欢迎加入专注于财经数据与量化投研的【数据科学实战】知识星球！在这里，您将获取持续更新的《财经数据宝典》和《量化投研宝典》，这两部宝典相辅相成，为您在量化投研道路上提供明确指引。 我们提供了精选的国内外量化投研的 250+ 篇高质量文章，并每日更新最新研究成果，涵盖策略开发、因子分析、风险管理等核心领域。 无论您是量化投资新手还是经验丰富的研究者，星球社区都能帮您少走弯路，事半功倍，共同探索数据驱动的投资世界！

引言

你是否想过，华尔街的量化交易员是如何用算法在市场中寻找盈利机会的？今天，我将带你深入一个完整的量化交易项目——从 ETF 市场分析到策略回测，手把手教你用 Python 构建自己的量化交易工具包。

这个项目涵盖了三大核心功能：市场探索与分析、危机对冲策略（Crisis Alpha）、以及策略回测与模拟。无论你是量化交易新手还是想要提升技能的开发者，这篇文章都能让你收获满满。

一、项目概览：我们要做什么？

这个量化交易框架主要解决三个问题：

1. 市场探索与分析：了解 ETF 的资产分布、费用、收益率和流动性
2. 战略对冲：找到在市场崩盘时能保护投资组合的资产
3. 策略回测：验证交易策略在历史数据上的表现

二、环境配置：搭建你的量化实验室

首先，我们需要配置 Python 环境并导入必要的库：

# 启用内联绘图，让图表直接显示在 Notebook 中
%matplotlib inline

import numpy as np  # 数值计算库
import pandas as pd  # 数据处理库
from pandas.io.data import DataReader  # 数据读取器
from datetime import datetime  # 日期时间处理
import matplotlib as mpl
import matplotlib.pyplot as plt

# 导入在线投资组合选择库
import universal as up
from universal import tools
from universal import algos

# 配置日志，方便追踪算法运行状态
import logging
logging.basicConfig(format='%(asctime)s %(message)s', level=logging.DEBUG)

# 调整图表大小和样式
mpl.rcParams['figure.figsize'] = (16, 10)  # 增大图表尺寸
mpl.rcParams['legend.fontsize'] = 12# 图例字体大小
mpl.rcParams['lines.linewidth'] = 1# 线条宽度

为什么要记录版本信息？ 这是一个好习惯，能确保实验的可重复性：

import sys
print('Python: ' + sys.version)  # 打印 Python 版本
print('Pandas: ' + pd.__version__)  # 打印 Pandas 版本

import pkg_resources
print('universal-portfolios: ' + pkg_resources.get_distribution("universal-portfolios").version)

三、数据加载：获取 ETF 历史数据

我们使用 2005-2012 年的数据进行训练，2013-2014 年的数据进行测试：

# 定义 ETF 组合（斯文森配置）
etfs = ['VTI', 'EFA', 'EEM', 'TLT', 'TIP', 'VNQ']

# 斯文森资产配置比例
# VTI: 美国全市场 30%，EFA: 发达市场 15%，EEM: 新兴市场 10%
# TLT: 长期国债 15%，TIP: 通胀保护债券 15%，VNQ: 房地产 15%
swensen_allocation = [0.3, 0.15, 0.1, 0.15, 0.15, 0.15]

# 基准指数
benchmark = ['SPY']

# 设置训练和测试时间段
train_start = datetime(2005, 1, 1)
train_end = datetime(2012, 12, 31)
test_start = datetime(2013, 1, 1)
test_end = datetime(2014, 12, 31)

# 从 Yahoo Finance 加载数据
train = DataReader(etfs, 'yahoo', start=train_start, end=train_end)['Adj Close']
test = DataReader(etfs, 'yahoo', start=test_start, end=test_end)['Adj Close']
train_b = DataReader(benchmark, 'yahoo', start=train_start, end=train_end)['Adj Close']
test_b = DataReader(benchmark, 'yahoo', start=test_start, end=test_end)['Adj Close']

关键点解析：

• 使用 Adj Close（调整后收盘价）是因为它已经考虑了股息和拆股的影响
• 训练集和测试集分开是为了避免"未来函数"问题，确保回测的真实性

四、数据可视化：归一化价格对比

将所有 ETF 的价格归一化到同一起点，方便对比表现：

# 归一化价格：将每个 ETF 的价格除以其初始价格
# 这样所有 ETF 都从 1 开始，便于比较相对收益
ax1 = (train / train.iloc[0, :]).plot()
(train_b / train_b.iloc[0, :]).plot(ax=ax1)

五、OLPS 算法对比：14 种策略大比拼

这是整个项目的核心——对比多种在线投资组合选择（OLPS）算法：

# 定义所有要对比的算法
olps_algos = [
    algos.Anticor(),      # 反相关策略
    algos.BAH(),          # 买入并持有
    algos.BCRP(),         # 最优固定再平衡组合（事后最优）
    algos.BNN(),          # 贝叶斯近邻
    algos.CORN(),         # 相关驱动策略
    algos.CRP(b=swensen_allocation),  # 固定权重再平衡（斯文森配置）
    algos.CWMR(),         # 置信加权均值回归
    algos.EG(),           # 指数梯度
    algos.Kelly(),        # 凯利准则
    algos.OLMAR(),        # 在线移动平均回归
    algos.ONS(),          # 在线牛顿步
    algos.PAMR(),         # 被动攻击均值回归
    algos.RMR(),          # 鲁棒均值回归
    algos.UP()            # 万能组合
]

算法分类解读：

• 基准策略：BAH（买入持有）、BCRP（理论最优）、CRP（固定再平衡）
• 均值回归类：OLMAR、PAMR、RMR、CWMR——假设价格会回归均值
• 动量/趋势类：EG、Kelly——跟随近期表现好的资产
• 模式匹配类：CORN、BNN——寻找历史上的相似模式

六、创建结果表格并运行回测

# 获取算法名称列表
algo_names = [a.__class__.__name__ for a in olps_algos]

# 定义要记录的数据列
algo_data = ['algo', 'results', 'profit', 'sharpe', 'information', 
'annualized_return', 'drawdown_period', 'winning_pct']
metrics = algo_data[2:]  # 只取性能指标列

# 创建训练集结果表格
olps_train = pd.DataFrame(index=algo_names, columns=algo_data)
olps_train.algo = olps_algos

# 运行所有算法（这一步可能需要几分钟）
for name, alg in zip(olps_train.index, olps_train.algo):
    olps_train.loc[name, 'results'] = alg.run(train)

七、添加交易费用：让回测更真实

真实交易中，每笔交易都有成本。我们设置 0.1% 的交易费用：

# 设置交易费用：每 1000 美元交易支付 1 美元
for k, r in olps_train.results.items():
    r.fee = 0.001# 0.1% 的交易费用

八、性能统计函数

定义一个函数来计算各种性能指标：

defolps_stats(df):
"""
    计算并填充 OLPS 算法的性能统计指标

    参数:
        df: 包含算法结果的 DataFrame
    返回:
        填充了性能指标的 DataFrame
    """
for name, r in df.results.items():
        df.loc[name, 'profit'] = r.profit_factor        # 盈利因子
        df.loc[name, 'sharpe'] = r.sharpe               # 夏普比率
        df.loc[name, 'information'] = r.information     # 信息比率
        df.loc[name, 'annualized_return'] = r.annualized_return * 100# 年化收益率（%）
        df.loc[name, 'drawdown_period'] = r.drawdown_period  # 最大回撤周期
        df.loc[name, 'winning_pct'] = r.winning_pct * 100# 胜率（%）
return df

# 计算统计指标并按盈利排序
olps_stats(olps_train)
olps_train[metrics].sort_values('profit', ascending=False)

九、深入研究 OLMAR 策略

OLMAR（在线移动平均回归）是一个值得深入研究的策略。我们可以测试不同的参数组合：

# 测试不同的窗口期参数
train_olmar = algos.OLMAR.run_combination(
    train, 
    window=[3, 5, 10, 15],  # 测试 3、5、10、15 日窗口
    eps=10# 阈值参数
)
train_olmar.plot()  # 绘制结果对比图

# 查看详细统计
print(train_olmar.summary())

OLMAR 工作原理：

1. 计算每个资产的移动平均价格
2. 预测价格会向移动平均回归
3. 增加低于移动平均的资产权重，减少高于的
4. 通过投影确保权重合法（非负且和为 1）

十、OLMAR vs CRP 对比

比较 OLMAR 与固定再平衡策略的表现：

# 选择最佳 OLMAR 配置
best_olmar = train_olmar[1]

# 绘制对比图
ax1 = best_olmar.plot(
    ucrp=True,   # 显示均匀 CRP 基准
    bah=True,    # 显示买入持有基准
    weights=False,
    assets=False,
    portfolio_label='OLMAR'
)

# 叠加 CRP 策略结果
olps_train.loc['CRP'].results.plot(
    ucrp=False,
    bah=False,
    weights=False,
    assets=False,
    ax=ax1[0],
    portfolio_label='CRP'
)

十一、收益分解分析

了解每个 ETF 对投资组合收益的贡献：

# 绘制收益分解图（对数坐标）
best_olmar.plot_decomposition(legend=True, logy=True)

# 绘制收益分解图（线性坐标）
best_olmar.plot_decomposition(legend=True, logy=False)

分解图告诉我们什么？

• 哪些 ETF 贡献了主要收益
• 收益是来自广泛分散还是集中在少数资产
• 不同时期的收益来源变化

十二、剔除最赚钱的资产：稳健性测试

验证策略是否过度依赖某一个资产：

# 找出贡献最大的资产
most_profitable = best_olmar.equity_decomposed.iloc[-1].argmax()

# 在剔除该资产后重新运行算法
result_without = algos.OLMAR().run(train.drop([most_profitable], axis=1))

# 打印结果并绘图
print(result_without.summary())
result_without.plot(
    weights=False,
    assets=False,
    bah=True,
    ucrp=True,
    logy=True,
    portfolio_label='OLMAR (剔除最佳资产)'
)

十三、SPY 与 TLT 的简化组合

用两个 ETF 展示 OLMAR 的工作方式：

# 加载 SPY（股票）和 TLT（债券）数据
spy_tlt_data = DataReader(
    ['SPY', 'TLT'],
'yahoo',
    start=datetime(2010, 1, 1)
)['Adj Close']

# 运行 OLMAR
spy_tlt_olmar = algos.OLMAR().run(spy_tlt_data)
spy_tlt_olmar.plot(
    assets=True,   # 显示资产价格
    weights=True,  # 显示权重变化
    ucrp=True,
    bah=True,
    portfolio_label='OLMAR'
)

# 与 70/30 固定配置对比
spy_tlt_crp = algos.CRP(b=[0.7, 0.3]).run(spy_tlt_data)

十四、行业 ETF 分析

将策略应用到 9 个行业 ETF：

# 定义行业 ETF 列表
sectors = [
'XLY',  # 可选消费
'XLF',  # 金融
'XLK',  # 科技
'XLE',  # 能源
'XLV',  # 医疗保健
'XLI',  # 工业
'XLP',  # 必需消费
'XLB',  # 材料
'XLU'# 公用事业
]

# 加载行业 ETF 数据
train_sectors = DataReader(sectors, 'yahoo', 
                          start=train_start_2010, 
                          end=train_end_2010)['Adj Close']

# 运行 OLMAR
train_olmar_sectors = algos.OLMAR().run(train_sectors)
train_olmar_sectors.plot(
    assets=True,
    weights=False,
    ucrp=True,
    bah=True,
    portfolio_label='OLMAR'
)

十五、核心发现与实战建议

通过这个项目，我们得到了以下重要发现：

1. 交易费用的影响巨大

• 无费用时表现优异的策略，加入 0.1% 费用后夏普比率可能下降一半
• OLMAR 等高频再平衡策略受费用影响更大

2. 参数选择很重要

• OLMAR 的最优参数：window=5，eps=5
• 不同市场环境可能需要不同参数

3. 单一资产依赖风险

• 2008 年后 VNQ（房地产）成为主要收益来源
• 需要进行稳健性测试，剔除最佳资产后策略是否仍然有效

4. Kelly 策略的风险

• Kelly 策略在多个测试中表现不稳定，容易"崩溃"
• 实际应用中需要谨慎使用或进行改进

总结

本文介绍了一个完整的量化交易框架，包括：

1. 数据准备：获取和预处理 ETF 历史数据
2. 算法对比：14 种 OLPS 算法的系统比较
3. 性能评估：夏普比率、最大回撤、年化收益等指标
4. 费用建模：考虑真实交易成本的影响
5. 稳健性测试：验证策略的可靠性

量化交易的核心在于"用数据说话"。通过系统的回测和分析，我们可以在实盘之前发现策略的优缺点，避免踩坑。

记住：历史表现不代表未来收益，但科学的方法可以帮助我们做出更理性的决策。

参考文章

加入专注于财经数据与量化投研的知识星球【数据科学实战】，获取本文完整研究解析、代码实现细节。

财经数据与量化投研知识社区

核心权益如下：

1. 赠送《财经数据宝典》完整文档，汇集多年财经数据维护经验
2. 赠送《量化投研宝典》完整文档，汇集多年量化投研领域经验
3. 赠送《PyBroker-入门及实战》视频课程，手把手学习量化策略开发
4. 每日分享高质量量化投研文章（已更新 180+篇）、代码和相关资料
5. 定期更新高频财经数据
6. 参与年度不少于 10 次专属直播与录播课程
7. 与核心开发者直接交流，解决实际问题
8. 获取专业微信群交流机会和课程折扣

星球已有丰富内容积累，包括量化投研论文、财经高频数据、 PyBroker 视频教程、定期直播、数据分享和答疑解难。适合对量化投研和财经数据分析有兴趣的学习者及从业者。欢迎加入我们！

好文推荐