CtaBacktester - CTA回测研究模块¶

VeighNa Station加载¶

启动登录VeighNa Station后，点击【交易】按钮，在配置对话框中的【应用模块】栏勾选【CtaBacktester】。

脚本加载¶

在启动脚本中添加如下代码：

# 写在顶部
from vnpy_ctabacktester import CtaBacktesterApp

# 写在创建main_engine对象后
main_engine.add_app(CtaBacktesterApp)

数据来源：数据服务（期货、股票、期权）¶

以RQData为例，RQData提供国内期货、股票以及期权的历史数据。在使用前需要保证数据服务已经正确配置（配置方法详见基本使用篇的全局配置部分）。打开CtaBacktester时会自动执行数据服务登录初始化，若成功则会输出“数据服务初始化成功”的日志，如下图所示：

数据来源：IB（外盘期货、股票、现货等）¶

Interactive Brokers盈透证券（IB）提供丰富的外盘市场历史数据下载（包括股票、期货、期权、现货等），注意下载前需要先启动IB TWS交易软件，并在VeighNa Trader主界面连接好IB接口，并订阅所需合约行情。下载成功如下图所示：

业绩图表¶

右侧的业绩图表由以下四张子图构成：

【账户净值】图的横轴是时间，纵轴是资金，体现了账户净值在交易时段内随着交易日变化的情况。

【净值回撤】图的横轴是时间，纵轴是回撤，体现了净值从最近高点回撤程度随着交易日变化的情况。

【每日盈亏】图的横轴是时间，纵轴是日盈亏的金额（采用逐日盯市规则以收盘价结算），体现了整个回测周期内策略的每日盈亏变化情况。

【盈亏分布】图的横轴是每日盈亏的数值，纵轴是该盈亏数值的出现概率，体现了整体每日盈亏的概率分布情况。

统计指标¶

统计指标区域用于显示策略历史回测业绩的相关统计数值，如下图所示：

根据数据类型，指标可以分类为：

• 日期信息

  • 首个交易日

  • 最后交易日

  • 总交易日

  • 盈利交易日

  • 亏损交易日

• 资金盈亏

  • 起始资金

  • 结束资金

  • 总收益率

  • 年化收益

  • 最大回撤

  • 百分比最大回撤

  • 总盈亏

• 交易成本

  • 总手续费

  • 总滑点

  • 总成交额

  • 总成交笔数

• 日均数据

  • 日均盈亏

  • 日均手续费

  • 日均滑点

  • 日均成交额

  • 日均成交笔数

  • 日均收益率

  • 收益标准差（日均）

• 绩效评价

  • 夏普比率

  • 收益回撤比

详细信息¶

回测完成后，可点击左侧区域的【委托记录】按钮，查看回测过程中策略逐笔委托的细节信息：

如果发现表格内容显示不完整，可以单击鼠标右键弹出菜单后，选择【调整列宽】按钮，即可进行自动列宽缩放：

表格也支持一键将表内数据保存为CSV文件，在上一步右键弹出的菜单中，点击【保存数据】按钮，即可弹出如下图所示选择保存文件名的对话框：

回测过程中策略发出委托的成交价不一定是原始下单的价格，而要由回测引擎基于当时的行情数据和下单价格进行撮合后算出，每笔委托对应的具体成交细节可以点击【成交记录】按钮后查看：

点击【每日盈亏】按钮后，可以看到如下图所示的策略每日盈亏细节：

这里每日盈亏的统计采用期货市场普遍使用的逐日盯市（Marking-to-Market）规则进行计算：

• 持仓盈亏：今日开盘持仓的部分，以昨收盘价开仓，今收盘价平仓，计算出的盈亏金额；

• 交易盈亏：今日日内成交的部分，以成交价格开仓，今收盘价平仓，计算出的盈亏金额；

• 总盈亏：汇总持仓盈亏和交易盈亏后的金额；

• 净盈亏：总盈亏扣除手续费和滑点后的金额，也是最终计算显示四张图表时用到的每日盈亏金额。

K线图表¶

点击【K线图表】按钮，即可打开用于显示回测K线数据，以及策略具体买卖点位置的图表，如下图所示：

注意绘图耗时可能需要一定时间（通常在数十秒到几分钟），请耐心等待。

K线图表中的图例说明可以在窗口底部看到，整体上采用了国内市场标准的配色和风格。开平仓之间的连线采用的是逐笔配对（First-in, First-out）规则进行绘制，每一笔成交会根据其数量自动和其他成交进行匹配，即使策略有复杂的加减仓操作也能正确绘制。

设置优化参数¶

点击【参数优化】按钮，会弹出“优化参数配置”的窗口：

点击【目标】下拉框，选择优化过程中要使用的目标函数（即以该数值最大化为目标进行优化）：

对于要进行优化的策略参数，需要配置：

• 【开始】和【结束】：用于给定参数优化的范围；

• 【步进】：用于给定参数每次变化的数值；

举例：如一个参数的【开始】设为10，【结束】设为20，【步进】设为2，则该参数在优化过程中的寻优空间为：10、12、14、16、18、20。

对于要设置固定数值的策略参数，请将【开始】和【结束】都同样设为该数值即可。

穷举算法优化¶

设置好需要优化的参数后，点击窗口底部的【多进程优化】按钮，此时CtaBacktester会调用Python的multiprocessing模块，根据当前电脑CPU的核心数量，启动对应数量的进程来并行执行穷举优化任务。

在优化的过程中，穷举算法会遍历参数寻优空间中的每一个组合。遍历的过程即使用该组合作为策略参数运行一次历史回测，并返回优化目标函数的数值。完成遍历后，根据所有目标函数的数值进行排序，从而选出最优的参数组合结果。

穷举算法优化的效率和CPU核心数量直接相关：若用户计算机是2核，则优化时间为单核的1/2；若计算机是10核，则优化时间会大幅降低到单核的1/10。

遗传算法优化¶

设置好需要优化的参数后，点击窗口底部的【遗传算法优化】按钮，此时CtaBacktester会调用Python的multiprocessing模块和deap模块，来执行高效智能化的多进程遗传算法优化任务。

附上遗传算法的简要工作原理：

1. 定义优化方向，如总收益率最大化；

2. 随机从全局寻优空间中，选择出部分参数组合形成初始族群；

3. 对族群内所有个体进行评估，即运行回测获取目标函数结果；

4. 基于目标函数结果进行排序，剔除表现不好的个体（参数组合）；

5. 对剩下的个体进行交叉或者变异，通过评估和筛选后形成新的族群；

6. 以上3-5步为一次完整的种群迭代，在整个优化过程中需要多次重复；

7. 多次迭代后，种群内差异性减少，参数收敛向最优解，最终输出结果。

优化结果分析¶

优化完成后，会在日志区域输出信息提示：

此时点击【优化结果】按钮即可查看相关结果：

上图中的参数优化结果，基于启动优化任务时所选的目标函数【总收益率】的数值，由高到低进行了排序。

最后，点击右下角的【保存】按钮即可将优化结果保存到本地CSV文件中，便于后续分析使用。

代码编辑¶

如果需要对策略进行修改，在CtaBacktester界面左上角的下拉框中选择策略后，点击左下角的【代码编辑】按钮，即可自动打开Visual Studio Code进行代码编辑。若找不到Visual Studio Code，则会弹出启动代码编辑器失败对话框，如下图所示：

策略重载¶

当用户通过CtaBacktester对策略源代码进行修改后，此时的修改尚停留在硬盘上的代码文件层面，内存中依然是修改前的策略代码。

想让修改内容在内存中立即生效，需要点击左下角的【策略重载】按钮，此时CtaBacktester会自动扫描并重新加载所有策略文件中的策略代码，同时会有相关日志输出，如下图所示：

重载刷新完成后，再运行回测或者优化时，使用的就是修改后的策略代码了。