A key difference between a traditional investment management process and a quantitative investment process is the possibility of backtesting a quantitative investment strategy to see how it would have performed in the past
量化投资流程和传统投资管理流程最重要的区别是：量化投资策略可以进行回测以观察它在过去的表现。
Excel的主要缺点是只能用于简单模型的回测。但是，简单模型往往是最好的。
MATLAB优点很多，功能强大，但是价格昂贵。有一些替代品:
TradeStation
High-End Backtesting Platforms
While finding sources of data on the Internet is even easier than finding prospective strategies, there are a number of issues and pitfalls with many of these databases that I will discuss later in this section. These issues apply mostly to stock and exchange-traded fund (ETF) data only. Here are the most important ones.
虽然在互联网上寻找数据源比寻找有效的策略容易，但这些数据中存在问题和陷阱。下面是最主要的问题，这些问题仅适用股票和交易基金数据。
使用最高最低价的回测没有使用开盘收盘价的回测可靠。
夏普比率
年化夏普比率的计算：一般而言，假设每个交易时段的长度为T，T可以是1个月、1天、1小时等，若要计算平均收益率、标准差以及相应的年化指标，就必须先算出一年的交易时段数\(N_T\)
\(年化夏普比率= \sqrt {N_T} * 基于T的夏普比率\)
年化标准差和日标准差的关系推理：
其中cov是指协方差。
最大挫跌和最长挫跌期
这个指标算起来挺麻烦，从图中看的话，倒是挺直观。
例如，“在日最低价的1%之内买入股票”的交易规则，就有前视偏差，因为在当日市场收盘前，是不可能知道日最低价的。
因迁就历史数据的噪声而过度优化模型参数，造成策略的回测业绩高于未来业绩，即为数据迁就偏差。
没有考虑交易成本的回测业绩是不真实的。
对基本策略进行微小调整，来提升收益。策略的改进，最好基于经济学基本原理，或者透彻研究过的市场现象，而不是依据一些主观的试错法则。否则，就有可能产生数据迁就偏差。
import pandas as pd
import numpy as np
xlsx = pd.ExcelFile("datas/example3_4.xls")
df = pd.read_excel(xlsx,"table")
# 计算每日收益率：
df['daily_ret'] = df['Adj Close'].pct_change()
#假设年化收益率为4%，每年252个交易日 计算每日超额收益
df['excess_daily_ret'] = df['daily_ret'] - 0.04/252
sharp_ratio = np.sqrt(252) * df['excess_daily_ret'].mean() / df['excess_daily_ret'].std()
print(sharp_ratio)0.7889300350874483