对量化交易感兴趣的同学，对于回测系统肯定不陌生。以quantopian为蓝本的回测平台，国内已经一抓一把，那为什么还需要从头实现一个系统？而且，什么是“搭积木式实现策略”呢？
对比现存的量化平台，实现如下价值：
1，市面上量化系统引擎是黑盒（当然大部分是zipline——代码是开源的，但可读性一般），从头实现可以做到知其然更知其所以然。
2，拥有自己的，代码易读性的系统，不用担心策略泄漏。
3，提供一个构架清晰且易扩展的系统。
4，”积木式“写策略，避免市面上那些冗长的模板代码——这个是本系统的亮点之一。
5，下一步会扩展到深度强化学习、机器学习自动调参等。
系统运行示例
”积木式“策略示例，如下实现“买入并持有”和“均线交叉”策略：
buy_and_hold = Strategy([
RunOnce(),
PrintBar(),
SelectAll(),
WeighEqually(),
],name='买入并持有-基准策略')
long_expr ='cross_up(ma(close,5),ma(close,10))'
flat_expr ='cross_down(ma(close,5),ma(close,10))'
ma_cross = Strategy([
SelectByExpr(long_expr=long_expr,flat_expr=flat_expr),
WeighEqually(),
],name='均线交叉策略')
几乎没有模板代码，没用调用api对不对？是的，就是这样，我们把大量常用的算法都以模块的形式，变成一个小小算法模块，我们按照自己的策略想法，按需把积木搭起来就好了，简单而且不容易出错，基本是不需要调试的！
背景说明
随着机器学习，人工智能的火热，AI+金融受到了很多关注。alpha go大败李世石之后，master再次完胜柯洁，人们自然而然会想，如果把前沿AI技术应用到“离钱最近”的金融证券投资会取得什么样的效果呢？
Quant涉及很多的基础知识，包括金融学，投资学，经济学，数学，统计学，甚至物理学，心理学等等，Quant系统也很复杂，由从多子系统构成。而量化回测系统（Backtesting）几乎是Quant系统里，最为基础且最为重要的一环。
什么是回测系统？
量化交易，就是计算机按指定的策略，产生特定的交易信号。因为二级市场所有历史数据、财务数据都是可获得的，既然是计算机进行操作，就很容易对整个交易进行复盘。好比我们玩扑克牌或者“狼人杀游戏”，在一局结束，总有自认逻辑严密的人喜欢对游戏过程进行复盘，刚哪里可以做得更好，分析出了什么问题，确保后续如何优先，调整和提高。这就是“回测”系统的价值。
回测系统至少有如下优点：
一、回测系统几乎是无代价的，我们可以调整参数，或者各种创造性的想法，这个系统会告诉你，在过往一段时间（比如一年），假如你真的这么交易了，收益率，风险，最大回撤是多少。这就避免我们花大量真金白银去市场上买教训。
二、更重要的事，节省时间，你可以在几分钟内模拟几个股市周期，穿越牛熊。你如果要想经历几个股市周期，那估计是以10年甚至更长的时间维度来计算，但对于量化回测引擎，几秒钟就可以告诉你结果，且没有产生实质的损失。
量化回测系统对于初学者是神秘的，但其原理并不复杂。此系列文章的目的，就是带着大家，用python从零实现一个量化回测系统。
量化回测系统总体架构一览：
SymbolBroker —— 记录单支证券交易详情，包括持仓情况（position），交易佣金(Commission)，证券的收盘价（Close）。投资组合（Portfolio）会根据外部给出的交易指令，调用SymbolBroker的接口，去更改该证券的持仓情况，并计算交易所产生的佣金。
Portfolio —— 记录整个投资组合交易详情，包含组合的总市值（total）,现金余额（cash）,交易佣金，同时维护一个SymbolBroker的dict，包含所有的证券的SymbolBroker。每一期，会根据传入的FLAT(平仓)列表，把相应的证券平仓，同时根据需要持仓的证券的比例，将现金余额按指定的比例分配到对应的证券上。
TradingEnv —— 交易环境，根据策略(Strategy)产生的指令，调用Portfolio更新持仓组合情况。
DataFeed —— 数据获取，目前支持quandl平台的美股数据。
Strategy —— 策略，执行相应的“积木”模块化的算法集合。
Algo —— 算法基类，用户可以自行定义所需的算法模式。系统已经内置了许多常用的模块，包括执行频率，比如执行一次，按周执行，按月执行；资金分配模块，按信号产生交易指令模块等。
这就是系统的核心组件了，其中TradingEnv是系统的最外层。
项目在github上开源，欢迎star。github项目-量化回测系统
微信公众号：ailabx
