Python歷史回測 vs 套裝軟體回測

筆者是用Python撰寫數據分析、歷史回測、以及實單交易程式。標題的套裝軟體就是常見的TradingView、MultiChart、MT5等等專門為了程式交易而生的語法以及軟體。今天主要想討論一下這兩者的差別以及優劣。

首先我們來看一下，常見的套裝軟體開發策略的步驟吧！

1. 套入歷史資料
2. 套用教學範例策略
3. 自己透過想法調整一些策略細節
4. 透過參數最佳化找出適當的報酬率曲線
5. 再研究如何自動化，實單交易

以上述的步驟來看，來講一下Python的劣勢，很明顯的一點就是，沒有辦法在程式小白的階段馬上進行回測實作，以我自己而言，除了程式以外，很多金融觀念需要摸索一陣子。就以回測來說，搞清楚每個績效的計算公式，或是資金槓桿怎麼設計，都要想過。這一點套裝軟體上是佔有優勢的，很多人可能還不清楚完整的細節，就可以開始運作策略了，等到發生問題再來回頭解決。

這是Multichart參數最佳化的畫面，方便我們針對策略裡面的參數進行最佳化的運算，找到符合最佳績效的參數集。

不過凡事一體兩面，Python有劣勢也有優勢，另外來談談Python自寫交易策略的優勢吧，大家可能最常聽到的就是可以用機器學習應用在各領域，投資投機領域也是。Python可以有許多創造性的做法！不過我自己沒有使用任何Python回測套件。

以我目前有在使用的交易策略中，都是使用Python實做出來的，由於我自己不是非常勤勞的量化分析者，所以一直在追求一個簡易的框架，可以快速找到多種策略。

其實最重要的是跳脫參數最佳化的框架

講一下我自己實做的方法：

1. 套入歷史資料
2. 算出交易指標，例如：均線
3. 制定策略(又稱特徵)，不過不會馬上進行績效驗證，例如：價格站上均線、黃金交叉等
4. 產生出一個策略池(又稱特徵池)，簡單來說就是一堆策略
5. 將策略排列組合，最佳化找出適當的報酬率曲線
6. 再研究如何自動化，實單交易

流程圖如下：

在這一個架構下，最重要的就是第5步策略排列組合，因為有可能A策略本身沒有用，但是A策略與F策略進行聯合判斷，就會創造1+1>2的化學反應，以下面這個實做為例：

這是策略排列組合最佳化的畫面，依照不同的評價指標（評價策略優劣的指標），找到符合最佳績效的策略組合。

以上這些，好像就是自寫程式的好處，什麼奇形怪狀的需求都可以試著解決，而不是要依循的一個框架做事。

這邊分享自己的一些實做淺見，希望這樣的架構可以讓大家多思考一下，還有很多部分需要思考，例如目標函數（評價策略優劣的指標）到底該怎麼選，不過本文主要著重在回測差異。以及單利、複利所帶來的優劣、多策略管理，這些都是實做後會遇到的問題，這些會陸續分享。

更多關於Python程式交易的相關文章，歡迎到我的部落格查看。