跳轉到

finlab.optimize

finlab.optimize.combinations.sim_conditions

sim_conditions(conditions, hold_until={}, *args, **kwargs)

取得回測報告集合

將選股條件排出所有的組合並進行回測,方便找出最好條件的交集結果。

PARAMETER DESCRIPTION
conditions

選股條件集合,key 為條件名稱,value 為條件變數,ex:{'c1':c1, 'c2':c2}

TYPE: dict

hold_until

設定訊號進出場語法糖參數,預設為不使用。ex:{'exit':exit, 'stop_loss':0.1}

TYPE: dict DEFAULT: {}

*args

finlab.backtest.sim() 回測參數設定。

TYPE: tuple DEFAULT: ()

**kwargs

finlab.backtest.sim() 回測參數設定。

TYPE: dict DEFAULT: {}

RETURNS DESCRIPTION
ReportCollection

回測數據報告

Examples:

from finlab import data
from finlab.backtest import sim
from finlab.optimize.combinations import sim_conditions

close = data.get("price:收盤價")
pe = data.get('price_earning_ratio:本益比')
rev=data.get('monthly_revenue:當月營收').index_str_to_date()
rev_ma3=rev.average(3)
rev_ma12=rev.average(12)

c1 = (close > close.average(20)) & (close > close.average(60))
c2 = (close == close.rolling(20).max())
c3 = pe < 15
c4 = rev_ma3/rev_ma12 > 1.1
c5 = rev/rev.shift(1) > 0.9
exits = close < close.average(20)
conditions = {'c1':c1, 'c2':c2, 'c3':c3, 'c4':c4, 'c5':c5}
report_collection = sim_conditions(conditions=conditions, hold_until={'exit':exits, 'stop_loss':0.1}, resample='M', position_limit=0.1, upload=False)
# 策略分組指標報告
# print(report_collection.stats)
report_collection.plot_creturns().show()
report_collection.plot_stats('bar').show()
report_collection.plot_stats('heatmap')
視覺化範例

ex1:

report_collection.plot_creturns().show()

繪製折線圖指標分群棒狀圖

bar

ex2:

report_collection.plot_stats('bar').show()

繪製指標分群棒狀圖

bar

ex3:

report_collection.plot_stats('heatmap')

繪製指標分級熱力圖,數值越大為排名越前面,avg_score為指標平均分數,分數越高為評價較正向的策略。

heatmap

Source code in finlab/optimize/combinations.py
def sim_conditions(conditions, hold_until={}, *args, **kwargs):
    """取得回測報告集合

    將選股條件排出所有的組合並進行回測,方便找出最好條件的交集結果。

    Args:
      conditions (dict): 選股條件集合,key 為條件名稱,value 為條件變數,ex:`{'c1':c1, 'c2':c2}`
      hold_until (dict): 設定[訊號進出場語法糖](https://doc.finlab.tw/reference/dataframe/#finlab.dataframe.FinlabDataFrame.hold_until)參數,預設為不使用。ex:`{'exit':exit, 'stop_loss':0.1}`
      *args (tuple): `finlab.backtest.sim()` 回測參數設定。
      **kwargs (dict): `finlab.backtest.sim()` 回測參數設定。

    Returns:
      (finlab.optimize.combination.ReportCollection):回測數據報告

    Examples:
        ```py
        from finlab import data
        from finlab.backtest import sim
        from finlab.optimize.combinations import sim_conditions

        close = data.get("price:收盤價")
        pe = data.get('price_earning_ratio:本益比')
        rev=data.get('monthly_revenue:當月營收').index_str_to_date()
        rev_ma3=rev.average(3)
        rev_ma12=rev.average(12)

        c1 = (close > close.average(20)) & (close > close.average(60))
        c2 = (close == close.rolling(20).max())
        c3 = pe < 15
        c4 = rev_ma3/rev_ma12 > 1.1
        c5 = rev/rev.shift(1) > 0.9
        exits = close < close.average(20)
        conditions = {'c1':c1, 'c2':c2, 'c3':c3, 'c4':c4, 'c5':c5}
        report_collection = sim_conditions(conditions=conditions, hold_until={'exit':exits, 'stop_loss':0.1}, resample='M', position_limit=0.1, upload=False)
        # 策略分組指標報告
        # print(report_collection.stats)
        report_collection.plot_creturns().show()
        report_collection.plot_stats('bar').show()
        report_collection.plot_stats('heatmap')
        ```
        視覺化範例

        ex1:

        `report_collection.plot_creturns().show()`

        繪製折線圖指標分群棒狀圖

        ![bar](img/optimize/report_collection_creturns.png)

        ex2:

        `report_collection.plot_stats('bar').show()`

        繪製指標分群棒狀圖

        ![bar](img/optimize/report_collection_stats_bar.png)

        ex3:

        `report_collection.plot_stats('heatmap')`

        繪製指標分級熱力圖,數值越大為排名越前面,avg_score為指標平均分數,分數越高為評價較正向的策略。

        ![heatmap](img/optimize/report_collection_stats_heatmap.png)
    """

    key_dataset = []
    conditions.pop('__builtins__', None)
    new_conditions = {}
    for k, v in conditions.items():
        try:
            v = FinlabDataFrame(v)
            if isinstance(v.index[0], str):
                v = v.index_str_to_date()
            new_conditions[k] = v
        except:
            logger.error(f'{k} data formaat must be dataframe.')
    for i in range(1, len(new_conditions) + 1):
        key_dataset.extend(list(combinations(new_conditions.keys(), i)))
    conditions_combinations = [' & '.join(k) for k in key_dataset]

    reports = {}
    for k in conditions_combinations:
        if hold_until:
            position = eval(k, new_conditions).hold_until(**hold_until)
        else:
            position = eval(k, new_conditions)
        try:
            reports[k] = sim(position, *args, **kwargs)
        except Exception as error:
            logger.error(f'{k}:{error}')
            pass

    return ReportCollection(reports)

finlab.optimize.combinations.ReportCollection

ReportCollection(reports)

回測組合比較報告

判斷策略組合數據優劣,從策略海中快速找到體質最強的策略。 也可以觀察在同條件下的策略疊加更多條件後會有什麼變化? Args: reports (dict): 回測物件集合,ex:{'strategy1': finlab.backtest.sim(),'strategy2': finlab.backtest.sim()}

Source code in finlab/optimize/combinations.py
def __init__(self, reports):
    """回測組合比較報告

    判斷策略組合數據優劣,從策略海中快速找到體質最強的策略。
    也可以觀察在同條件下的策略疊加更多條件後會有什麼變化?
    Args:
      reports (dict): 回測物件集合,ex:`{'strategy1': finlab.backtest.sim(),'strategy2': finlab.backtest.sim()}`
    """
    self.reports = reports
    self.stats = None

get_stats

get_stats()

取得策略指標比較表

指標欄位說明:

  • 'daily_mean': 策略年化報酬
  • 'daily_sharpe': 策略年化夏普率
  • 'daily_sortino': 策略年化索提諾比率
  • 'max_drawdown': 策略報酬率最大回撤率(負向)
  • 'avg_drawdown': 策略平均回撤(負向)
  • 'ytd': 今年度策略報酬率
  • 'win_ratio': 每筆交易勝率
  • 'avg_return': 每筆交易平均獲利率
  • 'avg_mae': 每筆交易平均最大不利方向幅度(負向)
  • 'avg_bmfe': 最大不利方向發生前的"每筆交易平均最大有利方向幅度",若數值越高,越有機會在停損之前操作停利。
  • 'avg_gmfe': 每筆交易平均最大有利方向幅度
  • 'avg_mdd': 每筆交易平均的最大回撤率(負向)
RETURNS DESCRIPTION
DataFrame

策略指標比較報表

Source code in finlab/optimize/combinations.py
def get_stats(self):
    """取得策略指標比較表

    指標欄位說明:

    * `'daily_mean'`: 策略年化報酬
    * `'daily_sharpe'`: 策略年化夏普率
    * `'daily_sortino'`: 策略年化索提諾比率
    * `'max_drawdown'`: 策略報酬率最大回撤率(負向)
    * `'avg_drawdown'`: 策略平均回撤(負向)
    * `'ytd'`: 今年度策略報酬率
    * `'win_ratio'`: 每筆交易勝率
    * `'avg_return'`: 每筆交易平均獲利率
    * `'avg_mae'`: 每筆交易平均最大不利方向幅度(負向)
    * `'avg_bmfe'`: 最大不利方向發生前的"每筆交易平均最大有利方向幅度",若數值越高,越有機會在停損之前操作停利。
    * `'avg_gmfe'`: 每筆交易平均最大有利方向幅度
    * `'avg_mdd'`: 每筆交易平均的最大回撤率(負向)

    Returns:
      (pd.DataFrame): 策略指標比較報表
    """

    def get_strategy_indicators(report):
        if isinstance(report, Report):
            stats = report.get_stats()
            trades = report.trades
            strategy_indexes = {n: stats[n] for n in
                                ['daily_mean', 'daily_sharpe',
                                 'daily_sortino', 'max_drawdown',
                                 'avg_drawdown']}
            trade_indexes = {'win_ratio': stats['win_ratio']}
            trade_indexes.update(
                {f'avg_{n}': trades[n].mean() for n in ['return', 'mae', 'bmfe', 'gmfe', 'mdd']})
            strategy_indexes.update(trade_indexes)
            return strategy_indexes

    df = pd.DataFrame({k: get_strategy_indicators(v) for k, v in self.reports.items()})
    self.stats = df
    return df

plot_creturns

plot_creturns()

繪製策略累積報酬率

比較策略淨值曲線變化

RETURNS DESCRIPTION
Figure

折線圖

Examples:

line

Source code in finlab/optimize/combinations.py
def plot_creturns(self):
    """繪製策略累積報酬率

    比較策略淨值曲線變化

    Returns:
      (plotly.graph_objects.Figure): 折線圖

    Examples:
        ![line](img/optimize/report_collection_creturns.png)
    """
    import plotly.graph_objects as go

    fig = go.Figure()
    reports = self.reports
    dataset = {k: v for k, v in sorted(reports.items(), key=lambda item: item[1].creturn[-1], reverse=True)}
    for k, v in dataset.items():
        series = v.creturn
        fig.add_trace(go.Scatter(x=series.index, y=series.values, mode='lines', name=k, meta=k,
                                 hovertemplate="%{meta}<br>Date:%{x}<br>Creturns:%{y}<extra></extra>"))
    fig.update_layout(title={'text': 'Cumulative returns', 'x': 0.49, 'y': 0.9, 'xanchor': 'center',
                             'yanchor': 'top'})
    return fig

plot_stats

plot_stats(mode='bar', heatmap_sort_by='avg_score', indicators=[])

策略指標比較報表視覺化

PARAMETER DESCRIPTION
mode

繪圖模式。'bar' - 指標分群棒狀圖。'heatmap' - 指標分級熱力圖。

TYPE: str DEFAULT: 'bar'

heatmap_sort_by

heatmap 降冪排序的決定欄位

TYPE: str or list of str DEFAULT: 'avg_score'

indicators

要顯示的特定指標欄位,預設為將指標全部顯示

TYPE: list DEFAULT: []

RETURNS DESCRIPTION
Figure

長條圖

DataFrame

熱力圖

Examples:

ex1:

繪製指標分群棒狀圖

bar

ex2:

繪製指標分級熱力圖。

'avg_score': 各指標加總後的平均分數,分數越高為整體評價較正向的策略。

預設以avg_score為排序,數值越大為排名越前面,分數越高為整體評價較優的策略。

heatmap

Source code in finlab/optimize/combinations.py
def plot_stats(self, mode='bar', heatmap_sort_by='avg_score', indicators=[]):
    """策略指標比較報表視覺化

    Args:
      mode (str): 繪圖模式。`'bar'` - 指標分群棒狀圖。`'heatmap'` - 指標分級熱力圖。
      heatmap_sort_by (str or list of str): heatmap 降冪排序的決定欄位
      indicators (list): 要顯示的特定指標欄位,預設為將指標全部顯示

    Returns:
      (plotly.graph_objects.Figure): 長條圖
      (pd.DataFrame): 熱力圖

    Examples:
        ex1:

        繪製指標分群棒狀圖

        ![bar](img/optimize/report_collection_stats_bar.png)

        ex2:

        繪製指標分級熱力圖。

        `'avg_score'`: 各指標加總後的平均分數,分數越高為整體評價較正向的策略。

        預設以avg_score為排序,數值越大為排名越前面,分數越高為整體評價較優的策略。

        ![heatmap](img/optimize/report_collection_stats_heatmap.png)
    """
    if self.stats is None:
        self.get_stats()
    df = self.stats
    if len(indicators) > 0:
        try:
            df = df.loc[indicators]
        except KeyError:
            logger.error(f"Indicators selection must be in {list(df.index)}")
    if mode == 'bar':
        import plotly.graph_objects as go
        items = df.columns
        fig = go.Figure(data=[go.Bar(x=df.index, y=df[item], name=item, meta=[item],
                                     hovertemplate="%{meta}<br>%{label}<br>%{y}<extra></extra>") for item in items])
        # Change the bar mode
        fig.update_layout(title={'text': 'Backtest combinations stats', 'x': 0.49, 'y': 0.9, 'xanchor': 'center',
                                 'yanchor': 'top'}, barmode='group')
        return fig

    elif mode == 'heatmap':
        return df.rank(pct=True, axis=1).transpose().assign(avg_score=lambda d: d.mean(axis=1)).round(2).mul(
            100).sort_values(heatmap_sort_by, ascending=False).style.set_caption(
            "Backtest combinations heatmap").format('{:.1f}%').background_gradient(axis=None, vmin=0, vmax=100,
                                                                                   cmap="plasma")