使用 python pandas 对多个仓位进行矢量化止损/止盈回测

Question

简介

我正在使用 python

pandas

在本地存储的市场数据上回测自己的策略。由于我想快速回测这些策略并且数据很大（7+000000 行），因此我尝试对所有操作进行矢量化以实现此目的。对于入场信号评估来说，情况已经如此，而且效果非常好。使用止盈和止损价格阈值作为每个入场的退出标准。即提供以下

DataFrame

和

datetime index

：

import pandas as pd
from pandas import Timestamp
import numpy as np

df = pd.DataFrame({
    'open': {Timestamp('2021-01-03 22:11:00'): 1.22319, Timestamp('2021-01-03 22:12:00'): 1.22315, Timestamp('2021-01-03 22:15:00'): 1.22324, Timestamp('2021-01-03 22:16:00'): 1.22355, Timestamp('2021-01-03 22:17:00'): 1.22357}, 
    'high': {Timestamp('2021-01-03 22:11:00'): 1.22319, Timestamp('2021-01-03 22:12:00'): 1.22318, Timestamp('2021-01-03 22:15:00'): 1.22358, Timestamp('2021-01-03 22:16:00'): 1.2236, Timestamp('2021-01-03 22:17:00'): 1.22361}, 
    'low': {Timestamp('2021-01-03 22:11:00'): 1.22317, Timestamp('2021-01-03 22:12:00'): 1.22315, Timestamp('2021-01-03 22:15:00'): 1.22324, Timestamp('2021-01-03 22:16:00'): 1.22352, Timestamp('2021-01-03 22:17:00'): 1.22355}, 
    'close': {Timestamp('2021-01-03 22:11:00'): 1.22317, Timestamp('2021-01-03 22:12:00'): 1.22315, Timestamp('2021-01-03 22:15:00'): 1.22358, Timestamp('2021-01-03 22:16:00'): 1.22352, Timestamp('2021-01-03 22:17:00'): 1.22356}, 
    'longEntrySignal': {Timestamp('2021-01-03 22:11:00'): False, Timestamp('2021-01-03 22:12:00'): False, Timestamp('2021-01-03 22:15:00'): True, Timestamp('2021-01-03 22:16:00'): False, Timestamp('2021-01-03 22:17:00'): False}, 
    'longEntry': {Timestamp('2021-01-03 22:11:00'): False, Timestamp('2021-01-03 22:12:00'): False, Timestamp('2021-01-03 22:15:00'): False, Timestamp('2021-01-03 22:16:00'): True, Timestamp('2021-01-03 22:17:00'): False}, 
    'longEntryPrice': {Timestamp('2021-01-03 22:11:00'): np.nan, Timestamp('2021-01-03 22:12:00'): np.nan, Timestamp('2021-01-03 22:15:00'): np.nan, Timestamp('2021-01-03 22:16:00'): 1.22355, Timestamp('2021-01-03 22:17:00'): np.nan}, 
    'longTpPrice': {Timestamp('2021-01-03 22:11:00'): np.nan, Timestamp('2021-01-03 22:12:00'): np.nan, Timestamp('2021-01-03 22:15:00'): np.nan, Timestamp('2021-01-03 22:16:00'): 1.2243451663854852, Timestamp('2021-01-03 22:17:00'): np.nan}, 
    'longSlPrice': {Timestamp('2021-01-03 22:11:00'): np.nan, Timestamp('2021-01-03 22:12:00'): np.nan, Timestamp('2021-01-03 22:15:00'): np.nan, Timestamp('2021-01-03 22:16:00'): 1.2227548336145146, Timestamp('2021-01-03 22:17:00'): np.nan}})

print(df)

                    open    high    low     close   longEntrySignal longEntry   longEntryPrice  longTpPrice longSlPrice
2021-01-03 22:11:00 1.22319 1.22319 1.22317 1.22317 False           False       NaN             NaN         NaN
2021-01-03 22:12:00 1.22315 1.22318 1.22315 1.22315 False           False       NaN             NaN         NaN
2021-01-03 22:15:00 1.22324 1.22358 1.22324 1.22358 True            False       NaN             NaN         NaN
2021-01-03 22:16:00 1.22355 1.22360 1.22352 1.22352 False           True        1.22355         1.224345    1.222755
2021-01-03 22:17:00 1.22357 1.22361 1.22355 1.22356 False           False       NaN             NaN         NaN

longEntrySignal

表示通过

True

和

False

在下一个蜡烛内开多头仓位的给定信号。

longEntry

表示使用

True

开仓，并且

longEntryPrice

将该蜡烛的开盘价存储为入场价格。

longTpPrice

和

longSlPrice

是根据达到的止盈或止损标准应平仓的相应价格。

所需输出

根据所选的止盈和止损阈值，可能会存在多个持仓，分别具有不同的入场点（时间）和止盈止损阈值。

不管怎样，我现在的问题是进场后如何平仓的计算。这意味着随后验证策略绩效的最少信息将是

exitPrice

和

exitTime

列。

                    open    high    low     close   longEntrySignal longEntry   longEntryPrice  longTpPrice longSlPrice exitPrice exitTime
2021-01-03 22:11:00 1.22319 1.22319 1.22317 1.22317 False           False       NaN             NaN         NaN         NaN       NaN
2021-01-03 22:12:00 1.22315 1.22318 1.22315 1.22315 False           False       NaN             NaN         NaN         NaN       NaN
2021-01-03 22:15:00 1.22324 1.22358 1.22324 1.22358 True            False       NaN             NaN         NaN         NaN       NaN
2021-01-03 22:16:00 1.22355 1.22360 1.22352 1.22352 False           True        1.22355         1.224345    1.222755    1.224345  2021-01-03 22:29:00
2021-01-03 22:17:00 1.22357 1.22361 1.22355 1.22356 False           False       NaN             NaN         NaN         NaN       NaN

exitPrice

将是相应的 止盈 (

longTpPrice

) 或 止损 (

longSlPrice

) 阈值，而如果在同一

longSlPrice

（蜡烛）内达到两个阈值，则应考虑 

row ）。

exitTime

就是相应的时间。

目前的做法

目前，当我将

apply()

减少到具有给定

长条目

的行时，我正在使用 df函数进行退出计算：

entryDf = df[df['longEntry']].copy()
entryDf[['exitPrice', 'exitTime']] = entryDf.apply(lambda x: getLongExit(exitDf=df[['high', 'low']], entryPrice=x['longEntryPrice'], entryTime=x.index, takeProfit=x['longTpPrice'], stopLoss=x['longSlPrice']), axis=1, result_type='expand')

然后，

getLongExit

基本上通过使用

.loc

、

.idxmax()

和

.idxmin()

来确定是否以及何时达到获利 或/和止损 阈值，并比较结果以检查发生哪种情况早些时候。它返回相应的

exitPrice

以及相应的

exitTime

。

根据确定的

exitPrice

信息，例如整体增益、获胜率等可以轻松计算。

我希望我能够让您正确理解我的问题是什么。很确定，使用

.ffill()

或类似的东西可能会更快，但我无法让它工作。我期待您的建议 - 谢谢！

Answer 1

IIUC，对于此任务，我将使用 numba：

import numba

@numba.njit
def get_long_exit(
    index, high_vals, low_vals, tp_prices, sl_prices, out_exit_price, out_indices
):
    for idx1 in range(len(index) - 1):
        if np.isnan(tp_prices[idx1]):
            continue

        tp_entry, sl_entry = tp_prices[idx1], sl_prices[idx1]

        for idx2 in range(idx1 + 1, len(index)):
            h, l = high_vals[idx2], low_vals[idx2]

            # i'm not sure about these if's, but you can adjust it to your needs:
            if sl_entry > l:
                out_exit_price[idx1] = sl_entry
                out_indices[idx1] = index[idx2]
                break
            elif tp_entry < h:
                out_exit_price[idx1] = tp_entry
                out_indices[idx1] = index[idx2]
                break

df["exitPrice"] = np.nan
df["exitIndex"] = np.nan

# then fill the exitPrice/exitIndex values by:
get_long_exit(
    df.index.values,
    df.high.values,
    df.low.values,
    df.longTpPrice.values,
    df.longSlPrice.values,
    df.exitPrice.values,
    df.exitIndex.values,
)

print(df)