相关依赖：

Pandas: 操作dataframe数据的模块。

Zipline介绍：

Zipline是一个Python的交易算法库。这是一个事件驱动的系统，同时支持测试和现场交易。Zipline现在被用作著名量化平台Quantopian的回测引擎。

Zipline特点：

易用性：Zipline能让你免去设计程序的烦恼，你可以专注于算法的发展。

自驱动性：Zipline已经为用户准备好了许多常用的指标。

融合性：Zipline的产出结果是通用的dataframe格式数据，易调用。

Zipline安装：

可以使用pip进行安装：

$ pip install zipline

又或者通过Anaconda。

$ conda install -c Quantopian zipline

快速入门示例：

新建Python脚本，写入以下内容，命名为dual_moving_average.py。

from zipline.api import order_target, record, symboldef initialize(context): context.i = 0 context.asset = symbol('AAPL')def handle_data(context, data): #预留出300天窗口 context.i += 1 if context.i < 300: return #计算滑动平均 short_mavg = data.history(context.asset, 'price', bar_count=100, frequency="1d").mean() long_mavg = data.history(context.asset, 'price', bar_count=300, frequency="1d").mean() #交易逻辑设定 if short_mavg > long_mavg: # order_target orders as many shares as needed to # achieve the desired number of shares. order_target(context.asset, 100) elif short_mavg < long_mavg: order_target(context.asset, 0) #保存数据 record(AAPL=data.current(context.asset, 'price'), short_mavg=short_mavg, long_mavg=long_mavg)

上述程序非常容易理解，其实最核心的部分就是handle_data()函数，更具体一点就是交易逻辑的设定，在这里有很大的自由度，可以引进例如ta-lib等计算各种指标的工具，设计更复杂的交易逻辑。

注意：当用户在中国地区时，必须要上vpn，并且在terminal里配置proxy代理。

接着，在terminal中输入：

$ zipline ingest$ zipline run -f dual_moving_average.py --start 2011-1-1 --end 2016-1-1 -o dma.pickle

第一条命令获取数据，第二条命令使用Zipline CLI进行回测。结果保存在本目录下的dma.pickle中。

按上述命令操作后，在本目录便会出现一个dma.pickle的文件。这种格式的文件可以被pandas读取为dataframe，以便后续分析。我们写下来作交易结果的可视化。 在新的script中写入下面代码读入pickle文件,并查看结构：

import pandas as pdperf = pd.read_pickle('dma.pickle')perf.columsperf.head(5)

然后便携一个最基本的可视化程序：

import matplotlib.pyplot as pltax1 = fig.add_subplot(211)perf.portfolio_value.plot(ax=ax1)ax1.set_ylabel('portfolio value in $')ax2 = fig.add_subplot(212)perf['AAPL'].plot(ax=ax2)perf[['short_mavg', 'long_mavg']].plot(ax=ax2)perf_trans = perf.ix[[t != [] for t in perf.transactions]]buys = perf_trans.ix[[t[0]['amount'] > 0 for t in perf_trans.transactions]]sells = perf_trans.ix[ [t[0]['amount'] < 0 for t in perf_trans.transactions]]ax2.plot(buys.index, perf.short_mavg.ix[buys.index], '^', markersize=10, color='m')ax2.plot(sells.index, perf.short_mavg.ix[sells.index], 'v', markersize=10, color='k')ax2.set_ylabel('price in $')plt.legend(loc=0)plt.show()

结构如下图所示：

前面一段没有交易是因为我们取的长期移动平均是300天，所以前面是空白。后面则真实反映了交易情况。上下箭头各表示了买入和卖出。

另外值得一提的是一些重要参数，比如夏普率，alpha收益，beta收益，最大回撤等待都可以在从pickle文件读取出来的dataframe里找到。到此为止，一个策略的效果就被验证完毕了。当然，如果要有其他需要计算的参数，仍然可以用record()函数进行添加，灵活度非常高。可以说zipline做回测试非常方便的了。