多个量化平台的回测速度评测

每个有梦想的人都自己私下里憋着一股劲，默默地努力着，希望它日能冷不妨让大家大吃一惊。本人也不例外，经常混迹于各个量化平台，有灵感了就验证一下，看自己是否能成为下一颗冉冉升起的新星。正如大家所知道的那样，这种事情并没有发生。

前两天看一篇文章，大意是说大多数人都已彻底丧失了构建投资（机）战略眼光的能力，所以注定平庸。我认同。在任何方面，只要有人说大部分人注定平庸，我都会认同。基于这种认知，所以上面说的新星升起这种事大概将来也不会发生吧。

你们不同。毕竟能看到这篇文章并点赞的是极少数人，你们既然不属于大多数人，想来比我更有机会冉冉。苟富贵，莫想忘。

然而作会一个注定平庸的人，我一直坚持用战术上的勤奋来掩盖自己写不出好策略这一点。比如，我在超过 6 个量化平台上写了相同的策略(这是重复劳动？），目的就是想看一下哪个平台跑的更欢快。大家都在达成小目标的路上忙碌着，我想这些粗活我可以适当的干点儿。下面我会贴出其中 4 个平台上的双均线策略代码，大家有兴趣可以自己去它们的主子平台那试一把。在此被点名的量化平台有 JDquant ， Joinquant, Raquant, Ricequant ，后序可能会更新更多。

定场诗唠完，上点实在的。我用来测试的策略是这样的，在大量的股票集上，实现均线策略。确切的说是在 2400 支股票内，搜寻短线超长线的股票买入；搜录长线跌出短线的策略卖出。为什么是 2400 支呢，因为各家的 API 不同，数据也不同，如果直接选可交易的所有股票的全集，一些平台没有相应的接口，即使有相应的接口，大家对停牌，新股等的处理不同，造成最终选中的股票集大小也不同。所以大家都取个交集，定 2400 支了。

1. 京东量化

首先出场的是在量化之路上飞奔的 JDquant ，京东量化是强哥在金融方面对抗马爸爸的一颗棋子（为什么辈份不一样？）。本人是京东金融的一名忠实用户，最近在抱怨小白理财怎么没什么可买的了，到处限额。是的，被你发现了，一个整天谈着量化投资，程式化交易的人，居然把钱放到理财里去了，而且是“小白”理财，太丢人了！

但难道你认为整天在朋友圈里发商业模式、 IPO 、 ABCDEFG 轮融资的人个个都是头上有角的独角兽，或者背后长着翅膀的天使？

总之，京东金融的进展非常快，京东的量化平台也是。从一开始粗糙，到后来的达到主流水平，到现在的有局部优势，也是良心工厂了。但是，它也是上面我说的没有找到取股票全集方法的平台之一。这并不是什么大问题，问题是我要保证 2400 啊，这样才好对比。所以，我用财务选股的方法把这个问题搞定了，我选资产大于 0 的，肯定海量了吧。

def choose_stock_finance(): dataframe = get_fundamentals( query( fundamentals.equity_valuation_indicator.market_cap_2 ).filter( fundamentals.equity_valuation_indicator.market_cap_2 > 0 ).limit( 2400 )) return dataframe.columns.values 

你如果读下去，会发现 Ricequant 我也是如法炮制的。

下面上完整代码：

import talib import numpy as np import math import pandas import time import datetime from functools import reduce #init 方法是您的初始化逻辑， context 对象可以在任何函数之间传递 def init(context): #滑点默认值为 2 ‰ context.set_slippage(0.002) #交易费默认值为 0.25 ‰ context.set_commission(0.00025) context.codes = choose_stock_finance() logger.info("Total codes %d" %len(context.codes)) context.SHORTPERIOD = 5 context.LOnGPERIOD= 20 #每天开盘前进行选股 def before_trade(context): pass #日或分钟或实时数据更新，将会调用这个函数 def handle_data(context,data_dict): for stock in context.codes: try : # 因为策略需要用到均线，所以需要读取历史数据 prices = get_history(context.LONGPERIOD+1,'1d','close')[stock].values # 使用 talib 计算长短两根均线，均线以 array 的格式表达 short_avg = talib.SMA(prices, context.SHORTPERIOD) long_avg = talib.SMA(prices, context.LONGPERIOD) logger.info("short: %f, long: %f"% (short_avg[-1],long_avg[-1])) if stock=='601318.SH' : draw("short avg", short_avg[-1]) draw("long avg", long_avg[-1]) # 计算现在 portfolio 中股票的仓位 cur_position = context.portfolio.positions[stock].quantity # 计算现在 portfolio 中的现金可以购买多少股票 shares = context.portfolio.cash/data_dict[stock].close # 如果短均线从上往下跌破长均线，也就是在目前的 bar 短线平均值低于长线平均值，而上一个 bar 的短线平均值高于长线平均值 if short_avg[-1] - long_avg[-1] < 0 and short_avg[-2] - long_avg[-2] > 0 and cur_position > 0: # 进行清仓 order_target_value(stock, 0) # 如果短均线从下往上突破长均线，为入场信号 if short_avg[-1] - long_avg[-1] > 0 and short_avg[-2] - long_avg[-2] < 0: order_percent(stock, 0.05) except : continue #选股函数 def choose_stock_finance(): dataframe = get_fundamentals( query( fundamentals.equity_valuation_indicator.market_cap_2 ).filter( fundamentals.equity_valuation_indicator.market_cap_2 > 0 ).limit( 2400 )) return dataframe.columns.values 

当我按下编译按钮之后，这会玩家跑出了 1 ‘ 15 ’‘的成绩，并向我展示了我的策略的回测情况：

你不要小看我，我是能用最简单的策略写出年化 37.55%收益的男人！巴菲特才多少？而且巴菲特有教过你怎么赚钱的吗，我的策略代码你可以全部拿走，请忽略知识产权问题，分文不取！如果因为这个策略实盘导致破产吃不上饭，请联系我，我会帮你转接社会救济服务站。

2. Joinquant 聚宽

国内起步比较早的一家量化平台，我早期经常混迹其中。号称用户超多，但其它几个平台的数据我也看不到，所以也不知道是不是“超”多。首页上有一个醒目的位置，向你展示他们感觉比较得意的策略，运行个一两年，收益过百分之一千也很常见，而且相当数量的代码你可以看到。你可以不知不觉的拿走实盘，你要是这样出了问题，显然不应该联系我。但现面这个策略可以：

import talib # 初始化函数，设定要操作的股票、基准等等 def initialize(context): context.SHORTPERIOD = 5 context.LOnGPERIOD= 20 # 定义一个全局变量, 保存要操作的股票 # 000001(股票:平安银行) g.securities = list(get_all_securities(['stock']).index)[0:2400] log.info("total: %d"% len(g.securities)); # 设定沪深 300 作为基准 set_benchmark('000300.XSHG') # 每个单位时间(如果按天回测,则每天调用一次,如果按分钟,则每分钟调用一次)调用一次 def handle_data(context, data): for stock in g.securities : try : # 因为策略需要用到均线，所以需要读取历史数据 prices = attribute_history(stock, 21, '1d', ['close'],df=False)['close'] # 使用 talib 计算长短两根均线，均线以 array 的格式表达 short_avg = talib.SMA(prices, context.SHORTPERIOD) long_avg = talib.SMA(prices, context.LONGPERIOD) #logger.info("short: %f, long: %f"% (short_avg[-1],long_avg[-1])) if stock=='601318.XSHG' : record(short_avg=short_avg[-1],long_avg=long_avg[-1]) # 计算现在 portfolio 中股票的仓位 cur_position = context.portfolio.positions[stock].total_amount # 如果短均线从上往下跌破长均线，也就是在目前的 bar 短线平均值低于长线平均值，而上一个 bar 的短线平均值高于长线平均值 if short_avg[-1] - long_avg[-1] < 0 and short_avg[-2] - long_avg[-2] > 0 and cur_position > 0: # 进行清仓 order_target_value(stock, 0) # 如果短均线从下往上突破长均线，为入场信号 if short_avg[-1] - long_avg[-1] > 0 and short_avg[-2] - long_avg[-2] < 0: order_value(stock, context.portfolio.total_value*0.05) except : continue 

这会玩家跑出了 3 ’ 08 ‘’的成绩，并向我们展示了回测结果：

正如你所期待的那样，又双 赚 钱 啦！赚钱的策略是如此容易写，赔钱的策略将成会稀缺资源。

3. Raquant 镭矿

这是一家新兴的量化平台，用户数量暂时较少，至于我为什么要拿它来测评，你看完下面就知道了。

他们也支持 Java ，而且与京东和大米 Java 版本的风格完全不同，作为一个 Java 程序员，首先我是难以抗拒的，但这并不是我决定把它提上测试表的原因。他们的口号是”镭厉风行，快速验证你的策略“，我只在强哥的地盘上看到有人敢说快，其它都是说数据怎么好，用户怎么多。我因此被镭到了。先看代码吧：

public class SpeedTest extends Strategy{ Factor fSmaShort = new SMAFactor(5); Factor fSmaLOng= new SMAFactor(20); @Override public void init(BackTestContext context) throws Exception { StockList list = new StockList().addAll(); context.universe.addAll(list.subList(0,2400)); log.info("Total: "+context.universe.size()); } @Override public void handleData(BackTestContext context, BarData piece) throws Exception { for(String stock:context.universe) { double smaShort1 = fSmaShort.get(stock, -1); double smaLong1 = fSmaLong.get(stock, -1); double smaShort2 = fSmaShort.get(stock, -2); double smaLong2 = fSmaLong.get(stock, -2); if(stock.equals("sha-601318")) { record("sma long", smaLong1); record("sma short", smaShort1); } for(Position pos:context.portfolio.getAllPositions()) { if(smaShort1<smaLong1 && smaShort2>smaLong2) orderPercent(pos.getSecurity(), 0); } if(smaShort1>smaLong1 && smaShort2<smaLong2) { orderPercent(stock, 5); } } } } 

什么情况，不是说 Java 模拟个脱裤子放屁的程序都要 10000 行代码，建 100 个对象么，怎么代码反而少了这么多？

原来他们把技术指标封装了，看他们的 API ，应该是把所有的 TA 指标都做进去了，统一新建一个对象，然后 get()就可以了。为什么别的平台不这么做呢，写 SMA 指标的时候还好，写什么 ATR,KSI 以及需要更多输入变量的指标的时候，有没有想过我的感受？我只是想用一下啊，又是取数，又是计算又是定位的，半个屏没有了。

建议各平台的大大们都这样封装一下吧，有余力地顺遍把 MQ4 的海量指标翻译过来啊，好让我们这些小白直接使用啊。大家就想用个指标还得搞清各种输入输出，人生太短暂。

看一下结果，这位选手跑出了 10 ”，额，节省一个标点，是的，是 10 秒的成绩。由于它不太耗时，我又多点了几下，它是有机率可以跑进 10 秒的。

不出所料，又挣到钱了，我不悲不喜，已经麻木。

到这里，我只想问一下雷矿的团队里是否有印度来的员工，跑个策略都咖喱味十足，跟开了挂似的。为什么要跑进 10 秒，你们的服务器强哥的好么？

我猜肯定不是，大概是在后台做了很多工作，把运算批量进行了或并行了之类的。但是，有功夫搞这个没功夫把网站完善一下吗，我进去有点摸不着北。

4. Ricequant 米矿

这也是一家专门做量化的网站，摊子铺的很大，在他们还没声称要放弃对 Java 平台支持之前，我在上面写过 Java 策略， Instrument 什么的，事件驱动什么的，我一度怀疑京东是打这获得的“灵感”。其实我骨子里还是个 Java 程序员，但在量化平台的用武之地越来越少了，也许哪天我因此敌视用 Python 做量化的平台，就再也不写了，所以请珍惜你眼下的阅读。

大米开源了回测引擎，各种宣传各种好，有兴趣的可以去研究一下。你要在此基础上偷摸整出来了另一个回测平台，我可以帮你也测评一下。

上代码：

# 可以自己 import 我们平台支持的第三方 python 模块，比如 pandas 、 numpy 等。 # 可以自己 import 我们平台支持的第三方 python 模块，比如 pandas 、 numpy 等。 import talib import pandas as pd import numpy as np # 在这个方法中编写任何的初始化逻辑。 context 对象将会在你的算法策略的任何方法之间做传递。 def init(context): context.codes = choose_stock_finance()[0:2830] logger.info("Total codes %d" %len(context.codes)) # 设置这个策略当中会用到的参数，在策略中可以随时调用，这个策略使用长短均线，我们在这里设定长线和短线的区间，在调试寻找最佳区间的时候只需要在这里进行数值改动 context.SHORTPERIOD = 5 context.LOnGPERIOD= 20 # 你选择的证券的数据更新将会触发此段逻辑，例如日或分钟历史数据切片或者是实时数据切片更新 def handle_bar(context, bar_dict): # 开始编写你的主要的算法逻辑 # bar_dict[order_book_id] 可以拿到某个证券的 bar 信息 # context.portfolio 可以拿到现在的投资组合状态信息 # 使用 order_shares(id_or_ins, amount)方法进行落单 # TODO: 开始编写你的算法吧！ for stock in context.codes: try : # 因为策略需要用到均线，所以需要读取历史数据 prices = history_bars(stock,context.LONGPERIOD+1, '1d', 'close') # 使用 talib 计算长短两根均线，均线以 array 的格式表达 short_avg = talib.SMA(prices, context.SHORTPERIOD) long_avg = talib.SMA(prices, context.LONGPERIOD) logger.info("short: %f, long: %f"% (short_avg[-1],long_avg[-1])) if stock=='601318.XSHG' : plot("short avg", short_avg[-1]) plot("long avg", long_avg[-1]) # 计算现在 portfolio 中股票的仓位 cur_position = context.portfolio.positions[stock].quantity # 计算现在 portfolio 中的现金可以购买多少股票 shares = context.portfolio.cash/bar_dict[stock].close # 如果短均线从上往下跌破长均线，也就是在目前的 bar 短线平均值低于长线平均值，而上一个 bar 的短线平均值高于长线平均值 if short_avg[-1] - long_avg[-1] < 0 and short_avg[-2] - long_avg[-2] > 0 and cur_position > 0: # 进行清仓 order_target_value(stock, 0) # 如果短均线从下往上突破长均线，为入场信号 if short_avg[-1] - long_avg[-1] > 0 and short_avg[-2] - long_avg[-2] < 0: # 满仓入股 order_percent(stock, 0.05) except : continue def choose_stock_finance(): fundamental_df = get_fundamentals( query( fundamentals.income_statement.revenue, fundamentals.eod_derivative_indicator.pe_ratio ).order_by( fundamentals.eod_derivative_indicator.pe_ratio.desc() ).limit( 2400 ) ) return fundamental_df.columns.values 

经过，额，中间我等不下去吃饭去了，回来测完了，我只好重新测。经过 27 ‘ 48 “，额这个数字比较难以启齿，希望我是搞错了。你可以去亲测一下，我还有别的事要做。

总结

实际上没什么好总结的，我就是想简单测一下速度，如果你看完上面的内容，心里也都有数了。 Raquant 10 秒，京东 1 分 15 秒，聚宽 3 分 8 秒， Ricequant 基本接近 4 分钟了。收益么，都赚钱啦，不过我也不关心这个。

友情提示，速度、回测收益什么的并不是最重要的。速度快就是验证你想法的速度快点，假如你有的只是烂策略，速度越快只是意味着在一定时间内，这个平台更能证明你拙劣的想法很多而已。如果因为回测收益高就觉得实盘收益也会高，这跟说五千万将近一个亿没什么区别。（且不说上述这些平台自身也并不是没有问题的）。