『Moonshot is all you need』01 - 5分钟上手极简回测框架

做基本面策略回测，不想用 backtrader 这样的框架，但 Alphalens 也不适合日线；另外，作为初学者，希望能从零开始实现一个策略回测，有助于了解策略回测的原理。这个想法也没错，关键是，要如何实现？

这一系列文章，将以中金2023年的一期研报为例，介绍如何实现一个较复杂的策略回测。我们将学习到如何获取各种数据，如何进行数据预处理，如何设计回测框架等关键技术。

图1 中金研报

这个策略从股息收益、资本利得和风险规避三大维度入手，综合了事件选股和因子选股的手段，最终回测结果表明，近5年年化收益率达到29%。

图2 基本面策略构建思路

我们将实现一个可用于月度调仓策略的普适性框架，它有这些特点：

• 按月调仓 适用于基本面策略
• 模块职责划分清晰 易于叠加组合
• 简单易上手

核心驱动框架

往简单里说，回测就是在指定的时间段（过去）里：

1. 根据当时能得到的数据，发出交易信号
2. 根据交易信号进行调仓
3. 计算策略的每个交易期的收益
4. 策略评估与可视化

一般来说，第一步是策略的核心。策略不同，要使用的数据也不同，构建的因子，以及决策逻辑也不同。但其它部分可以做到重复使用。特别是第4步，策略的评估与可视化，我们将使用 Quantstats 来实现。

我们先介绍如何实现第2步和第3步，即调仓和收益计算。

假设我们已经获取了股票的日线行情数据。由于我们的策略是按月调仓，所以，我们将行情数据重采样成了月线数据。

现在，这份数据看起来如下图所示：

图3 月行情数据

对月度调仓策略，先将数据重采样到月是一个重要的技巧。如果不这样，你就要先确定每个月的调仓日（每个月还不固定），再根据这个调仓日，去查找个股当天的因子数据和收盘价。一旦调仓日有个股停牌，就会出现数据缺失。

另一个好处是，现在我们可以在上月发出调仓信号后，按下月的开盘价买入，下月的收盘价卖出，这样严格地避开了未来数据。一些策略在计算收益时，仅使用收盘价，这样不可避免地要么引入未来数据，或者信号响应不及时。

现在，计算收益就变得很简单。比如，计算基准收益就是：

df.groupby("month").apply(
    lambda x: (x.close / x.open - 1).mean()
)

图4 基准收益计算

如果要计算组合的收益率呢？我们需要增加一列，先标记出哪些股票在当月的股票池中：

图5 组合收益计算

在图5中，我们增加了3列。其中 filter_1 是用来筛选股票的基础数据，比如，研报要求按每月筛选出股息率前 500 的股票，这一列就可以是股息率数据。

flag 列是根据 filter_1 列的数据，按照规则生成的『个股是否在股票池』的标记。在图中，假定规则是，如果 filter_1 大于零，则该个股在下个月的股票池中。这样我们就得到了2023年2月的股票池。

现在，我们计算策略收益时，只需要按月执行：

$$\frac{\sum (returns\times flag)}{\sum flag}$$

就能得到每月的策略收益。这一步相当于执行代码：

df.groupby("month").apply(
    lambda group: group[group["flag"] == 1]["returns"].mean()
)

到这一步为止，我们已经明确了要实现一个极简的月度回测框架，大致上要做的事情如下：

1. 获取行情数据，重采样成为月度数据
2. 根据策略要求，获取相关数据，构建因子
3. 将第2步中构建的因子 (factor) 也重采样成为月度数据，附加到1中生成的 DataFrame 中
4. 根据策略逻辑，将 factor 列转换成为 flag 列。
5. 按月计算基准收益和策略收益
6. 调用 quantstats 生成回测报告。

Moonshot 的实现

我们把这个极简框架命名为 Moonshot，因为它更适合固定按月调仓换股的策略。它的核心是一个名为 Moonshot 的类：

class Moonshot:
    def __init__(self, daily_bars:pd.DataFrame):
        self.data: pd.DataFrame = resample_to_month(daily_bars, open='first', close='last'