期货ML策略（三）基于交易信号的回测

接上一篇文章（期货ML策略（二）构建机器学习模型），这篇文章开始对上一篇的结果进行回测分析。

上一篇文章中我简单的介绍了如何构建ML模型。当在实盘的时候，每隔一分钟我们可以获取到不同合约的实时数据（1分钟k线数据），然后构造需要的特征并将其输入模型中。模型会根据输入的特征输出20分钟后上涨概率，当达到预先设定的阈值时对其做多或做空。

在回测的过程中，为了加快回测的速度，我们只需要提前计算好在何时买入，何时卖出即可。考虑到当获得K线数据之后不能马上给出交易信号，并且存在一些时间差，所以回测的时候延后1分钟交易；即在第0分钟给出交易信号，第1分钟开仓，第20分钟平仓。因为目前考虑的是日内交易，所以策略会在尾盘清仓。

github中的Trian.ipynb程序会自动输出交易信号result.csv。回测过程中根据给定的交易信号进行交易。

因为期货交易中不同合约品种的手续费不太一样，所以这里我借助了天勤平台进行回测。

回测算法的算法步骤如下：

Step1 : 按时间顺序寻找交易信号，如果有交易信号则进入Step2，否则进入Step5

Step2 : 判断当前时间点是否开仓，如果当前时间点需要开仓，则进行开仓操作。如果当前时间点大于开仓时间，则回到Step1，否则进入Step3

Step3 : 遍历判断当前持仓是否达到平仓时间，如果是则平仓。然后进入Step4

Step4 : 如果当前时间是14点58分，清空所有仓位。然后回到Step1寻找新的交易信号

Step5 : 遍历判断当前持仓是否达到平仓时间，如果是则平仓。如果当前时间是14点58分，清空所有仓位，并结束回测程序。

Step1核心代码如下：

for trade_date, tmp_df in pred.groupby('datetime_open'):
    # print(now_time_, now_time_ - trade_date)
    # print(trade_date)
    tmp_df = tmp_df[(tmp_df['pred'] > buying_prob)|(tmp_df['pred'] < selling_prob)]
    flag = False  # 判断是否有进行加减仓等一系列操作

    if len(tmp_df) != 0:
        trade_kind = list(tmp_df['ts_code'].values)
        trade_prob = tmp_df['pred'