期货策略回测的框架、实现、测试——以一个具有品种通用性和测试周期通用性的策略为例

在数据模块，通过.mat数据格式转换后，MATLAB直接调用.mat文件会比从第三方的数据源（数据库）调用数据更加高效，数据的存贮格式推荐直接使用double型的矩阵来存贮，对于大数据量的回测不建议使用struct、dataset等复杂的数据格式，虽然struct、dataset等复杂的数据格式在数据的操作上会稍微方便一些，但进行大数据量的回测时这些复杂的数据格式的访问读写会比double型的耗时很多。

在回测模块，可以把计算和图形展示分别实现，这样系统耦合性不高，扩展性强。

在模型参数寻优模块，可以考虑使用并行计算（相关MATALB函数matlabpool、parfor）进行参数寻优，提高效率。事实上，在数据模块的数据清洗中也可以考虑进行并行化的计算处理，可以很大程度上的提高整体的工作效率。

在实现细节层面，其中：

数据模块中，生成主力的时候要注意保存期货合约的换月信息，这样才能回测的时候才能更加贴近实际的回测换月对于隔夜策略的影响，下图中红色矩形框存贮的就是IF的换月信息（在哪个时候有主力由哪个合约换为哪个合约，价位分别为多少）。

回测模块中，最后资金流权益的计算一定要仔细，由于期货是T+0的所以可以在单个Tick（单个Bar）上进行两个两个方向的操作，比如平空且开多，这样资金流、权益的计算会稍微复杂一点，需要细心实现。

所有模块中的数据计算和图形展示都建议使用单独函数分别实现别耦合在一起。

下面以一个策略为例，看下回测平台的实现结果。

一个具有品种通用性和测试周期通用性的策略，即该策略对于测试品种和测试周期不敏感。

测试策略：FPR（Faruto’s Pattern Recognition）

策略类型：日内策略，趋势类策略，模式识别类策略。

策略简介：利用高级计量经济学模型识别上涨和下跌形态进出场、固定比例止损。

测试品种：IF。

测试周期：1分钟。

测试手续费：双边分别计算2%%（即入场2%%，离场2%%）。

测试冲击成本：双边分别计算1跳（1 slip）。

参数设置：一个核心参数。

其他说明：使用固定1手进行测试

测试结果：

可以看到FPR是一个正收益的系统，由于是趋势类的策略，胜率不高很正常（40%左右）。

资金曲线：

累计盈亏VS手续费：

通过将多空头的收益分离出来，目的是看单独的多空的收益和手续费的状况，进而在某些层面改善策略。

每笔交易收益分布统计：

通过统计每笔交易的收益分布，可以看出趋势类策略的收益分布大致是个右偏态，小亏大赚，主要靠着右边尾部的大盈利来实现整体的正收益。

仓位、最大回撤：

多空头饼图统计展示：

收益多周期统计：

多周期的收益统计可以方便的看到该交易系统在每年、每月、每周、每日等不同周期的收益情况。

------------------------------------------------------------------------------------------

我们期望着研发出来的策略具有鲁棒性，即最好具有多品种、多周期的通用性，看下FPR的品种通用性：FPR策略，在不改变参数的情况下，可在大多数商品期货上使用，下面以CU为例，测试结果。

------------------------------------------------------------------------------------------

在测试周期通用性方面，FPR策略在某一固定品种上的1小时内的周期上均适用（1MIN、2MIN、3MIN、5MIN、10MIN、15MIN等等），当然不同的测试周期会带来资金流局部的不同，最开始测试的是IF-1MIN，下面测试IF-10MIN，测试结果：

至此本篇结束，大致介绍了期货策略回测的框架、实现细节，并用一个具有品种通用性和测试周期通用性的策略为例展示了回测平台的实现结果。