量化投资系列文章：

Backtrader 教程 — Python 量化投资实战教程(1)

Python 量化投资实战教程(2) —MACD策略

Python 量化投资实战教程(3) —A股回测MACD策略

Python 量化投资实战教程(4) —KDJ 策略

Python 量化投资实战教程(5) — A股回测KDJ 策略

Github仓库： github.com/Ckend/pytho…

在之前的五篇系列文章中，计算收益率时没有考虑每次按策略进行交易时的收益率，而是单纯回测一段时间后，通过计算最终价值和本金的差距并除以本金，得到最终收益率。这样的计算方法其实是不准确的，因为交易时每次都采用100股的形式进行，在没有引入调仓技术前，我们应该以每次交易的平均收益率为准。

具体计算方法如下：

在每次买入股票的时候，记录购买价格：self.buyprice

在每次卖出股票的时候，计算收益率： (卖出价格-买入价格)/买入价格 ，忽略佣金。

将每次交易收益存入params变量中，以便后续分析。

开始之前，你要确保Python和pip已经成功安装在电脑上，如果没有，请访问这篇文章： 超详细Python安装指南 进行安装。如果你用Python的主要目的是数据分析，可以直接安装Anaconda： Python数据分析与挖掘好帮手—Anaconda ，内含许多科学计算模块。

Windows环境下打开Cmd(开始—运行—CMD)，苹果系统环境下请打开Terminal(command+空格输入Terminal)，准备开始输入命令安装依赖。

当然，我更推荐大家用VSCode编辑器，把本文代码Copy下来，在编辑器下方的终端运行命令安装依赖模块，多舒服的一件事： Python 编程的最好搭档—VSCode 详细指南。

在终端输入以下命令安装我们所需要的依赖模块:

pip install backtrader

看到 Successfully installed xxx 则说明安装成功。

Backtrader基本使用请看我们前一篇文章：
backtrader教程—量化投资实战教程(1)

本文全部代码，请在Python实用宝典后台回复： 量化投资6 进行下载。

2.交易收益率

以第二篇的 macd策略 为例，首先初始化策略变量，用于记录股票交易的每次收益率：

class TestStrategy(bt.Strategy):
    params = (
        ('code', 0),
        ('profits', [])
复制代码

第二，要在notify_order函数中记录购买时的价格：

    def notify_order(self, order):
        # 交易状态处理
        # Python实用宝典
        if order.status in [order.Submitted, order.Accepted]:
            return
        if order.status in [order.Completed]:
            if order.isbuy():
                self.log(
                    "BUY EXECUTED, Price: %.2f, Cost: %.2f, Comm %.2f"
                    % (order.executed.price, order.executed.value, order.executed.comm)
                # 记录买入价格
                self.buyprice = order.executed.price
                self.buycomm = order.executed.comm
                self.bar_executed_close = self.dataclose[0]
复制代码

第三，在卖出的时候，根据卖出价格和买入价格计算收益率，并存入策略变量里的profits变量中：

    def notify_order(self, order):
        # 交易状态处理
        # Python实用宝典
        if order.status in [order.Submitted, order.Accepted]:
            return
        if order.status in [order.Completed]:
            if order.isbuy():
                self.log(
                    "BUY EXECUTED, Price: %.2f, Cost: %.2f, Comm %.2f"
                    % (order.executed.price, order.executed.value, order.executed.comm)
                # 记录买入价格
                self.buyprice = order.executed.price
                self.buycomm = order.executed.comm
                self.bar_executed_close = self.dataclose[0]
            else:
                self.log(
                    "SELL EXECUTED, Price: %.2f, Cost: %.2f, Comm %.2f"
                    % (order.executed.price, order.executed.value, order.executed.comm)
                # 收益率计算
                profit_rate = float(order.executed.price - self.buyprice)/float(self.buyprice)
                # 存入策略变量
                self.params.profits.append(profit_rate)
            self.bar_executed = len(self)
复制代码

在策略运行完毕后，可以通过以下变量获得策略变量里profits的值：

cerebro.runstrats[0][0].params.profits
复制代码

结果如下：

[0.021676761236850372, -0.1054225992123598, 0.10678571428571423, 0.11044953855314062, 0.21502209131075103, 0.15729837813819164, 0.10841304881039966, 0.16918294849023086]
复制代码

可以看到，每次该策略进行交易时的收益率，第一次盈利2%、第二次亏损10%、第三次盈利10%、第四次盈利11%...

有趣的是第五次，盈利了21%，这个策略明明是在盈利10%的时候卖出，为什么这次交易能盈利21%？

主要是在涨停板之下，股票无法卖出导致的。

这也给我们一个hint：这个策略写死的涨/跌10%卖出是不是过于死板了，有没有更合适的卖出策略？

大家可以尝试一下找到更好的卖出策略，下一篇文章中我们将重点讨论这个问题。

3. 平均收益率

使用numpy的mean函数，可以直接算出数组的平均值：

print(np.mean(profits))
复制代码

结果如下：

0.09792573520161482

平均下来，该策略在这只股票上的收益率为9.7%.

但是这并不代表这个策略是可用的，因为有可能它只是适用于这只股票，是否适合所有股票需要通过回测A股来决定： Python 量化投资实战教程(3) —A股回测MACD策略

我们的文章到此就结束啦，如果你喜欢我们今天的 Python 实战教程 ，请持续关注我们，如果对你有帮助，麻烦在下面点一个赞/在看哦，有任何问题都可以在下方留言区留言，我们都会耐心解答的！

Python实用宝典

不只是一个宝典