向量化回测系列1——单只股票的回测

在我探索量化的进程中，回测一直是十分重要的一个环节，而其中又分为事件驱动型回测和向量化回测。大家市面上见到的绝大多数在线回测平台，或者是backtrader和vnpy，都是事件驱动型回测，但是究其代码层面，使用的普遍是for循环的需要占用大量内存和运行时间的原理。

相较于前者，向量化回测则快速的多的多的多，出结果只要一秒钟都不到的计算，但是这玩意儿我一直在很长时间里都不知道是什么，其实是一个特别简单的事情，因此我在这里分享给所有人。

我们常见的数据格式如下：

（数据读取采用Arctic高性能数据库我先前有介绍请参考我的帖子https://blog.youkuaiyun.com/weixin_44566452/article/details/120832712）

这个数据格式包含OHLCV等常见数据，LIMIT是涨停价格，ADJFACTOR是复权因子。

所谓的向量化回测，非常简单！！就是dataframe相乘，说高级点叫矩阵相乘。

原理是通过计算收益率矩阵和01矩阵相乘来计算得出结果（0不开仓，1开仓获取收益率）

例如：

 然后创建条件01矩阵，原理也很简单，请仔细看代码：

 得到了一个全1矩阵，然后再设计条件01矩阵：

 see? 就是这么简单，在构建条件矩阵和收益率矩阵之后，我们可以通过两个矩阵相乘得出策略收益率。

总结一下，这篇文章里面我们发现向量化回测的几个要素：

1. 收益率矩阵

2. 策略条件矩阵

3. 策略收益率矩阵 = 收益率矩阵 * 策略条件矩阵

下一篇文章中，我将把这种方法推广到一次性度量所有股票（即把策略“因子化”）