扫地僧backtrader高级walk forward多股滚动回测

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

许多朋友在做策略参数优化时，都陷入了一个误区，那就是简单地在历史数据上执行参数优化，发现最优参数下，策略绩效极好，然后使用这个最优参数投入实盘，这样做基本等于自杀，过拟合的可能性太大了。

稍微好一点的做法，是将历史数据分层成两部分，一部分是训练集，另一部分是测试集。在训练集上做参数优化，然后拿到最优参数后，在测试集上回测，看看回测效果如何，如何好，就投入实盘，如何回测效果不好，就继续修改策略。这样做，比较浪费数据，测试量也不够大。

更好的评价参数优化效果的方法，是所谓walk forward滚动回测的方法。

这里，以上图所示这个小例子，介绍滚动回测的原理。

（1）训练阶段

首先，把数据按时间顺序划分为5组，然后开始迭代，进入训练阶段：在迭代1，组1,2作为训练集，组3作为测试集，在训练集上执行参数优化回测，确定最佳参数（注意，这时暂时不在测试集上执行回测）。然后在迭代2，在训练集组2,3上执行参数优化回测，确定最佳参数。在迭代3，在训练集组3,4上执行参数优化回测，确定最佳参数。这样就得到对应三次迭代的三组最佳参数。

（2）测试阶段

把3,4,5组测试数据连接起来，作为一组数据送入策略，策略内next方法迭代到每根bar时，要识别该bar的时间，如果是组3的数据，则应用迭代1确定的最佳参数来计算指标，如果是组4的数据，则应用迭代2的最佳参数来计算指标，如果是组5的数据，则应用迭代3的最佳参数，来计算指标。测试集回测结束得到的绩效指标作为参数优化的最终绩效评价指标。

虽然网上有一些backtrader做滚动回测的文章和代码，但都没有正确实现如上算法。特别是有些算法是在每个测试集上单独进行测试回测，这样例子中要进行3次回测，这种回测是有问题的，比如在进行测试集组3的回测时，在结束日临近下的单，可能要到组4才能成交，单独回测无法很好地处理这个问题。再比如在进行组5的回测时，一开始会缺少计算指标所需的历史数据，因此会浪费一部分起始数据来预热指标。网上另外一些滚动回测只能处理单股的情况，无法处理多股场景。

我们在《扫地僧 Backtrader 给力教程系列二：量化回测与实盘交易高级篇》已完美实现了高级walk forwalk多股滚动回测，大家可参考教程学习使用。

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

关键词：forward trader Trade ward walk 量化交易 backtrader vnpy

backtrader作为一款优秀的量化回测与交易框架，以前在中国的应用都比较零碎，没有形成闭环完备的生态系统，比如缺乏中国期货实盘交易接口，期货、期权以及机器学习集成等功能介绍较少。

现在，经过扫地僧量化团队的努力，我们逐步完善了backtrader生态系统各个方面的功能。我们开发了backtrader针对中国期货的实盘接口，开发了针对中国期货、期权的案例，以及结合机器学习的案例。这些都体现在《扫地僧 Backtrader 给力教程系列二：量化回测与实盘交易高级篇》中，与以前发布的《扫地僧Backtrader给力教程系列一：量化回测核心篇 增订版》一起，构成了backtrader最完备的闭环生态系统。

这一生态系统的闭环化和完备化，意味着个人和小团队量化研究与交易有了一个高质量低成本的全新选择，可以

完成从量化回测到实盘交易的整个过程，
支持从股票、数字货币到外汇、期货、期权全品类资产
采用经典量化到机器学习的所有技术
从无界面模式到图形界面模式的全模式回测
从经典回测到高级多股walk forward滚动回测
是时候开启你的量化交易之旅了！