mirror of
https://ghfast.top/https://github.com/aeroxw/easy_tdx_max.git
synced 2026-09-12 13:24:18 +08:00
Justin Gu
e374a0da28
对 v1.21→v1.32.5 的 249 文件 4.2 万行改动做六路专项审查，本轮落地全部发现： 回测正确性：组合收益 fillna(0) 虚增、轮动停牌日过期价成交、单标的 WF 逐窗指标 被预热区稀释（三件套均带先红后绿回归）；worst_drawdown 方向、grading 容错、 组合体检品种费率、寻优端点费率透传。 安全：LLM api_url 仅 http/https 且禁 userinfo（封死 file:// 读取与 Key 外送链）、 错误响应不回显原始 body、响应体 2MB 上限、配置原子写、坏配置字段级防御。 数据：涨跌停价整数分币舍入（67/318/90 个价位错 1 分漏判清零）、交易时段/采样/ provisional 统一沪时区、warehouse 增量缺口自动全量重拉、provisional 定点转正、 baostock 真故障抛错 + W/M 去 tradestatus（实测服务端报错，周月兜底此前从未工作） + 指数 vol 股→手（实测锚定）、ccpm 结构变更抛错。 Web API：缓存键补 count/vipdoc、NaN 清洗先于缓存、count>800 分页取全量、 submit 透传真实状态、pending 不再被淘汰成幽灵、watchlist/server 入参约束。 公式：FILTER 去副作用、0-1 值域误判收严、递归深度上限、REF 负移位显式禁止。 前端：4 处请求竞态序号守卫、Sparkline viewBox、北交所 market=2 映射、 空数据缓存死角、AI 弹窗卸载中止轮询、量能/资金日历口径修正。 CLI/CI：warehouse sync 失败 exit 1、参数校验干净报错、release 真实发布 SHA256、 CI 超时与缓存、spec 补 baostock 前提。 约 60 条回归测试先红后绿；pytest 1820 全过，ruff/mypy/vue-tsc/node --test 全绿。
259 lines
11 KiB
Python
259 lines
11 KiB
Python
"""多策略组合回测引擎（资金分仓 / 并行制）。
|
||
|
||
与 :class:`~easy_tdx.backtest.portfolio_engine.PortfolioBacktestEngine` 的区别：
|
||
- 后者是「**一个**策略 × **多只**股票」，资金按股票均分。
|
||
- 本引擎是「**多个**策略 × **各自**原标的」，资金按策略均分，每个策略独立回测，
|
||
各自的净值曲线按日期对齐后求和，得到组合整体净值曲线。
|
||
|
||
典型场景：用户在策略库勾选若干「好策略」，各跑在它保存时的标的上，看综合表现。
|
||
|
||
用法::
|
||
|
||
engine = MultiStrategyEngine(
|
||
strategies=[
|
||
StrategySlot(label="双均线交叉", symbol="SH:601088", strategy=strat_a, df=df_a),
|
||
StrategySlot(label="RSI反转", symbol="SZ:000001", strategy=strat_b, df=df_b),
|
||
],
|
||
total_cash=1_000_000,
|
||
)
|
||
result = engine.run()
|
||
print(result.total_performance)
|
||
|
||
输出结构与 :class:`~easy_tdx.backtest.portfolio_engine.PortfolioResult` 一致，便于
|
||
前端复用组合页的净值曲线 / 对比表 / 叠加图组件。``individual_results`` 的 key 形如
|
||
``"双均线交叉@SH:601088"``（既能区分同标的不同策略，又一眼看清跑哪个票）。
|
||
"""
|
||
|
||
from __future__ import annotations
|
||
|
||
from dataclasses import dataclass
|
||
from typing import Any
|
||
|
||
import pandas as pd
|
||
|
||
from easy_tdx.backtest.engine import BacktestEngine
|
||
from easy_tdx.backtest.strategy import Strategy
|
||
from easy_tdx.backtest.types import BacktestResult
|
||
|
||
|
||
@dataclass
|
||
class StrategySlot:
|
||
"""单个策略槽位：一个已构造的策略实例 + 它要跑的标的标识与 K 线。
|
||
|
||
Attributes:
|
||
label: 策略展示名（如 "双均线交叉"），用于拼 individual_results 的 key。
|
||
symbol: 标的完整代码（如 "SH:601088"），仅用于标识与展示。
|
||
strategy: 已构造（带参数）的策略实例。
|
||
df: 该标的的 K 线 DataFrame。
|
||
"""
|
||
|
||
label: str
|
||
symbol: str
|
||
strategy: Strategy
|
||
df: pd.DataFrame
|
||
|
||
|
||
@dataclass
|
||
class MultiStrategyResult:
|
||
"""多策略组合回测结果（字段语义与 PortfolioResult 对齐，便于前端复用）。
|
||
|
||
Attributes:
|
||
total_performance: 组合整体绩效（资金加权收益率 + 策略数 + 总资金）。
|
||
individual_results: 每个策略槽位的独立回测结果，key 形如 "{label}@{symbol}"。
|
||
equity_allocation: 每个槽位的资金分配比例（均分时各 1/N）。
|
||
combined_equity: 组合整体净值曲线（各槽位按日期并集 ffill 对齐后求和，
|
||
晚起步槽位的前导缺口按首个净值=初始资金回填），
|
||
列: datetime / total / drawdown / drawdown_pct。
|
||
"""
|
||
|
||
total_performance: dict[str, float]
|
||
individual_results: dict[str, BacktestResult]
|
||
equity_allocation: dict[str, float]
|
||
combined_equity: pd.DataFrame
|
||
|
||
def to_dict(self) -> dict[str, Any]:
|
||
return {
|
||
"total_performance": self.total_performance,
|
||
"individual_results": {k: v.to_dict() for k, v in self.individual_results.items()},
|
||
"equity_allocation": self.equity_allocation,
|
||
"combined_equity": self.combined_equity.to_dict(orient="records"),
|
||
}
|
||
|
||
|
||
class MultiStrategyEngine:
|
||
"""多策略资金分仓组合回测引擎。
|
||
|
||
把总资金按策略数均分，每个策略在各自的 K 线上独立回测（各跑各的），
|
||
再把各净值曲线按日期对齐求和，得到组合整体净值。资金分配方式固定为
|
||
"equal"（均分）——多策略组合的目标是"看综合表现"，均分是最直接的基线。
|
||
|
||
参数与 :class:`~easy_tdx.backtest.portfolio_engine.PortfolioBacktestEngine`
|
||
对齐（``strategy``/``stocks`` 换成 ``strategies``），便于复用资金/成本配置。
|
||
"""
|
||
|
||
def __init__(
|
||
self,
|
||
strategies: list[StrategySlot],
|
||
total_cash: float = 1_000_000.0,
|
||
commission: float = 0.0003,
|
||
min_commission: float = 5.0,
|
||
stamp_tax: float = 0.001,
|
||
slippage: float = 0.0,
|
||
execution: str = "next_open",
|
||
) -> None:
|
||
self._strategies = strategies
|
||
self._total_cash = total_cash
|
||
self._commission = commission
|
||
self._min_commission = min_commission
|
||
self._stamp_tax = stamp_tax
|
||
self._slippage = slippage
|
||
self._execution = execution
|
||
|
||
def _compute_allocations(self) -> dict[str, float]:
|
||
"""资金均分：每个策略槽位拿 total_cash / N。"""
|
||
n = len(self._strategies)
|
||
if n == 0:
|
||
return {}
|
||
per = self._total_cash / n
|
||
return {self._key(s): per for s in self._strategies}
|
||
|
||
@staticmethod
|
||
def _key(s: StrategySlot) -> str:
|
||
"""individual_results / allocation 的统一 key："{label}@{symbol}"。"""
|
||
return f"{s.label}@{s.symbol}"
|
||
|
||
def run(self) -> MultiStrategyResult:
|
||
"""逐策略独立回测，再汇总成组合整体绩效与合并净值曲线。"""
|
||
allocations = self._compute_allocations()
|
||
individual_results: dict[str, BacktestResult] = {}
|
||
|
||
for slot in self._strategies:
|
||
key = self._key(slot)
|
||
cash = allocations.get(key, 0)
|
||
engine = BacktestEngine(
|
||
strategy=slot.strategy,
|
||
cash=cash,
|
||
commission=self._commission,
|
||
min_commission=self._min_commission,
|
||
stamp_tax=self._stamp_tax,
|
||
slippage=self._slippage,
|
||
execution=self._execution,
|
||
)
|
||
individual_results[key] = engine.run(slot.df)
|
||
|
||
total_alloc = sum(allocations.values())
|
||
equity_pct = {k: v / total_alloc if total_alloc > 0 else 0 for k, v in allocations.items()}
|
||
combined_equity = self._build_combined_equity(individual_results, allocations)
|
||
total_perf = self._aggregate_performance(individual_results, allocations, combined_equity)
|
||
|
||
return MultiStrategyResult(
|
||
total_performance=total_perf,
|
||
individual_results=individual_results,
|
||
equity_allocation=equity_pct,
|
||
combined_equity=combined_equity,
|
||
)
|
||
|
||
def _aggregate_performance(
|
||
self,
|
||
results: dict[str, BacktestResult],
|
||
allocations: dict[str, float],
|
||
combined_equity: pd.DataFrame,
|
||
) -> dict[str, float]:
|
||
"""组合整体绩效：基于合并净值曲线 + 汇总成交算完整 19 项指标。
|
||
|
||
与 PortfolioBacktestEngine 仅给 4 个字段不同，这里把合并净值曲线和所有
|
||
槽位的成交汇总，喂给 PerformanceAnalyzer，得到与单标的回测同口径的完整
|
||
指标（夏普/回撤/胜率/盈亏比等），便于前端复用 MetricTable 展示。
|
||
"""
|
||
from easy_tdx.backtest.performance import PerformanceAnalyzer
|
||
|
||
total_cash = sum(allocations.values())
|
||
base: dict[str, float] = {
|
||
"total_stocks": float(len(results)), # 字段名沿用 PortfolioResult
|
||
"total_cash": total_cash,
|
||
}
|
||
if not results or len(combined_equity) < 2:
|
||
base.update({"total_return": 0.0, "annual_return": 0.0})
|
||
return base
|
||
|
||
# 汇总所有槽位的成交（concat 成一张表，PerformanceAnalyzer 据此算
|
||
# 胜率/盈亏比/平均盈亏等交易类指标）。所有策略均无成交时给空表兜底。
|
||
trade_frames = [r.trades for r in results.values() if len(r.trades) > 0]
|
||
all_trades = (
|
||
pd.concat(trade_frames, ignore_index=True)
|
||
if trade_frames
|
||
else pd.DataFrame(columns=["direction", "pnl", "rejected"])
|
||
)
|
||
|
||
analyzer = PerformanceAnalyzer(equity_curve=combined_equity, trades=all_trades)
|
||
metrics = analyzer.compute()
|
||
metrics["total_stocks"] = float(len(results))
|
||
metrics["total_cash"] = total_cash
|
||
return metrics
|
||
|
||
def _build_combined_equity(
|
||
self,
|
||
results: dict[str, BacktestResult],
|
||
allocations: dict[str, float],
|
||
) -> pd.DataFrame:
|
||
"""把各策略独立净值曲线按日期并集 ffill 对齐后求和。
|
||
|
||
算法与 ``PortfolioBacktestEngine._build_combined_equity`` 一致：
|
||
各策略回测日期范围可能不同（取数差异、停牌），取 datetime 并集，
|
||
每个策略的 total 列 forward-fill 对齐到并集后求和得组合总净值，
|
||
再算回撤。前导缺口（晚起步槽位）按其首个净值（=初始资金）回填
|
||
（bfill），保证合并曲线首值等于总投入资金。
|
||
"""
|
||
del allocations # 资金分配不参与曲线形状（各策略独立 full cash 回测，
|
||
# 合并的是 normalized 的净值贡献；保持签名与 Portfolio 版一致便于对照）
|
||
empty = pd.DataFrame(columns=["datetime", "total", "drawdown", "drawdown_pct"])
|
||
if not results:
|
||
return empty
|
||
|
||
series_list: list[pd.Series] = []
|
||
for key, result in results.items():
|
||
ec = result.equity_curve
|
||
if len(ec) == 0:
|
||
continue
|
||
dt = ec["datetime"]
|
||
if dt.dtype.kind in "iu": # int YYYYMMDD
|
||
dt = pd.to_datetime(dt.astype(str), format="%Y%m%d")
|
||
elif dt.dtype != "datetime64[ns]":
|
||
dt = pd.to_datetime(dt)
|
||
s = pd.Series(ec["total"].to_numpy(), index=dt, name=key)
|
||
series_list.append(s)
|
||
|
||
if not series_list:
|
||
return empty
|
||
|
||
# 外连接对齐（并集日期）：各槽位在缺失日期 forward-fill（持有不动）；
|
||
# 前导缺口（晚起步槽位）用每列首个有效值回填（bfill）——资金在组合
|
||
# 起点即已分配，建仓前按初始资金趴账，与 PortfolioBacktestEngine 及
|
||
# 组合 Walk-Forward 的口径一致。此前前导缺口填 0：合并曲线首值会小于
|
||
# 总投入资金，total_return 被系统性虚增。
|
||
# 退化兜底：整列全 NaN（理论不可达——无数据的槽位不会进入 series_list）
|
||
# 显式落 0，避免 sum 传播 NaN。
|
||
aligned = pd.concat(series_list, axis=1).sort_index()
|
||
aligned = aligned.ffill().bfill().fillna(0.0)
|
||
total = aligned.sum(axis=1)
|
||
|
||
# 回撤：drawdown 为绝对回撤额（峰值-当前，正值），drawdown_pct 为相对当时
|
||
# 峰值的回撤比例（drawdown / peak，0~1）。分母必须用逐点 peak 而非固定初始值：
|
||
# 净值大涨后 peak 是初始值的好几倍，若除以 initial 会把回撤百分比严重放大
|
||
# （如峰值 6.45x 初始时，45% 的真实回撤会被算成 293%）。与单标的
|
||
# PortfolioTracker.equity_curve 的 drawdown/drawdown_pct 定义保持一致，
|
||
# PerformanceAnalyzer 直接读 drawdown_pct 列算 max_drawdown。
|
||
peak = total.cummax()
|
||
drawdown = peak - total
|
||
peak_safe = peak.where(peak != 0, 1.0)
|
||
drawdown_pct = drawdown / peak_safe
|
||
|
||
return pd.DataFrame(
|
||
{
|
||
"datetime": total.index,
|
||
"total": total.to_numpy(),
|
||
"drawdown": drawdown.to_numpy(),
|
||
"drawdown_pct": drawdown_pct.to_numpy(),
|
||
}
|
||
).reset_index(drop=True)
|