Skip to content

极简的多资产回测框架

Notifications You must be signed in to change notification settings

zhoupenger/Athena

 
 

Folders and files

NameName
Last commit message
Last commit date

Latest commit

 

History

12 Commits
 
 
 
 
 
 
 
 
 
 
 
 

Repository files navigation

Athena

athena logo

基于多资产的因子回测框架

概览

Athena是一款简单的多资产回测工具,基于事件型回测框架,拥有非常简单的程序结构,易于上手。

Athena简化了订单的处理,只考虑订单open和close两种情况:所有资产都通过open来开仓(指定多空),通过close关仓。这对于追踪因子在不同标的上的表现至关重要,而SL,TP这种更适合单标的交易的订单结构该框架没有提供支持。

Athena主要由3个模块组成:

  1. Strategy:策略模块,继承自Strategy基类,实现了策略的初始化和每一个bar的处理。
  2. Backtest:回测模块,实现了回测的初始化,运行,结果的输出。
  3. Broker: 交易模块,实现了交易的初始化,订单的生成,撮合,成交的记录。

除此之外我构造了3个典型的数据结构来做订单管理:

  1. Position:记录了每一个资产的仓位信息,包括当前仓位,开仓价格,最新价值,盈亏等。只要open,就会创建一个Position
  2. Trade:记录了每一次交易的成交信息,包括开仓价格,平仓价格,最终盈亏等。只要open并且成功close,就会创建一个Trade
  3. Result:记录了每一个策略的最终回测结果。

特点:

  1. 封装简单,修改容易
  2. 事件驱动,易于扩展
  3. 可以支持多资产的回测

更新

2024.10.21

  • 封装了Broker模块,实现了Strategy和交易功能的分离,使得结构更为清晰
  • 实现了因子投资的滚仓操作
  • 实现了run_weekly和run_monthly的修饰符

2024.10.20

  • 这个项目的主要功能是我想用来代替alphalens这种工具帮助我进行更全面的因子研究,因此我设计的思想就是怎么简单怎么来,不去过多考虑设计模式,不去考虑不同的订单的处理,保持框架的极简。

开始使用

和其他常用事件型回测框架一样,我们需要先创建一个策略类,然后实例化一个回测类,并传入策略类以及回测参数。

需要注意的是如果要使用rqdatac这种第三方接口获取数据,需要自己创建个.env,通过dotenv来读取你的账号和密码进行验证。接口详情可以参考athena/data.py

RQDATA_USERNAME = xxx
RQDATA_PASSWORD = xxx

类似的,用户新建的策略需要继承自Strategy基类,并且重写init和next方法

from athena import Strategy, Backtest

class SingleAssetStrategy(Strategy):
    def init(self):
        # run once at the beginning of the backtest
        pass

    def next(self, i, record):
        # run every time a new bar is processed
        # i is the index of the bar
        # record is a dictionary data
        pass

backtest = Backtest(SingleAssetStrategy, MULTIPLE_ASSETS_DATA, commission=.001, cash=1000000)

backtest.run()

TODO

  • 完成测试板块
  • 完成对一些数据接口的支持
    • rqdatac
    • tushare
  • 基于这个框架梳理所有常见因子研究
    • 排序法因子选股
  • MODE的开发

About

极简的多资产回测框架

Resources

Stars

Watchers

Forks

Releases

No releases published

Packages

No packages published

Languages

  • Jupyter Notebook 94.2%
  • Python 5.8%