WonderTrader快速入门

安装wtpy

安装wtpy 打开命令行，输入以下指令直接安装
```
$ pip install wtpy --upgrade
```
或者直接下载whl文件到本地进行安装阿里云镜像地址：https://mirrors.aliyun.com/pypi/simple/wtpy/ pipy地址：https://pypi.org/project/wtpy
安装完成以后，输入以下命令，可以查看wtpy的版本号
```
$ pip show wtpy
```

选择要运行的demo

github上提供了python下的几个demo
- cta期货策略实盘 cta_fut
- cta期货策略回测 cta_fut_bt
- cta股票策略实盘 cta_stk
- cta股票策略回测 cta_stk_bt
- 期货数据组件 datakit_fut
- 股票数据组件 datakit_stk
- 期货高频实盘 hft_fut
- 期货sel回测 sel_fut_bt
选择需要的demo，如期货回测demo cta_fut_bt

修改demo的配置

打开回测配置文件configbt.yaml

replayer:
    basefiles:
        commodity: ../common/commodities.json   #品种列表
        contract: ../common/contracts.json      #合约列表
        holiday: ../common/holidays.json        #节假日列表
        hot: ../common/hots.json                #主力合约映射表
        session: ../common/sessions.json        #交易时间模板
    mode: csv   #回测历史数据存储，csv或者bin/wtp，其中bin/wtp都是一个意思
    store:
        module: WtDataStorage   #历史数据存储模块，如果是csv，该配置不生效
        path: ../storage/       #历史数据存储跟目录
    etime: 201912011500         #回测结束时间，精确到分钟
    stime: 201909010900         #回测开始时间，精确到分钟
    fees: ../common/fees.json   #佣金配置文件
env:
    mocker: cta                 #回测引擎，cta/sel/hft/exec/uft

回测及结果分析

打开回测入口文件runBT.py，配置好回测引擎，加入要测试的策略，以及设置好绩效分析的参数

from wtpy import WtBtEngine,EngineType
from wtpy.apps import WtBtAnalyst

from Strategies.DualThrust import StraDualThrust

if __name__ == "__main__":
    #创建一个运行环境，并加入策略
    engine = WtBtEngine(EngineType.ET_CTA)
    engine.init('../common/', "configbt.yaml")
    engine.configBacktest(201909100930,201912011500)
    engine.configBTStorage(mode="csv", path="../storage/")
    engine.commitBTConfig()

    '''
    创建DualThrust策略的一个实例
    name    策略实例名称
    code    回测使用的合约代码
    barCnt  要拉取的K线条数
    period  要使用的K线周期，m表示分钟线
    days    策略算法参数，算法引用的历史数据条数
    k1      策略算法参数，上边界系数
    k2      策略算法参数，下边界系数
    isForStk    DualThrust策略用于控制交易品种的代码
    '''
    straInfo = StraDualThrust(name='pydt_IF', code="CFFEX.IF.HOT", barCnt=50, period="m5", days=30, k1=0.1, k2=0.1, isForStk=False)
    engine.set_cta_strategy(straInfo)

    #开始运行回测
    engine.run_backtest(bAsync=False)

    #创建绩效分析模块
    analyst = WtBtAnalyst()
    #将回测的输出数据目录传递给绩效分析模块
    analyst.add_strategy("pydt_IF", folder="./outputs_bt/pydt_IF/", init_capital=500000, rf=0.02, annual_trading_days=240)
    #运行绩效模块
    analyst.run_new()

    kw = input('press any key to exit\n')
    engine.release_backtest()

然后启动runBT.py进行回测，回测的执行如下
回测完成以后，打开生成的绩效分析报表(xxxx.xlsx)，则可以查看策略的回测绩效
回测绩效概览
回测收益详情
从上图的绩效分析可以看出，DualThrust策略，针对股指期货主力合约，在20190919到20191201这段时间内，这组参数下进行回测，一直处于回撤的状态，累计亏损达20%。可见，这不是一组好的参数。
接下来我们调整参数，将K1和K2改成0.5和0.3，再进行回测和分析，得到如下结果
调整后的回测绩效总览
从上图可以看出，参数调整过以后的绩效远远好于调整之前。
最后进行回测分析总结让我们简单的分析一下参数调整前和参数调整后绩效悬殊的原因。熟悉DualThrust的朋友肯定知道：DualThrus的信号原理其实就是价格突破。当上边界系数k1和下边界系数k2较小的时候，信号出现较多，但是容易遇到假突破，从而导致交易成本上升，最终出现净亏损；当k1和k2较大的时候，信号变少，但是又容易错失交易机会。调整之前的k1和k2较小，调整以后的k1和k2也不是特别大，从而达到了过滤大部分假突破，降低交易成本，并保证一定的灵敏度的效果，所以才会有较大幅度的改善。大家有兴趣的话，可以自行尝试一下，将k1和k2改成不同的组合，相信能够有更好的回测结果。