BacktestAlgorithm#

Step 0: Initialize Data#

ตัวอย่าง การ setup เพื่อจำลองการซื้อขายหุ้น AOT, BBL และ PTT ตั้งแต่วันที่ 01/01/2020 ถึง 05/05/2022

import numpy as np
import ezyquant as ez
from ezyquant.backtesting import Context

start_date = "2020-01-01"
end_date = "2022-05-05"

ssc = ez.SETSignalCreator(
    start_date=start_date,
    end_date=end_date,
    index_list=[],
    symbol_list=["AOT", "BBL", "PTT"],
)

Step 1: Create Signal Dataframe#

ขั้นตอนแรกต้องมีการสร้างสัญญาณซื้อขายหุ้นขึ้นมาเก็บไว้ใน signal_df ก่อน ซึ่งสัญญาณจะเป็น int, float หรือ boolean ก็ได้ ซึ่งจะถูกนำไปใช้งานต่อที่ BacktestAlgorithm อีกที

ตัวอย่าง การสร้าง signal_df ให้เป็น True เมื่อ EMA(20) > EMA(100) และ เป็น False เมื่อ EMA(20) < EMA(100)

df_close = ssc.get_data("close", "daily")
ema20 = ssc.ta.ema(df_close, 20)
ema100 = ssc.ta.ema(df_close, 100)
signal_df = ema20 > ema100

Step 2: Create Backtest Algorithm#

ขั้นตอนต่อไปเป็นการเขียน Backtest Algorithm โดยจะต้อง return จำนวนหุ้นที่ต้องการซื้อขาย

โดยถ้าซื้อให้เป็นตัวเลขบวก และขายเป็นตัวเลขลบ

อย่างเช่น return 400 แปลว่าซื้อเพิ่ม 400 หุ้น หรือ return -500 แปลว่าขายออก 500 หุ้น

การรับค่ามาใช้งานให้รับจาก Context ซึ่งมี attribute และ method ตามนี้

Attribute

`Context.cash`	Available cash.
`Context.close_price`	Close price.
`Context.cost_price`	Cost price.
`Context.port_value`	Total portfolio value.
`Context.signal`	Signal.
`Context.symbol`	Selected symbol.
`Context.total_cost_value`	Sum of all stock market value in portfolio.
`Context.total_market_value`	Sum of all stock cost value in portfolio.
`Context.volume`	Current Volume.
`Context.ts`	Current timestamp.

Method

`Context.buy_pct_port`(pct_port)	Calculate buy volume from the percentage of the portfolio.
`Context.buy_pct_position`(pct_position)	Calculate buy volume from the percentage of the current position.
`Context.buy_value`(value)	Calculate buy volume from the given value.
`Context.sell_pct_port`(pct_port)	Calculate sell volume from the percentage of the portfolio.
`Context.sell_pct_position`(pct_position)	Calculate sell volume from the percentage of the current position.
`Context.sell_value`(value)	Calculate sell volume from the given value.
`Context.target_pct_port`(pct_port)	Calculate buy/sell volume to make the current position reach the target percentage of the portfolio.
`Context.target_value`(value)	Calculate buy/sell volume to make the current position reach the target value.

ตัวอย่าง การสร้าง backtest_algorithm ที่เมื่อใด signal เป็น True ให้ถือ 20% ของพอร์ต และเป็น False ให้ขายทิ้งทั้งหมด

def backtest_algorithm(c: Context):
    if c.symbol == "AOT":
        print("Portfolio on ", c.ts)
        print("Port value = cash + total market value")
        print(c.port_value, " = ", c.cash, " + ", c.total_market_value)
        print("Current Position")
        print("Stock  Volume  Profit/loss")

    if c.volume > 0:
        print(
            c.symbol,
            c.volume,
            round(100 * (c.close_price / c.cost_price - 1), 2),
            "%",
        )

    if c.symbol == "PTT":
        print("------------------------------------------")

    if c.signal == True:
        return c.target_pct_port(0.2)
    else:
        return c.target_pct_port(0)

Step 3: Run Backtesting#

หลังจากที่ได้ signal และ backtest algorithm แล้วให้นำมาใส่ฟังก์ชั่น backtest()

Parameters

signal_df: pd.DataFrame
backtest_algorithm: Callable[[Context], float]
start_date: str
end_date: str
initial_cash: float
pct_commission: float = 0.0
pct_buy_slip: float = 0.0
pct_sell_slip: float = 0.0
price_match_mode: str = “open”
signal_delay_bar: int = 1

ตัวอย่าง การตั้งค่า backtest ตั้งแต่วันที่ 1/1/2022 ถึง 4/1/2022 ด้วยเงินเริ่มต้น 1 ล้านบาท ค่าคอมมิชชั่น 0.25% ไม่มี slipage และซื้อที่ราคาเปิดวันถัดไป

result = ez.backtest(
    signal_df=signal_df,
    backtest_algorithm=backtest_algorithm,
    start_date=start_date,  # วันเริ่มต้นต้องตรงกับวันเริ่มที่อยู่ใน signal_df
    end_date=end_date,  # วันสิ้นสุดต้องตรงกับวันสิ้นสุดที่อยู่ใน signal_df
    initial_cash=1e6,  # เงินลงทุนตั้งต้น
    pct_commission=0.25,  # เปอร์เซ็นต์ค่าคอมมิชชั่น
    pct_buy_slip=0.0,  # เปอร์เซ็นต์การซื้อที่คลาดเคลื่อน
    pct_sell_slip=0.0,  # เปอร์เซ็นต์การขายที่คลาดเคลื่อน
    price_match_mode="open",  # ราคาที่อยากให้เกิดการซื้อขายแบบจำลอง
    signal_delay_bar=1,  # ตำแหน่งแท่งเทียนที่จะให้มีการซื้อขายหลังเกิดสัญญาณ
)

Step 4: Export Result#

ตัวอย่าง การสร้าง Excel จากผลลัพธ์การ Backtest

result.to_excel(r".../results.xlsx")  # ใส่ path ที่ต้องการจะ save excel file.

BacktestAlgorithm

Contents