企业官网建设流程全解析

gs-quant 量化金融回测实战：一段脚本跑通均值回归策略，看懂 5 个核心指标

【免费下载链接】gs-quantPython toolkit for quantitative finance项目地址: https://gitcode.com/GitHub_Trending/gs/gs-quant

gs-quant 是 Python 量化金融工具包，内置回测引擎、触发器与绩效指标体系。本文用它回测一个"价差均值回归"策略：一段可运行的脚本，从取数、定规则到输出指标，10 分钟走完全程。

先看结果：跑完一次回测你能拿到什么

先给结论。跑完后你会得到一个BackTest对象，它能吐出三样东西：每日净值的 DataFrame、逐笔交易台账、一揽子绩效指标。示意如下（数值仅为说明含义，实际以你的运行结果为准）：

倒推一下，要产出这张表需要解决三件事：数据从哪来（价格序列）、何时动手（进出场规则）、怎么算账（引擎逐日定价并计成本）。下面按顺序解决。

原理速览：把价差想象成一根橡皮筋

两只走势相关的股票，价格之比（价差）就像一根被反复拉长的橡皮筋：多数时候在常态长度附近晃动，偶尔被消息拉到很长，然后弹回去。策略的全部逻辑就是：等它拉过头，下注它回弹。

三个关键概念：

• 价差比率（Spread Ratio）：A 价格 / B 价格 - 1，衡量两只标的谁相对更贵
• 均值回归（Mean Reversion）：偏离常态的价差有弹回常态的倾向
• Z 分数（Z-Score）：当前价差偏离近 N 日均值多少个标准差，等于"橡皮筋被拉出去几格"

整个回测就是一条循环：

gs-quant 把这条循环拆成三个可插拔部件：DataSource（喂数据）、Trigger（判断何时动手）、Action（动手做什么），回测引擎逐日推动它们运行。

3 分钟装好环境，认证只需一行

安装一条命令：

pip install gs-quant --upgrade

--upgrade保证拿到最新版本与依赖（需 Python 3.8+，pandas 等常用库请自行装好）。

登录一行（首次会提示输入 developer key，注册 gs-quant 账号即可获取）：

import gs_quant as gs gs.login() # 认证信息本地保存，之后无需重复

一次跑通：完整脚本与分段注解

下面是可整段复制的脚本，按功能分三段。演示用两只同板块大票 AAPL 与 MSFT，实际使用请换成相关性更高的配对。

拉取价格并构造价差信号

这一步取两只标的的收盘价，算出价差比率与 Z 分数，再包装成引擎可读的数据源：

import datetime as dt from gs_quant.markets import Stock from gs_quant.backtests.data_sources import GenericDataSource, MissingDataStrategy start, end = dt.date(2022, 1, 3), dt.date(2025, 1, 3) a = Stock('AAPL').history('price', start_date=start, end_date=end) # 标的A价格 b = Stock('MSFT').history('price', start_date=start, end_date=end) # 标的B价格 spread = a / b - 1 # 价差比率 z = (spread - spread.rolling(60).mean()) / spread.rolling(60).std() # 60日Z分数 signal = GenericDataSource(z.dropna(), MissingDataStrategy.fill_forward) # 引擎可读信号

两个关键参数：rolling(60)是平滑窗口（60 个交易日），MissingDataStrategy.fill_forward决定缺值日前向填充而不是中断。数据源实现见 gs_quant/backtests/data_sources.py。

定义进出场规则

这一步声明两个触发器：Z 分数上穿 2 开仓、下穿 1 平仓，每次交易记 200 美元固定成本：

from gs_quant.markets.portfolio import Portfolio from gs_quant.backtests.actions import AddTradeAction, ExitAllPositionsAction, ConstantTransactionModel from gs_quant.backtests.triggers import MktTrigger, MktTriggerRequirements, TriggerDirection pair = Portfolio([(Stock('AAPL'), -1), (Stock('MSFT'), 1)], name='pair') # 做空A，做多B enter = MktTrigger( MktTriggerRequirements(signal, 2.0, TriggerDirection.ABOVE), # Z>2：价差拉过头 AddTradeAction(pair, '60d', name='pair_entry', transaction_cost=ConstantTransactionModel(200))) # 每笔固定成本 exit_pos = MktTrigger( MktTriggerRequirements(signal, 1.0, TriggerDirection.BELOW), # Z回落到1以下：平仓 ExitAllPositionsAction(name='pair_exit')) # 想做对称方向：再加一个 z<-2 进入、z>-1 离开的触发器即可

关键参数是2.0 / 1.0两个阈值与'60d'持仓上限；触发器与动作的完整家族（含内置的MeanReversionTrigger）实现在 gs_quant/backtests/triggers.py。

启动回测引擎

这一步把策略交给引擎，逐日推进定价、成交与结算：

from gs_quant.backtests.strategy import Strategy from gs_quant.backtests import GenericEngine strategy = Strategy(None, [enter, exit_pos]) # 第一个参数为初始持仓，None 表示空仓起跑 engine = GenericEngine() backtest = engine.run(start, end, strategy) # 返回 BackTest 对象

引擎如何把触发器与动作串成完整回测，见 gs_quant/backtests/generic_engine.py。

读懂结果：回测指标怎么看

拿到backtest对象后，指标、净值曲线、交易台账各一行取出：

stats = backtest.summary_stats() # 一揽子绩效指标 print(stats[['Sharpe Ratio', 'Max Drawdown', 'Total Trades', '% Positive Days']]) backtest.result_summary['Total'].plot() # 组合净值曲线 backtest.trade_ledger().tail() # 逐笔开平仓与盈亏台账

这 20 余项指标的计算逻辑集中在 gs_quant/backtests/backtest_objects.py。

挑三个最常看的讲"看什么、怎么判好坏"：

• Sharpe Ratio：像汽车油耗，衡量"每单位颠簸换多少里程"。大于 1 算健康，低于 0.5 说明收益大多被波动吃掉
• Max Drawdown：净值水位从高点回落到谷底的深度。均值回归靠"小赢很多次"，回撤过深往往意味着配对失效，而不是耐心不够
• Total Trades：一年 10 次上下符合"低频等回弹"的定位；翻到几十次就先怀疑阈值太松

上图为 gs-quant 文档中的一张分周期组合图：柱状是各周期收益、折线是累计值。回测净值曲线与trade_ledger()台账也是同样的"分块 + 累计"读法。

调参与避坑：跑之前的四个检查项

**现象：毛收益不

【免费下载链接】gs-quantPython toolkit for quantitative finance项目地址: https://gitcode.com/GitHub_Trending/gs/gs-quant