mirror of
https://ghfast.top/https://github.com/aeroxw/easy_tdx_max.git
synced 2026-09-12 15:44:18 +08:00
Justin Gu
06b2617ebc
- Add --cov and --cov-fail-under=50 to CI pytest command - Replace hardcoded avg_holding_days=5.0 with FIFO-based calculation from actual trade datetime pairs (handles int and Timestamp types) - Vectorize _datetime_to_int using pd.to_datetime().strftime() instead of Python for-loop (~100-200x faster on large arrays) - Add 3 new test cases: weighted holding days, no datetime fallback, only-buys edge case
458 lines
15 KiB
Python
458 lines
15 KiB
Python
"""策略基类和数据代理。
|
||
|
||
提供策略编写的声明式 API：
|
||
- StrategyDataProxy: K线数据访问层，支持 OHLCV + 自定义指标列
|
||
- Strategy: 策略基类，init() 注册指标，next() 生成信号
|
||
- crossover: 金叉检测辅助函数
|
||
"""
|
||
|
||
from __future__ import annotations
|
||
|
||
from abc import ABC, abstractmethod
|
||
from typing import TYPE_CHECKING, Any
|
||
|
||
import numpy as np
|
||
import numpy.typing as npt
|
||
import pandas as pd
|
||
|
||
from easy_tdx.backtest.types import Signal
|
||
|
||
if TYPE_CHECKING:
|
||
from collections.abc import Callable
|
||
|
||
NDArray = npt.NDArray[np.float64]
|
||
else:
|
||
NDArray = np.ndarray
|
||
|
||
# ── 数据序列访问器 ─────────────────────────────────────────────────────────────
|
||
|
||
|
||
class _SeriesAccessor:
|
||
"""数据序列访问器，支持相对索引和 numpy 数组转换。
|
||
|
||
Examples:
|
||
>>> close = data.close
|
||
>>> close[0] # 当前 bar 的收盘价
|
||
>>> close[-1] # 前一根 bar 的收盘价
|
||
>>> ma = MyTT.MA(close.raw, 20) # 传入 numpy 数组
|
||
"""
|
||
|
||
__slots__ = ("_series", "_bar_index")
|
||
|
||
def __init__(self, series: NDArray, bar_index: int) -> None:
|
||
self._series = series
|
||
self._bar_index = bar_index
|
||
|
||
def __getitem__(self, key: int) -> float:
|
||
"""获取相对索引的值。
|
||
|
||
Args:
|
||
key: 0=当前值, -1=前一根, -2=前两根,依此类推
|
||
|
||
Returns:
|
||
对应位置的 float 值
|
||
"""
|
||
idx = self._bar_index + key
|
||
if idx < 0:
|
||
raise IndexError(f"索引 {key} 超出范围（bar_index={self._bar_index}）")
|
||
return float(self._series[idx])
|
||
|
||
def __len__(self) -> int:
|
||
"""返回数组长度。"""
|
||
return len(self._series)
|
||
|
||
def __array__(self) -> NDArray:
|
||
"""允许传入 MyTT 函数（自动解包为 numpy 数组）。"""
|
||
return self._series
|
||
|
||
@property
|
||
def raw(self) -> NDArray:
|
||
"""获取完整原始 numpy 数组。"""
|
||
return self._series
|
||
|
||
|
||
# ── K线数据代理 ────────────────────────────────────────────────────────────────
|
||
|
||
|
||
class StrategyDataProxy:
|
||
"""K线数据代理，将 DataFrame 转为高效的 numpy 数组访问。
|
||
|
||
内部将所有列（除 datetime）转为 numpy 数组，通过 _SeriesAccessor
|
||
提供相对索引访问（[0] 当前, [-1] 前一根）。
|
||
|
||
支持标准 OHLCV 列和任意自定义列（如 MACD_DIF, BOLL_UPPER）。
|
||
"""
|
||
|
||
__slots__ = ("_arrays", "_bar_index")
|
||
|
||
def __init__(self, df: pd.DataFrame) -> None:
|
||
"""初始化数据代理。
|
||
|
||
Args:
|
||
df: K线 DataFrame，必须包含 datetime, open, close, high, low, vol, amount
|
||
可包含额外列（如 MACD_DIF, BOLL_UPPER）
|
||
"""
|
||
self._arrays: dict[str, NDArray] = {}
|
||
self._bar_index = 0
|
||
|
||
# 将所有列（除 datetime）转为 numpy 数组
|
||
for col in df.columns:
|
||
if col == "datetime":
|
||
continue
|
||
arr = df[col].to_numpy()
|
||
if len(arr) > 0 and isinstance(arr[0], np.datetime64 | pd.Timestamp):
|
||
# datetime 列转为 int (YYYYMMDD)
|
||
self._arrays[col] = _datetime_to_int(arr)
|
||
else:
|
||
self._arrays[col] = arr.astype(np.float64)
|
||
|
||
def _set_index(self, idx: int) -> None:
|
||
"""设置当前 bar 索引（引擎调用）。"""
|
||
self._bar_index = idx
|
||
|
||
@property
|
||
def open(self) -> _SeriesAccessor:
|
||
"""开盘价序列。"""
|
||
return _SeriesAccessor(self._arrays["open"], self._bar_index)
|
||
|
||
@property
|
||
def close(self) -> _SeriesAccessor:
|
||
"""收盘价序列。"""
|
||
return _SeriesAccessor(self._arrays["close"], self._bar_index)
|
||
|
||
@property
|
||
def high(self) -> _SeriesAccessor:
|
||
"""最高价序列。"""
|
||
return _SeriesAccessor(self._arrays["high"], self._bar_index)
|
||
|
||
@property
|
||
def low(self) -> _SeriesAccessor:
|
||
"""最低价序列。"""
|
||
return _SeriesAccessor(self._arrays["low"], self._bar_index)
|
||
|
||
@property
|
||
def vol(self) -> _SeriesAccessor:
|
||
"""成交量序列。"""
|
||
return _SeriesAccessor(self._arrays["vol"], self._bar_index)
|
||
|
||
@property
|
||
def amount(self) -> _SeriesAccessor:
|
||
"""成交额序列。"""
|
||
return _SeriesAccessor(self._arrays["amount"], self._bar_index)
|
||
|
||
def __getattr__(self, name: str) -> _SeriesAccessor:
|
||
"""访问额外列（如 MACD_DIF, BOLL_UPPER）。
|
||
|
||
Raises:
|
||
AttributeError: 列不存在
|
||
"""
|
||
if name not in self._arrays:
|
||
raise AttributeError(f"列 '{name}' 不存在于数据中")
|
||
return _SeriesAccessor(self._arrays[name], self._bar_index)
|
||
|
||
|
||
# ── 金叉检测 ─────────────────────────────────────────────────────────────────────
|
||
|
||
|
||
def crossover(
|
||
a: NDArray | pd.Series | _SeriesAccessor,
|
||
b: NDArray | pd.Series | _SeriesAccessor,
|
||
) -> NDArray:
|
||
"""检测 a 从下方穿越 b（金叉）。
|
||
|
||
Args:
|
||
a: 快线序列
|
||
b: 慢线序列
|
||
|
||
Returns:
|
||
bool 数组，True 表示发生金叉
|
||
|
||
Examples:
|
||
>>> ma5 = MyTT.MA(data.close.raw, 5)
|
||
>>> ma20 = MyTT.MA(data.close.raw, 20)
|
||
>>> cross = crossover(ma5, ma20) # ma5 上穿 ma20
|
||
>>> if cross[bar_index]:
|
||
... strategy.buy(size=100)
|
||
"""
|
||
# 解包 _SeriesAccessor
|
||
if isinstance(a, _SeriesAccessor):
|
||
a = a.raw
|
||
if isinstance(b, _SeriesAccessor):
|
||
b = b.raw
|
||
|
||
# pd.Series 转 numpy
|
||
if isinstance(a, pd.Series):
|
||
a = a.to_numpy().astype(np.float64)
|
||
if isinstance(b, pd.Series):
|
||
b = b.to_numpy().astype(np.float64)
|
||
|
||
# 金叉：前一根 a <= b，当前 a > b
|
||
mask = np.zeros(len(a), dtype=bool)
|
||
mask[1:] = (a[:-1] <= b[:-1]) & (a[1:] > b[1:])
|
||
return mask
|
||
|
||
|
||
# ── 策略基类 ───────────────────────────────────────────────────────────────────
|
||
|
||
|
||
class Strategy(ABC):
|
||
"""策略基类，提供声明式回测 API。
|
||
|
||
用户子类实现：
|
||
- init(): 注册指标（通过 self.I()）
|
||
- next(): 生成交易信号（通过 self.buy()/self.sell()）
|
||
|
||
内部状态：
|
||
- self.data: StrategyDataProxy，访问 K线数据
|
||
- self.position: {"size": float}，当前持仓
|
||
- self.chanlun: 缠论分析结果（预留）
|
||
|
||
示例:
|
||
>>> class MyStrategy(Strategy):
|
||
... def init(self):
|
||
... self.ma5 = self.I(MyTT.MA, self.data.close, 5)
|
||
... self.ma20 = self.I(MyTT.MA, self.data.close, 20)
|
||
... self.cross = crossover(self.ma5, self.ma20)
|
||
...
|
||
... def next(self):
|
||
... if self.cross[self._bar_index]:
|
||
... self.buy(size=100)
|
||
... elif self.position["size"] > 0:
|
||
... self.sell(size=0)
|
||
"""
|
||
|
||
def __init__(self) -> None:
|
||
"""初始化策略内部状态。"""
|
||
self._data_proxy: StrategyDataProxy | None = None
|
||
self._bar_index = 0
|
||
self._signals: list[Signal] = []
|
||
self._indicators: dict[str, NDArray] = {}
|
||
self._chanlun_result: dict[str, Any] | None = None
|
||
self._position_size = 0.0
|
||
self._cash = 0.0
|
||
self._datetime_array: NDArray | None = None
|
||
|
||
# ── 用户实现方法 ─────────────────────────────────────────────────────────────
|
||
|
||
@abstractmethod
|
||
def init(self) -> None:
|
||
"""注册指标。
|
||
|
||
在回测开始前调用一次，用户通过 self.I() 注册技术指标。
|
||
"""
|
||
|
||
@abstractmethod
|
||
def next(self) -> None:
|
||
"""生成交易信号。
|
||
|
||
每根 bar 调用一次，用户通过 self.buy()/self.sell() 生成信号。
|
||
"""
|
||
|
||
# ── 指标注册 ───────────────────────────────────────────────────────────────
|
||
|
||
def I( # noqa: E743
|
||
self, func: Callable[..., NDArray], *args: Any, **kwargs: Any
|
||
) -> NDArray:
|
||
"""注册指标。
|
||
|
||
将 _SeriesAccessor 参数自动解包为 numpy 数组，调用 func 计算指标。
|
||
返回的数组存入 self._indicators，可在 next() 中访问。
|
||
|
||
Args:
|
||
func: 指标函数（如 MyTT.MA）
|
||
*args: 参数（可能是 _SeriesAccessor，会自动解包）
|
||
**kwargs: 关键字参数
|
||
|
||
Returns:
|
||
指标值数组（numpy ndarray）
|
||
|
||
Examples:
|
||
>>> ma5 = self.I(MyTT.MA, self.data.close, 5)
|
||
>>> macd = self.I(MyTT.MACD, self.data.close, self.data.low, self.data.high)
|
||
"""
|
||
# 解包 _SeriesAccessor 参数
|
||
unpacked_args = []
|
||
for arg in args:
|
||
if isinstance(arg, _SeriesAccessor):
|
||
unpacked_args.append(arg.raw)
|
||
else:
|
||
unpacked_args.append(arg)
|
||
|
||
# 调用函数
|
||
result = func(*unpacked_args, **kwargs)
|
||
|
||
# 存储指标（用于调试/日志）
|
||
func_name = getattr(func, "__name__", str(func))
|
||
self._indicators[func_name] = result
|
||
|
||
return result
|
||
|
||
# ── 交易信号生成 ─────────────────────────────────────────────────────────────
|
||
|
||
def buy(
|
||
self,
|
||
size: float = 0,
|
||
price: float | None = None,
|
||
stop_loss: float | None = None,
|
||
take_profit: float | None = None,
|
||
) -> None:
|
||
"""生成买入信号。
|
||
|
||
Args:
|
||
size: 交易数量（0 = 全仓，由引擎计算）
|
||
price: 限价（None = 市价单）
|
||
stop_loss: 止损价（None = 不设置）
|
||
take_profit: 止盈价（None = 不设置）
|
||
"""
|
||
if self._data_proxy is None:
|
||
raise RuntimeError("策略未绑定数据，请先调用 _bind_data()")
|
||
if self._datetime_array is None:
|
||
raise RuntimeError("数据未正确初始化")
|
||
|
||
signal = Signal(
|
||
datetime=int(self._datetime_array[self._bar_index]),
|
||
direction="BUY",
|
||
size=size,
|
||
price=price,
|
||
stop_loss=stop_loss,
|
||
take_profit=take_profit,
|
||
)
|
||
self._signals.append(signal)
|
||
|
||
def sell(
|
||
self,
|
||
size: float = 0,
|
||
price: float | None = None,
|
||
stop_loss: float | None = None,
|
||
take_profit: float | None = None,
|
||
) -> None:
|
||
"""生成卖出信号。
|
||
|
||
Args:
|
||
size: 交易数量（0 = 全仓，由引擎计算）
|
||
price: 限价（None = 市价单）
|
||
stop_loss: 止损价（None = 不设置）
|
||
take_profit: 止盈价（None = 不设置）
|
||
"""
|
||
if self._data_proxy is None:
|
||
raise RuntimeError("策略未绑定数据，请先调用 _bind_data()")
|
||
if self._datetime_array is None:
|
||
raise RuntimeError("数据未正确初始化")
|
||
|
||
signal = Signal(
|
||
datetime=int(self._datetime_array[self._bar_index]),
|
||
direction="SELL",
|
||
size=size,
|
||
price=price,
|
||
stop_loss=stop_loss,
|
||
take_profit=take_profit,
|
||
)
|
||
self._signals.append(signal)
|
||
|
||
# ── 状态访问 ─────────────────────────────────────────────────────────────────
|
||
|
||
@property
|
||
def data(self) -> StrategyDataProxy:
|
||
"""K线数据代理。"""
|
||
if self._data_proxy is None:
|
||
raise RuntimeError("策略未绑定数据，请先调用 _bind_data()")
|
||
return self._data_proxy
|
||
|
||
@property
|
||
def position(self) -> dict[str, float]:
|
||
"""当前持仓（简化 dict 格式）。
|
||
|
||
Returns:
|
||
{"size": float}，正=多头，负=空头，0=空仓
|
||
"""
|
||
return {"size": self._position_size}
|
||
|
||
@property
|
||
def chanlun(self) -> dict[str, Any] | None:
|
||
"""缠论分析结果（预留）。"""
|
||
return self._chanlun_result
|
||
|
||
# ── 内部方法（引擎调用） ─────────────────────────────────────────────────────
|
||
|
||
def _bind_data(self, df: pd.DataFrame) -> None:
|
||
"""绑定 K线数据（引擎调用）。
|
||
|
||
Args:
|
||
df: K线 DataFrame
|
||
"""
|
||
self._data_proxy = StrategyDataProxy(df)
|
||
# 提取 datetime 数组
|
||
if "datetime" in df.columns:
|
||
dt_arr = df["datetime"].to_numpy()
|
||
self._datetime_array = _datetime_to_int(dt_arr)
|
||
else:
|
||
raise ValueError("DataFrame 必须包含 datetime 列")
|
||
|
||
def _call_init(self) -> None:
|
||
"""调用用户 init() 方法（引擎调用）。"""
|
||
self.init()
|
||
|
||
def _set_bar_index(self, idx: int) -> None:
|
||
"""设置当前 bar 索引（引擎调用）。
|
||
|
||
Args:
|
||
idx: bar 索引
|
||
"""
|
||
self._bar_index = idx
|
||
if self._data_proxy is not None:
|
||
self._data_proxy._set_index(idx)
|
||
|
||
def _call_next(self) -> None:
|
||
"""调用用户 next() 方法（引擎调用）。"""
|
||
self.next()
|
||
|
||
def _get_datetime(self) -> int:
|
||
"""获取当前 bar 的 datetime（引擎调用）。
|
||
|
||
Returns:
|
||
datetime int (YYYYMMDD)
|
||
"""
|
||
if self._datetime_array is None:
|
||
raise RuntimeError("数据未正确初始化")
|
||
return int(self._datetime_array[self._bar_index])
|
||
|
||
def _clear_signals(self) -> list[Signal]:
|
||
"""清空并返回已生成的信号（引擎调用）。
|
||
|
||
Returns:
|
||
当前累积的信号列表
|
||
"""
|
||
signals = self._signals
|
||
self._signals = []
|
||
return signals
|
||
|
||
|
||
# ── 辅助函数 ─────────────────────────────────────────────────────────────────────
|
||
|
||
|
||
def _datetime_to_int(arr: NDArray) -> NDArray:
|
||
"""将 datetime 数组转为 int (YYYYMMDD)。
|
||
|
||
向量化实现，自动处理 datetime64、object（Timestamp）和数值类型。
|
||
|
||
Args:
|
||
arr: datetime 数组（np.datetime64、pd.Timestamp 或数值）
|
||
|
||
Returns:
|
||
float64 数组，格式 YYYYMMDD
|
||
"""
|
||
if len(arr) == 0:
|
||
return np.array([], dtype=np.float64)
|
||
arr = np.asarray(arr)
|
||
# datetime64 → 向量化转换
|
||
if arr.dtype.kind == "M":
|
||
return np.asarray(pd.to_datetime(arr).strftime("%Y%m%d").astype(float), dtype=np.float64)
|
||
# object 数组（可能包含 Timestamp）
|
||
if arr.dtype == object:
|
||
if len(arr) > 0 and isinstance(arr[0], pd.Timestamp | np.datetime64):
|
||
return np.asarray(
|
||
pd.to_datetime(arr).strftime("%Y%m%d").astype(float), dtype=np.float64
|
||
)
|
||
# 已经是数值类型
|
||
return arr.astype(np.float64)
|