面向金融的Python量化回测大作业

项目成员

项目结构

• backtester:存放了主要的回测执行函数trade_back_tester.py，用以执行用户指定的策略在指定的日期范围内进行回测。
• data:存放了本项目中使用的数据（包括原始数据和处理过的训练集等数据）以及获取数据的方法。
• model:存放了本项目中使用到的深度学习模型，包括gru, concare，其中concare为自己设计的深度学习模型。
• strategy:存放了本项目中使用的策略，其中strategy_base为所有策略的基类，用户可以通过重写基类中的抽象方法buy_strategy与sell_strategy来实现自定义策略。
• utils: 存放了本项目中使用到的一些工具类，比如计算策略的夏普比率和最大回撤率，以及天数相关的工具计算函数。

实现概述

策略实现

通过实现了一个策略模式来支持策略的添加，符合了开闭原则。通过定义虚基类策略，我们在新添加策略的时候只需新建一个覆盖了buy_strategy与sell_strategy方法的子类，并在使用时将子类传入回测执行函数中即可。

策略因子

策略至少能支持以下因子：

1. 设置初始资金
2. 设置调仓时间
3. 设置最大持有股票数 其余的因子均可以通过策略实现小节中的方法动态的添加。

深度学习模型训练框架

• dataset:存放训练、验证以及测试所需的数据，以及数据获取和处理的方法 文件夹中放入__init__.py文件，做成包，方便导入：

  from .data_interface import DInterface

  在 data_interface 中建立一个 class DInterface(pl.LightningDataModule) :用作所有数据集文件的接口。__init__() 函数中导入相应 Dataset 类，用 setup() 进行实例化，并加入所需要的 train_dataloader, val_dataloader, test_dataloader 函数。这些函数往往都是相似的，可以用几个输入 args 控制不同的部分。

• model: 存放模型代码 文件夹中放入__init__.py文件，做成包，方便导入：

  from .model_interface import MInterface

  同理，在 model_interface 中建立 class MInterface(pl.LightningModule) :类，作为模型的中间接口。__init__() 函数中导入相应模型类，然后加入configure_optimizers, training_step, validation_step 等函数，用一个接口类控制所有模型。不同部分使用输入参数控制。

• checkpoints: 负责存放训好的模型参数

• main.py: 负责定义 parser，添加 parse 项。选好需要的 callback 函数们。实例化 MInterface, DInterface, Trainer。

模型

可设置考虑多少因子，可设置预测目标（适应回归任务、分类任务、多标签分类任务）

GRU

多通道 GRU + self attention 模型

模型性能