策略回测操作
运行run.ipynb文件
首先进入“examples\TurtleStrategy”文件夹，通过Jupyter Notebook中打开run.ipynb可以执行策略回测。
1）调用海龟回测引擎
%matplotlib inline
from datetime import datetime
import numpy as np
import matplotlib.pyplot as plt
from turtleEngine import BacktestingEngine2) 设置回测时间区间和起始资金，读取Csv文件的合约信息进行策略回测，然后显示逐日统计的相关指标和资金图，如图所示。
engine = BacktestingEngine()
engine.setPeriod(datetime(2014, 1, 1), datetime(2018, 12, 30))
engine.initPortfolio('setting.csv', 10000000)
engine.loadData()
engine.runBacktesting()
engine.showResult()
3）针对投资组合里面单个品种，查阅其逐步开平仓记录，如图所示。
tradeList = engine.getTradeData('J99')
for trade in tradeList:
print '%s %s %s %s@%s' %(trade.vtSymbol, trade.direction, trade.offset,
trade.volume, trade.price)
配置json文件
在运行海龟策略回测会读取在同一文件夹内的Csv文件，下面以setting.csv为例说明一下，如下图
需要配置的合约信息包括：合约品种、合约规模、最小价格变动、手续费率（如每一手0.00003）、固定手续费（如每一手12块钱）、滑点。其中手续费率与固定手续费是二选一关系。以PTA合约为例，其品种信息为TA99，合约规模是5吨，最小价格变动是2元/吨，手续费率为0，固定手续费为12块，滑点为2元。
（《海龟交易法则》明确表示其交易信号源于期货指数合约，故用“99”结尾的RQData合约进行策略，等挑选完投资组合品种后，再用主连合约（“88”和“888”结尾）测试观察其差异性。）
原版投资组合测试
原版海龟策略选择标准主要是流动性强品种，若简单地理解为交易所成交量巨大的热门品种。
根据交易所分类所构建的组合历史回测如图所示（测试环境是无手续费，无滑点），图中显示
- 上期所热门品种组合夏普比率达到1.01，
- 郑商所的达到0.8，
- 大商所的达1.31，
- 中金所因为只有IF股指期货成交量较高，故中金所只测试了一个品种，其夏普比率达0.88。
总体来看，原版海龟测试夏普比率都不错，有着一定的稳健性。
因为国内四大交易所其品种包含了金融产品，工业品，农业品，金属，化工等不同品种分类，为了分散投资组合各个头寸的风险，从而提高组合的夏普比率，故海龟策略投资组合品种必须涵盖四大交易所的品种，现在简单的把四大交易所热门品种组合起来进行测试，其效果如图1-14所示。
新组合的夏普比率达到1.34，要高于上面四个组合，年化收益43.91%，百分比最大回撤达到-29.84%，表现出来高风险高收益的特点，与原版海龟策略基本吻合。
当前品种选择的检验非常顺利，那么就有一个问题：能否在新组合中继续筛选，剔除一下表现不好的品种，去构建一个具有更高夏普比率的组合呢？
答案是否定的。这是一个思维误区，对过去历史表现进行优化，然后筛选出拟合历史行情最优品种，显然没有注意到未来函数的过拟合的问题。
那么，下一章将讲述通过样本内外测试来筛选海龟组合。
