散户量化实战——可转债单因子回测

可转债应该是散户最容易实现量化，并能取得不错实盘效果的品种，没有之一，所以量化实战以可转债单因子回测的脚本为开篇。
转债历史数据大家可以访问 :
阿牛数据官网
进入量化专区下载。

回测代码如下：

import pandas as pd
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif']=['SimHei'] #用来在图中正常显示中文标签
plt.rcParams['axes.unicode_minus']=False #用来在图中正常显示负号
data=pd.read_csv('xxx.csv') #导入由阿牛数据下载的历史行情数据，修改文件为本地目录和文件名
data['trade_date']=pd.to_datetime(data['trade_date']) #字符转为日期格式
s_date = pd.to_datetime('20230101') # 初始化开始日期
e_date = pd.to_datetime('20231231') # 初始化结束日期
# stat_days=(e_date-s_date).days # 回测统计天数
data=data[data['trade_date']>=s_date]  # 设置回测开始日期 大于上面的开始日期

# 价格表
pricedf=data[['bond_code','trade_date','close_price']]
pricedf=pricedf.set_index(['trade_date','bond_code']).unstack()['close_price']
pricedf=pricedf.fillna(method='pad')
# 每日收益率
day_return=pricedf.pct_change().shift(-1)
day_return=day_return.fillna(method='pad')

# 溢价率表
premdf=data[['bond_code','trade_date','bond_prem']]
premdf=premdf.set_index(['trade_date', 'bond_code']).unstack()['bond_prem']

# 取排名最小的N个标的 默认20 可以试试把复制代码问问chatGPT每个函数调用是什么意思
def filtTopN(factor: pd.DataFrame, N=20)->pd.DataFrame:
    return factor.apply(lambda x:x.rank(method='first')<=N, axis=1)

# 计算每日盈亏，输入信号、日收益表、调仓频率天数freq、单向换仓成本cost_k 可以试试把复制代码问问chatGPT每行是什么意思
def calc_pnl(signal:pd.DataFrame, day_return:pd.DataFrame, freq=1, cost_k=0.001) ->pd.Series:   
    signal_freq=pd.DataFrame(index=signal.index)
    signal_freq=signal_freq.join(signal.iloc[range(0,len(signal), freq)])
    signal_freq=signal_freq.fillna(method='pad')
    gross_pnl=day_return[signal_freq].sum(axis=1)/signal_freq.sum(axis=1)
    # print(gross_pnl)
    cost=abs(signal_freq.diff()).sum(axis=1)*cost_k/signal_freq.sum(axis=1)
    # print(cost)
    return gross_pnl-cost

 # 设定因子 按低溢价率回测 也可改成按低价回测：factor=pricedf，或者按双低回测：factor=pricedf+premdf
factor=premdf
# 按10只轮动吧
signal=filtTopN(factor, 10)
# 计算每天盈亏数据
pnl=calc_pnl(signal, day_return, 10)
# stock_pnl=calc_pnl(signal, stock_day_return, 10)

# (1+pnl-stock_pnl).cumprod().plot(figsize=(8,4),grid=True);
# tp=(1+pnl-stock_pnl).cumprod()
# 画个收益曲线吧
(1+pnl).cumprod().plot(figsize=(8,4),grid=True);
# 下面统计下总收益和回测
tp=(1+pnl).cumprod() #计算每天累计收益
tp=pd.DataFrame({'date':tp.index,'value':tp.values}) #将日期和每天累计收益对应起来
# 计算当日前最高点
tp['max']=tp['value'].expanding().max()
# 计算历史最高点到当日剩余
tp['d']=tp['value']/tp['max']
# 计算回撤完剩余量最小值，以及最大回撤结束时间
end_date,remains=tuple(tp.sort_values(by=['d']).iloc[0][['date','d']])
print('总收益:',round((100*tp.value[len(tp)-1]-100),2),'%')
print('最大回撤:', round((1-remains)*100,2), '%')