如何執行一個基本的回測¶

Info

本頁提供如何使用 zipline.run_algorithm() 函數執行基本策略回測的指南，包括 Zipline 回測函數架構、主要參數說明和完整的範例。

在 TQuant Lab 中，執行策略回測的核心是 zipline.run_algorithm() 函數。這個函數整合了數據加載、策略邏輯執行以及績效計算等所有步驟，是您將策略想法轉化為回測結果的主要入口。

1. Zipline 的回測函數架構¶

一個標準的 Zipline/TQuant Lab 策略腳本主要由三個函數構成，它們定義了回測的完整生命週期：

initialize(context)
- 執行時機：在回測開始時僅執行一次。
- 主要用途：進行所有初始設定。這包括設定 Benchmark、設定手續費/滑價模型、定義要交易的資產，以及初始化您想在整個策略中追蹤的變數。
handle_data(context, data)
- 執行時機：在回測的每個時間單位（例如，每日或每分鐘）都會被呼叫。
- 主要用途：這是策略的核心邏輯所在。您會在這個函數中檢查市場數據 (data)、判斷交易信號、並下達買賣訂單。context 物件則用於在不同時間點之間傳遞狀態。
analyze(context, results)
- 執行時機：在回測結束後僅執行一次。
- 主要用途：對回測結果進行分析與視覺化。results 參數是一個包含了每日績效指標的 pandas.DataFrame，您可以利用它來繪製圖表或計算自定義的統計數據。

2. run_algorithm() 函數¶

當您定義好上述三個函數後，就可以將它們傳遞給 run_algorithm() 來啟動回測。

主要參數：¶

start: (pd.Timestamp) 回測的起始日期。
end: (pd.Timestamp) 回測的結束日期。
initialize: (函數) 上述的 initialize 函數。
handle_data: (函數) 上述的 handle_data 函數。
analyze: (函數, 可選) 上述的 analyze 函數。
capital_base: (float) 初始資金。
bundle: (str) 要使用的資料包名稱，例如 'tquant'。

3. 基本回測範例：買入並持有¶

以下是一個完整的「買入並持有台積電 (2330)」策略，它演示了如何組織並執行一個基本的回測。

Tip

在執行此範例前，請確保您已經使用 zipline ingest -b tquant 匯入了價量資料，並且資料範圍涵蓋了回測期間。詳見：匯入價量資料指南

import pandas as pd
from zipline import run_algorithm
from zipline.api import (
    set_benchmark,
    symbol,
    order_target_percent,
    record
)
import matplotlib.pyplot as plt

# 1. 初始化函數
def initialize(context):
    """
    回測開始前僅執行一次。
    """
    # 設定要交易的股票
    context.asset = symbol('2330')

    # 設定 Benchmark
    set_benchmark(symbol('IR0001'))

    # 用於判斷是否已下單的旗標
    context.has_ordered = False

# 2. 核心交易邏輯函數
def handle_data(context, data):
    """
    每個交易日都會被呼叫。
    """
    # 如果尚未下單，則下單一次
    if not context.has_ordered:
        # 將 100% 的資金買入 context.asset (2330)
        order_target_percent(context.asset, 1.0)

        # 將旗標設為 True，確保之後不再重複下單
        context.has_ordered = True

    # 記錄每日的股價，方便後續繪圖
    record(price=data.current(context.asset, 'price'))

# 3. 回測結束後的分析函數
def analyze(context, results):
    """
    回測結束後執行一次。
    """
    fig, axes = plt.subplots(2, 1, figsize=(12, 10), sharex=True)

    # 繪製投資組合價值
    results['portfolio_value'].plot(ax=axes[0])
    axes[0].set_title('Portfolio Value')

    # 繪製股價
    results['price'].plot(ax=axes[1])
    axes[1].set_title(f'{context.asset.symbol} Price')

    plt.tight_layout()
    plt.show()

# 4. 執行回測
results = run_algorithm(
    start=pd.Timestamp('2022-01-01', tz='UTC'),
    end=pd.Timestamp('2023-01-01', tz='UTC'),
    initialize=initialize,
    handle_data=handle_data,
    analyze=analyze,
    capital_base=1_000_000,
    bundle='tquant'
)