拓端tecdat|R语言回测交易：根据历史信号/交易创建股票收益曲线

原文链接：http://tecdat.cn/?p=23808

原文出处：拓端数据部落公众号 

本文介绍如何根据历史信号/交易制作股票曲线。

让我们以MARKET TIMING与DECISION MOOSE的历史信号为例，为该策略创建股票曲线。 

1.  
   #*****************************************************************
2.  
   # 加载信号
3.  
   #*****************************************************************
4.  
    
5.  
    
6.  
   # 提取交易历史
7.  
   temp = extract.table.from.webpage(txt, 'Transaction History', has.header = F)
8.  
   temp = trim(temp[-1,2:5])
9.  
   colnames(temp) = spl('id,date,name,equity')
10.  
     
11.  
     
12.  
    tickers = toupper(trim(gsub('\)','', sapply(temp[,'name'], spl, '\('))))[2,]
13.  
     
14.  
     
15.  
    load(file=filename)
16.  
     
17.  
     
18.  
    #plota(make.xts(info$equity, info$date), type='l')
19.  
     
20.  
    #*****************************************************************
21.  
    # 加载历史数据
22.  
    #*****************************************************************
23.  
    tickers = unique(info$tickers)
24.  
     
25.  
    # 加载保存的代理原始数据
26.  
    load('data/data.proxy.raw.Rdata')
27.  
     
28.  
    # 定义现金
29.  
    tickers = gsub('3MOT','3MOT=BIL+TB3M', tickers)
30.  
     
31.  
    #飞毛腿新亚洲基金（SAF），并入DWS新兴市场股票基金
32.  
    tickers = gsub('SAF','SAF=SEKCX', tickers)
33.  
     
34.  
     
35.  
    #添加虚拟股票，以保持交易日期，如果它们与数据不一致的话
36.  
    dummy = make.stock.xts(make.xts(info$equity, info$date))
37.  
     
38.  
    getSymbols.extra(tickers, src = 'yahoo', from = '1970-01-01', env = data, raw.data = data.proxy.raw, auto.assign = T)
39.  
     
40.  
    # 可选择未被Adjusted捕获的分叉点
41.  
    #data.clean(data, min.ratio=3)
42.  
     
43.  
    for(i in ls(data)) data[[i]] = adjustOHLC(data[[i]], use.Adjusted=T)
44.  
     
45.  
    #print(bt.start.dates(data))
46.  
     
47.  
    data$dummy = dummy
48.  
     
49.  
     
50.  
     
51.  
     
52.  
    #*****************************************************************
53.  
    # 设置
54.  
    #*****************************************************************
55.  
    prices = data$prices
56.  
     
57.  
    models = list()
58.  
     
59.  
    #*****************************************************************
60.  
    #代码策略，SPY - 买入和持有
61.  
    #*****************************************************************
62.  
    data$weight[] = NA
63.  
    data$weight$SPY = 1
64.  
    models$SPY = bt.run.share(data, clean.signal=T, silent=T)
65.  
     
66.  
    #*****************************************************************
67.  
    # 创建权重
68.  
    #*****************************************************************
69.  
    weight = NA * prices
70.  
     
71.  
    for(t in 1:nrow(info)) {
72.  
    weight[info$date[t],] = 0
73.  
    weight[info$date[t], info$ticker[t]] = 1
74.  
    }
75.  
     
76.  
     
77.  
     
78.  
     
79.  
    #*****************************************************************
80.  
    #创建报告
81.  
    #******************************************************************
82.  
    plota.matplot(scale.one(data$prices),main='Asset Perfromance')

plot(models, plotX = T)

print(plotbt))

 

1.  
   m = 'decisionmoose'
2.  
   plotbmap(models[[m]]$weight, name=m)

---

最受欢迎的见解

1.R语言对S＆P500股票指数进行ARIMA + GARCH交易策略

2.R语言改进的股票配对交易策略分析SPY—TLT组合和中国股市投资组合

3.R语言时间序列：ARIMA GARCH模型的交易策略在外汇市场预测应用

4.TMA三均线期指高频交易策略的R语言实现

5.r语言多均线量化策略回测比较

6.用R语言实现神经网络预测股票实例

7.r语言预测波动率的实现：ARCH模型与HAR-RV模型

8.R语言如何做马尔科夫转换模型markov switching model

9.matlab使用Copula仿真优化市场风险