# 多策略回测引擎

一个基于Python的股票交易策略回测系统，支持参数优化、绩效分析和灵活的股票筛选功能。

## 功能特性

- **多策略支持**：可以同时运行和比较多个交易策略
- **参数优化**：支持网格搜索和随机搜索算法优化策略参数
- **实时进度显示**：显示回测和参数优化的进度和耗时
- **绩效指标计算**：包括总收益率、年化收益率、最大回撤、夏普比率等
- **可视化报告**：自动生成收益曲线、回撤曲线等图表
- **灵活配置**：通过配置文件调整回测参数和策略参数
- **个股筛选**：支持根据股票类型（主板、创业板、科创板、北交所）和是否为ST股票进行筛选

## 项目结构

```
backtrader/
├── analysis/          # 绩效分析模块
├── backtest/          # 回测引擎
├── data/              # 数据获取和处理
├── strategy/          # 策略定义
├── utils/             # 工具函数
├── config.py          # 配置文件
├── main.py            # 主入口文件
├── parameter_optimizer.py  # 参数优化器
└── requirements.txt   # 依赖包
```

## 安装与依赖

### 环境要求
- Python 3.7+

### 安装依赖

```bash
pip install -r requirements.txt
```

## 配置说明

配置文件位于 `config.py`，主要包含以下部分：

### 数据配置
```python
# 数据配置
START_DATE = '20230101'  # 回测开始日期
END_DATE = '20251231'    # 回测结束日期
STOCK_POOL = ['600252.SH', '002925.SZ', '600362.SH']  # 自定义股票池，用于快速回测
```

### 个股筛选配置

可以通过配置文件灵活设置股票筛选条件，支持全市场回测和特定类型股票的筛选：

```python
# 个股筛选配置
STOCK_FILTER_CONFIG = {
    'include_st': False,          # 是否包含ST/*ST股票，默认False
    'include_bse': False,         # 是否包含北交所股票（代码以8开头），默认False
    'include_sse_star': False,    # 是否包含科创板股票（代码以688开头），默认False
    'include_gem': True,          # 是否包含创业板股票（代码以3开头），默认True
    'include_main': True,         # 是否包含主板股票（代码以0或6开头），默认True
    'custom_stocks': STOCK_POOL   # 自定义股票列表，优先级最高
}
```

**筛选规则说明：**
- `custom_stocks`: 自定义股票列表，设置后将忽略其他筛选条件
- `include_st`: 控制是否包含ST或*ST股票
- `include_bse`: 控制是否包含北交所股票（股票代码以8开头）
- `include_sse_star`: 控制是否包含科创板股票（股票代码以688开头）
- `include_gem`: 控制是否包含创业板股票（股票代码以3开头）
- `include_main`: 控制是否包含主板股票（股票代码以0或6开头）

**使用场景示例：**

1. **全市场回测（排除ST和北交所）：**
   ```python
   STOCK_FILTER_CONFIG = {
       'include_st': False,
       'include_bse': False,
       'include_sse_star': True,
       'include_gem': True,
       'include_main': True,
       'custom_stocks': None  # 不使用自定义股票池，使用全市场筛选
   }
   ```

2. **仅主板和创业板（排除科创板、北交所和ST）：**
   ```python
   STOCK_FILTER_CONFIG = {
       'include_st': False,
       'include_bse': False,
       'include_sse_star': False,
       'include_gem': True,
       'include_main': True,
       'custom_stocks': None
   }
   ```

### 策略配置
```python
# 策略参数
MA_PARAMS = {
    'short_period': 5,
    'medium_period': 10,
    'long_period': 20,
    'extra_long_period': 60
}

YIYANG_CONDITIONS = {
    'min_pct_change': 2.0,
    'min_volume_ratio': 1.0,
    'max_ma_gap_pct': 4.0,
    'min_entity_ratio': 0.6,
    'confirm_days': 2
}

# 策略列表
STRATEGY_LIST = ['YiYangStrategy']  # 要运行的策略
```

### 回测配置
```python
# 回测配置
BACKTEST = {
    'initial_capital': 100000,      # 初始资金
    'commission_rate': 0.0003,       # 佣金费率
    'stamp_tax_rate': 0.001,        # 印花税
    'slippage_rate': 0.001,         # 滑点
    'position_ratio': 0.2,          # 仓位比例
    'stop_loss': 0.08,              # 止损比例
    'take_profit': 0.20             # 止盈比例
}
```

### 参数优化配置
```python
# 参数优化配置
RUN_PARAMETER_OPTIMIZATION = False  # 是否运行参数优化
OPTIMIZATION_CONFIG = {
    'strategy_name': 'YiYangStrategy',  # 要优化的策略名称
    'metric': 'sharpe_ratio'  # 优化指标
}
```

## 使用方法

### 运行回测

直接运行主入口文件：

```bash
python main.py
```

### 查看结果

回测完成后，会生成以下结果：

- **控制台输出**：回测结果摘要、最近交易记录
- **日志文件**：位于 `logs/` 目录
- **图表文件**：位于 `charts/` 目录
- **参数优化结果**：如果启用了参数优化，会生成 `optimization_results.csv` 文件

## 添加新策略

### 1. 创建策略类

在 `strategy/` 目录下创建新的策略文件，例如 `my_strategy.py`，继承自 `BaseStrategy` 类：

```python
# strategy/my_strategy.py
from strategy.base_strategy import BaseStrategy
import pandas as pd

class MyStrategy(BaseStrategy):
    def __init__(self, config=None):
        super().__init__()
        self.config = config or {}
        self.params = {
            'param1': 10,
            'param2': 0.5
        }
    
    def initialize(self, data):
        # 初始化策略
        pass
    
    def generate_signals(self, data):
        # 生成交易信号
        signals = pd.DataFrame(index=data.index)
        signals['signal'] = 0
        signals['strength'] = 0.0
        signals['reason'] = ''
        
        # 实现信号生成逻辑
        # signals.loc[..., 'signal'] = 1  # 买入
        # signals.loc[..., 'signal'] = -1  # 卖出
        
        return signals
    
    def on_signal(self, date, signal, price):
        # 处理交易信号
        if signal == 1:
            return {'action': 'buy', 'quantity': 100}
        elif signal == -1:
            return {'action': 'sell', 'quantity': 100}
        else:
            return {'action': 'hold', 'quantity': 0}
```

### 2. 注册策略

在 `main.py` 中的 `strategy_class_map` 字典中注册新策略：

```python
# main.py 中的 strategy_class_map
def main():
    # ...
    # 策略类映射，用于动态加载策略
    strategy_class_map = {
        'YiYangStrategy': YiYangStrategy,
        'MyStrategy': MyStrategy  # 添加新策略
    }
    # ...
```

### 3. 在配置文件中启用策略

在 `config.py` 中的 `STRATEGY_LIST` 中添加新策略：

```python
# config.py
STRATEGY_LIST = ['YiYangStrategy', 'MyStrategy']  # 添加新策略
```

## 策略参数配置

### 1. 策略内部默认参数

在策略类的 `__init__` 方法中设置默认参数：

```python
class MyStrategy(BaseStrategy):
    def __init__(self, config=None):
        super().__init__()
        self.params = {
            'param1': 10,       # 默认参数1
            'param2': 0.5       # 默认参数2
        }
```

### 2. 通过配置文件配置参数

在 `config.py` 中添加策略参数配置：

```python
# config.py
MY_STRATEGY_PARAMS = {
    'param1': 15,          # 覆盖默认参数1
    'param2': 0.7          # 覆盖默认参数2
}
```

在策略初始化时读取配置：

```python
class MyStrategy(BaseStrategy):
    def __init__(self, config=None):
        super().__init__()
        self.params = {
            'param1': 10,
            'param2': 0.5
        }
        # 从配置中更新参数
        if config and hasattr(config, 'MY_STRATEGY_PARAMS'):
            self.params.update(config.MY_STRATEGY_PARAMS)
```

## 策略参数优化

### 1. 启用参数优化

在 `config.py` 中设置：

```python
# config.py
RUN_PARAMETER_OPTIMIZATION = True  # 启用参数优化
```

### 2. 定义参数搜索空间

在 `main.py` 的 `run_parameter_optimization` 函数中定义参数搜索空间：

```python
def run_parameter_optimization(config, data_fetcher):
    # ...
    # 定义参数搜索空间
    param_space = {
        'param1': [5, 10, 15, 20],      # 参数1的搜索范围
        'param2': [0.3, 0.5, 0.7, 0.9]   # 参数2的搜索范围
    }
    # ...
```

### 3. 运行参数优化

运行主程序，参数优化会自动执行：

```bash
python main.py
```

### 4. 查看优化结果

参数优化完成后，会输出最佳参数组合，并生成 `optimization_results.csv` 文件，包含所有参数组合的回测结果。

## 常用优化指标

- `total_return`: 总收益率
- `annual_return`: 年化收益率
- `sharpe_ratio`: 夏普比率
- `max_drawdown`: 最大回撤
- `win_rate`: 胜率
- `profit_factor`: 盈亏比

可以在 `config.py` 的 `OPTIMIZATION_CONFIG` 中指定优化指标：

```python
OPTIMIZATION_CONFIG = {
    'strategy_name': 'MyStrategy',
    'metric': 'sharpe_ratio'  # 使用夏普比率作为优化目标
}
```

## 性能优化建议

1. **减少参数空间**：在进行参数优化时，减少每个参数的取值数量可以显著提高优化速度
2. **缩短回测周期**：对于初步优化，可以使用较短的回测周期
3. **使用缓存数据**：确保数据获取模块使用缓存功能，避免重复请求数据

## 扩展功能

### 添加新的数据源

在 `data/` 目录下创建新的数据源类，继承自 `DataFetcher` 基类：

```python
# data/my_data.py
from data.data_fetcher import DataFetcher

class MyDataFetcher(DataFetcher):
    def get_daily_data(self, ts_code, start_date, end_date):
        # 实现数据获取逻辑
        pass
```

### 添加新的绩效指标

在 `backtest/performance.py` 中添加新的绩效指标计算函数：

```python
def calculate_new_metric(trades_df, equity_curve):
    # 实现新指标的计算逻辑
    return metric_value
```

## 日志管理

日志文件位于 `logs/` 目录下，包括：
- `backtrader.log`: 回测引擎日志
- `parameter_optimizer.log`: 参数优化日志

可以在 `utils/logger.py` 中配置日志级别和格式。

## 故障排除

1. **数据获取失败**：检查网络连接和API token配置
2. **策略错误**：查看日志文件中的错误信息，检查策略逻辑
3. **参数优化缓慢**：减少参数搜索空间或缩短回测周期
4. **内存不足**：减少同时回测的策略数量或缩短回测周期

## 示例

### 运行单个策略

```bash
python main.py
```

### 启用参数优化

```bash
# 在config.py中设置RUN_PARAMETER_OPTIMIZATION = True
python main.py
```

## 贡献

欢迎提交issue和pull request，一起完善这个回测引擎。

## 许可证

MIT License