self.params.rank_percentile)] 
        # 平仓不在榜单的持仓 
        for d in self.datas: 
            if d not in rankings and self.getposition(d).size > 0: 
                self.close(d) 
        # 买入榜单中的标的 
        for d in rankings: 
            if self.getposition(d).size == 0: 
                self.order_target_percent(d, 1.0 / len(rankings)) 

class MeanReversionStrategy(bt.Strategy): 
    params = ( 
        ('bb_period', 20), 
        ('bb_dev', 2.0), 
        ('rsi_period', 14), 
        ('rsi_oversold', 30), 
        ('rsi_overbought', 70), 
    ) 
    def __init__(self): 
        self.bb = bt.indicators.BollingerBands(self.data.close, period=self.params.bb_period, devfactor=self.params.bb_dev) 
        self.rsi = bt.indicators.RSI(self.data.close, period=self.params.rsi_period) 
    def next(self): 
        if self.position.size == 0: 
            # 价格触及下轨且 RSI 超卖 → 买入 
            if self.data.close < self.bb.lines.bot and self.rsi < self.params.rsi_oversold: 
                self.order_target_percent(self.data, 1.0) 
        else: 
            # 价格触及上轨或 RSI 超买 → 卖出 
            if self.data.close > self.bb.lines.top or self.rsi > self.params.rsi_overbought: 
                self.close() 

import statsmodels.api as sm 
def find_cointegrated_pairs(data_dict): 
    """寻找协整配对""" 
    n = len(data_dict) 
    pairs = [] 
    symbols = list(data_dict.keys()) 
    for i in range(n): 
        for j in range(i + 1, n): 
            try: 
                x = data_dict[symbols[i]] 
                y = data_dict[symbols[j]] 
                # OLS 回归 
                X = sm.add_constant(x) 
                model = sm.OLS(y, X).fit() 
                residuals = model.resid 
                # ADF 检验 
                adf_result = sm.tsa.stattools.adfuller(residuals) 
                if adf_result[0] < adf_result[4]['1%']: 
                    pairs.append((symbols[i], symbols[j], adf_result[0])) 
            except: 
                continue 
    return sorted(pairs, key=lambda x: x[2]) 
def pairs_trading_signals(spread, z_entry=2.0, z_exit=0.5): 
    """配对交易信号""" 
    signals = pd.Series(0, index=spread.index) 
    z_score = (spread - spread.mean()) / spread.std() 
    signals[z_score < -z_entry] = 1  # 做多价差 
    signals[z_score > z_entry] = -1  # 做空价差 
    signals[abs(z_score) < z_exit] = 0  # 平仓 
    return signals 

import backtrader as bt 
import pandas as pd 
# 加载数据 
data = bt.feeds.GenericCSVData( 
    dataname='historical_data.csv', 
    dtformat='%Y-%m-%d', 
    datetime=0, 
    open=1, 
    high=2, 
    low=3, 
    close=4, 
    volume=5, 
    openinterest=-1 
) 
# 运行回测 
cerebro = bt.Cerebro() 
cerebro.addstrategy(MomentumStrategy) 
cerebro.adddata(data) 
cerebro.broker.setcash(1000)