backtest

backtest

The Backtest module supports the following:

• examine if there is any abnormal values in factors preview.py;
• backtest in a given period and compute all relevant statistics, including AlphaReturn, AlphaSharpe, and etc;
• backtest stats breakdown by year;
• output stock holding (for portfolio optimization later)
• Barra risk analysis

Project Breakdown 项目结构

Backtest Procedure

因子测试部分涉及以下几个步骤：

1. Backtest Configuration 回测参数设置

在config.py中设置参数。具体参数有：

回测参数	数据类型	参数描述	可选值
start_date	str	回测开始日期	'20200101'
end_date	str	回测截至日期	'20201231'
adj_freq	int	调仓周期	合理的正整数即可，如3
freq	str	调仓模式	'D'或'W' (目前'W'暂不可用)
group_num	int	分组测试的分组数量	如10组或20组
head	int	多空组分别选取的股票数	如400
cost	float	双边手续费	如 0.0015
return_type	str	收益率回看模式	vtv, oto, 但主要是看oto, 为了对标指数
ic_decay	int	IC的衰减测试最长周期	长周期可选100，短周期可选10
decay_list	list(int)	不同持仓时间的绩效	如 [1,3,5,10]
weight_index_by_fmv	bool	是否用流通市值加权计算基准收益率	详见config
index_list	list(str)	交易票池	sz50, hs300, zz500, zz1000, zzall, 以及这些的组合
fix_stocks	bool	是否用静态交易票池	True则用静态（读取configuration中的txt；False则用动态票池
fixed_pool	str	静态票池标的	sz50, hs300, zz500, zz1000, zzall （对应的txt）
use_independent_return_benchmark	bool	是否用独立基准	False用index_list对应的指数作为收益率基准，True则用return_benchmark_index作为收益率基准
return_benchmark_index	str	基准票池	sz50, hs300, zz500, zz1000, zzall
risk_plot_required	bool	是否测算风格归因	Ture or False （若true，则必须先在因子生成平台生成过一遍才可以用，否则会报错）
risk_plot_benchmark_index	str	计算超额权重的基准	'000016', '000300', '000905', '000852' 四个
factor_config	dict	因子处理方式，包括取极值、中性化、标准化	详见config文件
factor_name	str	单因子测试中的待测因子	如‘mom_20'
factor_name_list	list	批量测试中的待测因子	详见config文件

票池的特别说明：

目前平台分离了交易票池与收益率基准票池，支持不同的票池作为交易票池和收益率基准的测算。总结如下：

• 交易票池：支持
  • 自选（静态，读取txt，回测周期内不变）；
  • 动态（历史指数动态成分股）；
• 基准票池：支持
  • 与交易票池相同的指数（等权或市值加权）的测算模式
  • 独立的单个指数

举以下几个简单的例子：

• 如果需要用历史1500市值加权动态票池交易但对标500作为基准收益率序列，需设置
  • weight_index_by_fmv = True
  • index_list = ['zz500', 'zz1000']
  • fix_stocks = False
  • fixed_pool 无所谓
  • use_independent_return_benchmark = True
  • return_benchmark_index = 'zz500'
• 如果需要用历史上出现过的中证1000成分股作为交易票池，对标动态的中证1000作为基准，需设置
  • weight_index_by_fmv 无所谓
  • index_list = ['zz1000'] # 其实无所谓但必须填，用到的还是independent benchmark
  • fix_stocks = True
  • fixed_pool = 'zz1000'
  • use_independent_return_benchmark = True
  • return_benchmark_index = 'zz1000'

2. Single Factor Backtest 单因子测试流程

因子储存到自定义路径，同时设置好config.py后：

• cd 进入bin (必须进入bin再运行程序！)
• run single_factor_test.py

3. Batch Factor Backtest 单因子批量测试流程

因子储存到自定义路径，同时设置好config.py，特别是其中的factor_name_list后：

• cd 进入bin (必须进入bin再运行程序！)
• run batch_factor_test.py

4. Result Digestion 回测结果

详见回测说明 （TODO）

5. Signal BackTest 信号回测

通过 batch_signal_test.py和single_signal_test.py, 我们可以输入多空信号（-1/0/1），输出绩效，对于无法因子化的一些技术指标测试，可以使用这个。

6. Weight BackTest 权重回测

输入权重df，输出绩效

Quick Start

It's very easy to build a complete Quant research workflow and try your ideas with low_freq_alpha_test!

demo步骤如下：

Factor Generation 因子生成

• clone project;
• 在demo中修改因子生成路径;
• 运行demo里的所有cells.

Single Factor BackTest 单因子回测

• 进入config.py, 设置

factor_name=factor

（factor为上一步生成的某因子，如‘mom_20'）

• 设置因子读取路径如

factor_path = "/home/xxx/factors"

• cd进入bin文件夹
• run single_factor_test.py

Batch Factor BackTest 批量回测

• 进入config.py, 设置

factor_name_list = [factor_1,factor_2...factor_n]

(factor_1,factor_2等为目前想要回测的因子)

• cd 进入bin
• run batch_factor_test.py

For Developer 开发者笔记

每次发版前要做一些测试，看看修改后对于上一个master有无什么变化。可以用下列因子测全票等权的情况做核对:

• mom_5
• Size (Barra 市值因子)
• 某个组合的结果 (如lgbm或者xgb模型)
• 某个Pairs因子