fastquant :nerd_face:

让回测回归主流

fastquant 使您只需短短 3 行 Python 代码即可轻松地对投资策略进行回测。它的目标是通过让金融量化分析触手可及，从而推动数据驱动型投资的发展。

如果您不想编写代码就能进行此类分析，也可以试试最近刚刚推出的 Hawksight！:smile:

如果您想直接与我们交流，也可以在 Hawksight 的 Discord 上找到我们。欢迎在 #feedback-suggestions 和 #bug-report 频道中提问关于 fastquant 的问题。

功能

1. 轻松获取历史股票数据
2. 仅需 3 行代码即可回测和优化交易策略

^{* - Yahoo Finance 和菲律宾股市的数据均可直接从 fastquant 获取}

请查看 fastquant 网站上的博客文章，以及这篇 Medium 上的介绍性 文章！

安装

Python

pip install fastquant
或
python -m pip install fastquant

获取股票数据

可通过 get_stock_data 访问来自 Yahoo Finance 和菲律宾证券交易所 (PSE) 的所有股票代码。

Python

from fastquant import get_stock_data
df = get_stock_data("JFC", "2018-01-01", "2019-01-01")
print(df.head())

#           dt  close
#   2019-01-01  293.0
#   2019-01-02  292.0
#   2019-01-03  309.0
#   2019-01-06  323.0
#   2019-01-07  321.0

获取加密货币数据

数据来源于 Binance，所有可用的交易对都可以在 这里找到。

Python

from fastquant import get_crypto_data
crypto = get_crypto_data("BTC/USDT", "2018-12-01", "2019-12-31")
crypto.head()

#             open    high     low     close    volume
# dt                                                          
# 2018-12-01  4041.27  4299.99  3963.01  4190.02  44840.073481
# 2018-12-02  4190.98  4312.99  4103.04  4161.01  38912.154790
# 2018-12-03  4160.55  4179.00  3827.00  3884.01  49094.369163
# 2018-12-04  3884.76  4085.00  3781.00  3951.64  48489.551613
# 2018-12-05  3950.98  3970.00  3745.00  3769.84  44004.799448

回测交易策略

简单移动平均线交叉策略（15 日均线 vs 40 日均线）

2018 年 1 月 1 日至 2019 年 1 月 1 日每日 Jollibee 的股价

from fastquant import backtest
backtest('smac', df, fast_period=15, slow_period=40)

# 初始投资组合价值：100000.00
# 最终投资组合价值：102272.90

想完全不用编程来做这件事吗？

如果您希望在完全无需编码的情况下进一步简化这类分析（或者想避免繁琐的设置过程），可以免费注册并试用 Hawksight——这是我正在开发的一款新型无代码工具，旨在让数据驱动的投资更加普及。

希望能让更多人享受到这种强大的分析能力！

使用自动化网格搜索优化交易策略

fastquant 允许您自动评估交易策略在多种参数组合下的表现。您只需将参数值以迭代器的形式输入即可（例如列表或范围）。

简单移动平均线交叉策略（15 至 30 日均线 vs 40 至 55 日均线）

2018 年 1 月 1 日至 2019 年 1 月 1 日每日 Jollibee 的股价

from fastquant import backtest
res = backtest("smac", df, fast_period=range(15, 30, 3), slow_period=range(40, 55, 3), verbose=False)

# 最优参数：{'init_cash': 100000, 'buy_prop': 1, 'sell_prop': 1, 'execution_type': 'close', 'fast_period': 15, 'slow_period': 40}
# 最优指标：{'rtot': 0.022, 'ravg': 9.25e-05, 'rnorm': 0.024, 'rnorm100': 2.36, 'sharperatio': None, 'pnl': 2272.9, 'final_value': 102272.90}

print(res[['fast_period', 'slow_period', 'final_value']].head())

#	fast_period	slow_period	final_value
#0	15	        40	        102272.90
#1	21	        40	         98847.00
#2	21	        52	         98796.09
#3	24	        46	         98008.79
#4	15	        46	         97452.92

交易策略库

策略	别名	参数
相对强弱指数 (RSI)	rsi	rsi_period, rsi_upper, rsi_lower
简单移动平均线交叉 (SMAC)	smac	fast_period, slow_period
指数移动平均线交叉 (EMAC)	emac	fast_period, slow_period
移动平均线收敛发散 (MACD)	macd	fast_perod, slow_upper, signal_period, sma_period, dir_period
布林带	bbands	period, devfactor
买入并持有	buynhold	无
情感策略	sentiment	keyword , page_nums, senti
自定义预测策略	custom	upper_limit, lower_limit, custom_column
自定义三元策略	ternary	buy_int, sell_int, custom_column

相对强弱指数 (RSI) 策略

backtest('rsi', df, rsi_period=14, rsi_upper=70, rsi_lower=30)

# 初始投资组合价值：100000.00
# 最终投资组合价值：132967.87

简单移动平均线交叉 (SMAC) 策略

backtest('smac', df, fast_period=10, slow_period=30)

# 初始投资组合价值：100000.00
# 最终投资组合价值：95902.74

指数移动平均线交叉 (EMAC) 策略

backtest('emac', df, fast_period=10, slow_period=30)

# 初始投资组合价值：100000.00
# 最终投资组合价值：90976.00

移动平均线收敛发散 (MACD) 策略

backtest('macd', df, fast_period=12, slow_period=26, signal_period=9, sma_period=30, dir_period=10)

# 初始投资组合价值：100000.00
# 最终投资组合价值：96229.58

布林带策略

backtest('bbands', df, period=20, devfactor=2.0)

# 初始投资组合价值：100000.00
# 最终投资组合价值：97060.30

新闻情绪策略

使用雅虎财经的特斯拉（TSLA）股票数据和商业时报的新闻文章：

from fastquant import get_yahoo_data, get_bt_news_sentiment
data = get_yahoo_data("TSLA", "2020-01-01", "2020-07-04")
sentiments = get_bt_news_sentiment(keyword="tesla", page_nums=3)
backtest("sentiment", data, sentiments=sentiments, senti=0.2)

# 初始投资组合价值：100000.00
# 最终投资组合价值：313198.37
# 注意：遗憾的是，由于get_bt_news_sentiment抓取的日期和情绪存在不一致，您无法重现此场景。为了快速开始使用新闻情绪策略，您需要确保抓取的情绪与对应的日期一致。

from fastquant import get_yahoo_data, get_bt_news_sentiment
from datetime import datetime, timedelta

# 获取当前日期及30天前的日期
current_date = datetime.now().strftime("%Y-%m-%d")
delta_date = (datetime.now() - timedelta(30)).strftime("%Y-%m-%d")
data = get_yahoo_data("TSLA", delta_date, current_date)
sentiments = get_bt_news_sentiment(keyword="tesla", page_nums=3)
backtest("sentiment", data, sentiments=sentiments, senti=0.2)

多策略

可以将多个已注册的策略以“或”的方式同时使用，当至少有一个策略发出买入或卖出信号时，就会执行相应的交易。

df = get_stock_data("JFC", "2018-01-01", "2019-01-01")

# 使用单一参数集
strats = { 
    "smac": {"fast_period": 35, "slow_period": 50}, 
    "rsi": {"rsi_lower": 30, "rsi_upper": 70} 
} 
res = backtest("multi", df, strats=strats)
res.shape
# (1, 16)


# 使用自动网格搜索
strats_opt = { 
    "smac": {"fast_period": 35, "slow_period": [40, 50]}, 
    "rsi": {"rsi_lower": [15, 30], "rsi_upper": 70} 
} 

res_opt = backtest("multi", df, strats=strats_opt)
res_opt.shape
# (4, 16)

用于回测机器学习和统计模型预测的自定义策略

这一强大的策略允许您使用任何类型的模型来回测自己的交易策略，只需在预测结果之后添加短短三行代码即可！

基于任何模型的预测都可以作为自定义指标，利用fastquant进行回测。您只需在输入数据框中添加一个custom列，并设置upper_limit和lower_limit的值。

该策略的结构类似于RSIStrategy，您可以设置一个upper_limit，当指标高于该值时卖出资产（视为“超买”），以及一个lower_limit，当指标低于该值时买入资产（视为“超卖”）。默认情况下，upper_limit设为95，而lower_limit设为5。

在下面的例子中，我们展示了如何使用自定义策略来回测基于样本外时间序列预测的自定义指标。这些预测是使用Facebook的Prophet包对比特币价格生成的。

from fastquant import get_crypto_data, backtest
from fbprophet import Prophet
import pandas as pd
from matplotlib import pyplot as plt

# 获取加密货币数据
df = get_crypto_data("BTC/USDT", "2019-01-01", "2020-05-31")

# 在收盘价上拟合模型
ts = df.reset_index()[["dt", "close"]]
ts.columns = ['ds', 'y']
m = Prophet(daily_seasonality=True, yearly_seasonality=True).fit(ts)
forecast = m.make_future_dataframe(periods=0, freq='D')

# 预测并绘制
pred = m.predict(forecast)
fig1 = m.plot(pred)
plt.title('BTC/USDT: 预测的每日收盘价', fontsize=25)

# 将预测转换为预期的1日收益率
expected_1day_return = pred.set_index("ds").yhat.pct_change().shift(-1).multiply(100)

# 回测这些预测：当预测的次日收益率大于+1.5%时买入比特币，小于-1.5%时卖出。
df["custom"] = expected_1day_return.multiply(-1)
backtest("custom", df.dropna(),upper_limit=1.5, lower_limit=-1.5)

更多示例请参见这里。

fastquant API

完整fastquant API列表请查看这里。

加入不断壮大的fastquant社区

想与其他用户及我们的开发团队讨论更多关于fastquant的内容吗？

您可以通过Hawksight Discord联系我们。欢迎在#feedback-suggestions和#bug-report频道中提问有关fastquant的问题。

在Docker容器中运行fastquant

# 构建镜像
docker build -t myimage .

# 运行容器
docker run -t -d -p 5000:5000 myimage

# 获取容器ID
docker ps

# SSH进入fastquant容器
docker exec -it <CONTAINER_ID> /bin/bash

# 运行Python并使用fastquant
python

>>> from fastquant import get_stock_data
>>> df = get_stock_data("TSLA", "2019-01-01", "2020-01-01")
>>> df.head()

fastquant 快速上手指南

fastquant 是一个旨在让量化投资分析大众化的 Python 库。它允许你仅用 3 行代码即可轻松获取历史数据并回测投资策略。

环境准备

• 操作系统：支持 Windows、macOS 和 Linux。
• Python 版本：建议安装 Python 3.6 或更高版本。
• 前置依赖：确保已安装 pip 包管理工具。
  • 注：原文未提供特定的中国镜像源配置，若下载缓慢，建议在安装命令中配合使用国内镜像（如 -i https://pypi.tuna.tsinghua.edu.cn/simple）。

安装步骤

使用 pip 进行安装：

pip install fastquant

或者：

python -m pip install fastquant

基本使用

fastquant 的核心功能包括获取数据和回测策略。以下是两个最基础的使用示例。

1. 获取股票数据

支持直接获取 Yahoo Finance 和菲律宾证券交易所（PSE）的数据。以下示例展示如何获取 Jollibee (JFC) 的股票数据：

from fastquant import get_stock_data

# 获取 2018-01-01 到 2019-01-01 的 JFC 股票数据
df = get_stock_data("JFC", "2018-01-01", "2019-01-01")
print(df.head())

2. 回测交易策略

只需一行代码即可对简单移动平均交叉策略（SMAC）进行回测。以下示例使用上述获取的数据，设置快线周期为 15 天，慢线周期为 40 天：

from fastquant import backtest

# 执行回测
backtest('smac', df, fast_period=15, slow_period=40)

输出示例：

Starting Portfolio Value: 100000.00
Final Portfolio Value: 102272.90

进阶：自动参数优化

你还可以使用网格搜索自动寻找最优参数组合。只需将参数设置为列表或范围（range）：

from fastquant import backtest

# 在指定范围内自动搜索最优的快线和慢线周期
res = backtest("smac", df, fast_period=range(15, 30, 3), slow_period=range(40, 55, 3), verbose=False)

# 查看结果
print(res[['fast_period', 'slow_period', 'final_value']].head())