01
多品种 RSI 量化回测系统
在量化投资的世界里，“回测”是连接交易灵感与实盘获利之间最重要的桥梁。很多初学者掌握了基础的 Python 语法，却苦于不知道如何将策略逻辑转化为可视化的回测报告。
今天，我们将通过三份依次进阶的代码示例，详细拆解如何使用 Python 最流行的回测框架 Backtrader，结合 Tushare 数据源，搭建一个支持多品种并行、自定义资金分析且拥有专业图表展示的量化系统。
在开始之前，我们需要认识一下支撑这个系统的“四驾马车”：
Backtrader: Python 界的量化回测“瑞士军刀”，功能强大且灵活。
Tushare: 免费且好用的金融数据接口，为策略提供“燃料”。
Pandas: 数据处理神器，用于清洗和准备行情数据。
Matplotlib: 绘图库，负责将枯燥的数据转化为直观的资金曲线。
策略逻辑：反直觉的 RSI 动量策略
通常教科书上的 RSI（相对强弱指标）用法是“高抛低吸”（>70 卖出，<30 买入）。但本代码采用了动量突破的逻辑：
买入信号：当 RSI > 70 且当前无持仓时，买入。
逻辑：认为市场进入强势上涨区间，追涨。
卖出信号：当 RSI < 30 且持有仓位时，卖出。
逻辑：认为市场趋势彻底反转，止损或止盈离场。
这个策略不再博取震荡收益，而是试图捕捉强劲的单边趋势。
代码拆解
1. 数据的准备与清洗
量化的第一步是获取高质量数据。代码中定义了三个主要指数：中证500、中证1000、创业板指。代码展示了如何处理多只股票/指数。Backtrader 允许同时加载多个数据源（Data Feeds），这对于测试投资组合策略至关重要。
cerebro.adddata(data_feed, name=name) # 加载到回测引擎这是整个系统的“大脑”。我们在 MultiAssetRSIStrategy 类中定义交易规则。
self.sell(data=data, size=100)zip(self.datas, self.rsi_indicators)的写法非常 Pythonic，优雅地实现了多品种的循环遍历，互不干扰。
3. 独家定制：资金分析器 (Analyzer)
Backtrader 自带的绘图虽然方便，但无法灵活定制。为了画出类似基金净值的曲线，代码中手写了一个 CashValueAnalyzer。
self.cash_values.append(current_value)4. 专业级可视化 (Visualization)
代码最精彩的部分在于最后的绘图优化。为了解决 Matplotlib 默认日期显示杂乱的问题，代码使用了专业的 Locator 和 Formatter。
图表优化细节：
中文字体支持：配置
SimHei等字体，彻底解决乱码。主/副刻度分离：
主刻度：显示年份（如 2015, 2016），不仅清晰而且不拥挤。
副刻度：显示季度/月份，提供细节参考。
ax.xaxis.set_minor_locator(MonthLocator(interval=3)) # 每季度一个副刻度
2. 可视化图表
你会得到一张包含两部分的专业图表：
Backtrader 原生图：展示K线、买卖点信号（三角形图标）以及 RSI 指标的走势。
独立资金曲线图：这是一张蓝色的折线图，X轴的时间刻度非常整洁（例如只显示年份），你可以清晰地看到策略在 2015 年牛市是否抓住了机会，或者在 2018 年熊市是否控制住了回撤。
02
专业级 Python 量化系统：风控、复利与绩效评估
在上小节文章中，我们搭建了一个基础的多品种 RSI 策略框架。今天，我们将给这个引擎装上“涡轮增压”和“安全气囊”。
我们将解决新手最容易忽略的两个问题：“买多少？”（仓位管理）和“怎么输得少？”（风控指标）。我们将把这个“玩具级”的回测脚本升级为“实战入门级”的量化系统。
我们将重点进行以下 4项硬核升级：
仓位管理 (Position Sizing)：从傻瓜式的“固定买100股”升级为“按资金比例下单”（例如每次使用20%资金），让复利效应发挥作用。
风险控制 (Risk Management)：新增移动止损 (Trailing Stop) 逻辑。在趋势策略中，止损比止盈更重要，能保住胜利果实。
交易日志 (Logging System)：增加详细的订单打印功能，让你清楚看到每一笔买卖的价格、费用和盈亏，拒绝“黑箱操作”。
专业绩效评估 (Performance Metrics)：除了看最终资金，我们还要计算 夏普比率 (Sharpe Ratio) 和 最大回撤 (Max Drawdown)，这才是专业机构评价策略的核心指标。
升级代码：
plt.show()1. 动态仓位管理 (Smart Sizing)
旧版本每次只买 100 股，这在资金量大时毫无意义。
代码：
cerebro.addsizer(bt.sizers.PercentSizer, percents=20)原理：无论你现在有 100 万还是 200 万，每次开仓都动用总资金的 20%。这能实现**“赢了加仓，输了减仓”**的复利效果。
不再是黑箱。我们在策略中增加了 notify_order 和 notify_trade 方法。
效果：终端会打印如下信息，这让你能精确核对每一笔交易是否符合预期，排查 Bug 必备。
RSI 策略最大的弱点是“钝化”（指标在高位一直不下来，或者暴跌时指标虽低但价格还在跌）。
逻辑：我们在
next方法中加入了一个简单的止损逻辑：if data.close[0] < stop_price。意义：假设买入后价格下跌超过 5%（
stop_loss_dist），强制平仓。这能防止单次交易造成毁灭性打击。
光看赚了多少钱是不够的，如果赚 50% 却经历过 40% 的回撤，那这个策略很难坚持。
夏普比率 (Sharpe Ratio)：衡量性价比。大于 1 是良好，大于 2 是优秀。
最大回撤 (Max Drawdown)：历史上最惨的一次跌幅。代码会在最后打印：
最大回撤: 15.30%，让你对风险心知肚明。
我们在绘图中增加了一个“盈亏区域填充”功能：
绿色背景区域：代表当前资金高于初始资金（赚钱）。
红色背景区域：代表当前资金低于初始资金（亏钱）。
这种视觉反馈能让你一眼看出策略在哪些年份表现挣扎，哪些年份在躺赚。
03
再次升级：添加趋势过滤与基准对比系统
在上一版本中，我们加入了仓位管理和止损。但在实战中，单纯的 RSI 动量策略有一个致命弱点：在长期熊市中，RSI 也会偶尔突破 70，诱骗你进场，然后价格继续暴跌。
这一次，我们将把系统升级为“基金经理级”。我们将引入两个量化交易中的核心概念：
趋势过滤 (Trend Filtering)：解决 RSI 在熊市中频繁“假突破”导致亏损的痛点。
基准对比 (Benchmark Comparison)：不跟大盘比收益的策略都是耍流氓。我们将把策略净值与“沪深300”的走势画在同一张图上，一目了然地看到你是否跑赢了市场。
SMA 趋势过滤：只有当价格位于 200 日均线之上（牛市区域）时，才允许开仓。这叫“顺大势，逆小势”。
基准对比可视化：自动下载沪深300数据，模拟“买入持有”策略，与你的策略净值同台竞技。
plt.show()深度解析升级内容
1. 增加系统过滤条件
新手死于追高，老手死于抄底，高手死于震荡。 RSI 策略最大的坑在于：在熊市反弹（Dead Cat Bounce）时，RSI 很容易突破 70，发出买入信号，然后市场继续暴跌。
代码逻辑：
if rsi > 70 and current_price > sma_filter白话解释：这就像是在说，“我只在天气晴朗（价格在200日均线之上）的时候，才去冲浪（RSI 突破）”。
效果：这会大幅减少交易次数，可能会让你错过一些机会，但能帮你躲过 2018 年或 2022 年那种持续阴跌的“绞肉机”行情。
很多策略号称“年化 20%”，结果一看那年大盘涨了 30%。这种策略是没有价值的，不如直接买指数 ETF。
实现方式：我们在绘图部分，引入了
hs300(沪深300) 数据，并将其初始资金也归一化为 100 万。可视化创新：
红色阴影区：表示你的策略跑赢了大盘。这是你作为量化交易员存在的意义。
灰色阴影区：表示策略跑输了大盘。这时候你需要反思策略逻辑。
代码中将资金分配逻辑调整为：
cerebro.addsizer(bt.sizers.PercentSizer, percents=45)因为我们有两个标的（创业板 + 中证500），如果设为 50%，当资金稍微有一点波动或产生佣金时，第二只股票可能因为资金不足（Cash < 50%）而无法买入。设为 45% 是一个安全的工程实践技巧。
运行结果
至此，我们的系统已经具备了 择时（RSI）、过滤（均线）、风控（止损）和 归因分析（Benchmark）等功能 。
最后的说明：
文中代码与条件设定均为示例载体，核心目标在于传递解决问题的方法论——建议聚焦于思路的理解与迁移，而非局限于示例结果本身。在掌握基础方法后，可结合自身思考对代码进行迭代优化，构建更健壮、高效的量化策略，真正实现从“理解”到构建策略”的进阶。
如您想获取文章完整代码，请关注数量技术宅公众号，后台回复关键词：组合测试
热门跟贴