量化投資策略回測框架（一）：勝率的估算
上次簡單介紹了回測之前的一些準備工作。這裡，將進一步介紹如何對一個投資策略就行完整的回測。
雜言：人啊，還是要做自己喜歡做的事情。勇於嘗試，是非常好的，當感覺不合適的時候，要儘早跳出。年輕人，還是不要太安逸，所以從財富跳到了私募。事情也是自己喜歡做的了。有時你會糾結，你是要一份體面的實習，或者工作，還是有挑戰性的，喜歡做的。和別人交流時，說你在一個小私募，和說你在某某總部，完全是不一樣的概念。結果，貌似自己把兩個某某總部都拒了。年輕人，還是累點好，多闖闖，安逸什麼的，不太合適哦。
回測一般分為兩種：勝率的估算和收益風險比的估算。勝率，指的是一個策略執行固定的週期，在所有的交易次數中，盈利的次數所佔的百分比。收益風險比的估算，指的是設定策略回測週期，給定初始資金，假定按完全按策略執行，結束時的收益風險比情況，包括收益率、最大回撤等。（就是通常意義上的回測，例如優礦、米匡和聚寬等給出的策略回測結果）。在進行回測時，必須合理的進行評估，如果對策略不是很確定，或者策略的一些引數還很模糊，可以先進行勝率的估算，檢視其結果，以評估策略是否可能有效，再決定是否進行完整的回測。畢竟，相對而言，勝率的估算較為簡單。
以雙均線策略為例，簡要說明如何搭建勝率估算的框架。所用工具：
-
anaconda 3.5（windows環境下搭建python環境）
-
python + eclipse + pydev（python編譯環境）
-
wind資訊金融終端（應用量化介面，獲取相應資料）
策略邏輯：
-
全市場選股，股本大於1億，流通市值小於50億
-
5日均線上穿10日均線，次日收盤買入，持有三天賣出
-
新股成立的兩月內不做考慮
-
回測時間：2015.03.01 — 2015.08.05
回測過程中，大部分的時間往往消耗在與wind的通訊中，為節約時間，同時便於檢測回測結果是否正確，一般儘可能的將可能重複利用的資料，以及重要資料儲存到本地。
簡單流程如下所示。主要分為四部分：
-
獲取待選標的，這裡待選標的為全市場股票
-
對標的進行基本面篩選，這裡限制條件為股本和流通市值
-
下載行情資料到本地，這裡下載的資料為【日期 股票程式碼 收盤價 ma5 ma10】
-
根據行情資料，確定每次的買點和賣點
-
估算勝率，將結果儲存到本地，進行進一步的分析。
對於其他策略而言，無外乎這幾大步驟，進行具體策略的估算時，對相應部分進行邏輯的重構即可。示例的勝率估算為44.88%。（最後給出示例程式碼）。
對於44.88%的勝率而言，則要具體問題具體分析了。記得參加寬客聚會時，一位大佬說過，商品期貨的勝率可能連50都不到，這樣的情況下，必須設定嚴格的止盈止損。設定點位可能為止損5%，止盈10%。也就是判斷準確地時候，儘可能多賺點。所以，個人感覺，勝率要根據個人經驗來看了，通過設定止盈止損，或者說嚴格的風險控制，可能勝率不高也可以接受哦。
附上拙略的程式碼吧，工程目錄結構如下，主要應用函數語言程式設計，儘可能將各功能模組分離，以期重複利用。
getStock.py（獲取全市場股票）:
selectStock.py（基本面篩選）:
tradeStock.py（下載行情資料到本地）：
tradeData.py（篩選買點和賣點）：
calWin.py（估算勝率）：
示例程式碼至此結束。結果就懶的貼出來了。上述程式碼，不僅對於估算勝率有用，在進行收益風險比的估算的時候，同樣會用到。後續再搭建吧。