新手疑難雜症，幫你解答對於 TQuant Lab 的所有問題。

更新於 2024年10月31日16:47 • 發布於 2024年10月28日06:30

Photo by Kelly Sikkema on Unsplash

前言

在使用 TQuant Lab 進行回測和策略分析時，新手可能會遇到一些技術上的挑戰和問題。本文將提供一些解決方法和技巧，幫助使用者更順利地進行策略開發和回測，提升效率與準確度。希望這些資訊能夠對大家有所幫助，解決各位的新手疑難雜症。

常見問與答

若已經從虛擬環境安裝 zipline-tej 卻還是無法使用 TQuant Lab，該怎麼辦？

若已經按照技術手冊 - TQuant Lab 內的方法安裝，但依然無法正常運行的話，可以按照 Google Colab 運行 TQuant Lab 使用教學及常見錯誤進行安裝，主要是將 pandas 以及 dask 降版。

如果我要將外部資料匯進去 Pipeline 跑回測，該怎麼做？

可以使用 CustomDataset，利用此函式可以將資料庫中的內容導入 Pipeline 中，方便後續回測使用，範例策略可以參考 TQuant Lab F-score 策略，找出被低估的優質股票。

四大函式的功能大概是什麼，每次回測都一定要寫這些函式嗎？

四大函式各有不同的功能，分別可以設定回測環境，常見用於設定滑價或手續費，或是設定交易策略、下單與紀錄交易資訊，以及用於回測後視覺化策略績效與風險，最後則是進行回測，也不一定每次策略都是使用一樣的函式，依照策略的需求跟使用者的偏好而有所不同，詳細介紹可以參考TQuant Lab 新手上路。

執行 run_algorithm() 後得出的 dataframe 每個欄位是什麼？

這邊僅列出幾個較重要的欄位，全部欄位介紹可以參考TQuant-Lab/lecture/TSMC buy and hold strategy

benchmark_return：當日的 benchmark 報酬率，若是由 set_benchmark() 設定，則計算方式為 ( 當日 benchmark 收盤價 / 前一日 benchmark 收盤價 ) - 1。
benchmark_period_return：累積的 benchmark 日報酬率。計算方式：np.nancumprod ( 1 + benchmark_return Series ) - 1。
benchmark_volatility： benchmark 日報酬率的年化波動率，至少需有兩期的報酬率才進行計算。計算方式：(benchmark_return Series).expanding(2).std(ddof=1) * np.sqrt(252)
max_drawdown：投資組合累積報酬率從過去的峰值下跌的最大跌幅百分比。
sharpe：年化夏普比率，衡量每承擔1單位風險，可以獲取多少的報酬。
sortino：年化索提諾比率，衡量承擔單位下方風險，可以獲取多少的報酬。
alpha：年化 alpha，衡量投資組合創造超額報酬的能力。
beta：衡量投資組合相對於整體市場的波動性。

另外，對 run_algorithm() 輸出的資料表使用 get_transaction_detail 可以取得更細部的訂單、交易及部位資料，使用方法如下：

from zipline.utils.run_algo import get_transaction_detail positions, transactions, orders = get_transaction_detail(result) # 假設 run_algorithm() 回傳的資料表為 result

positions: 持倉狀態
transactions: 交易紀錄
orders: 訂單紀錄

如何調用 TQuant Lab 內建的技術指標，比如: SMA？或是只能利用外部的 numpy, talib 進行計算？

TQuant Lab 有許多內建的技術以及價格因子，包含 SMA、布林通道、RSI 等等。可以省去許多自己刻技術指標的時間，詳細內建因子的選單以及介紹跟使用方式可以參考TQuant-Lab/lecture/Pipeline built-in factors。

TQuant Lab 是否可以自行設定以開盤價或是收盤價進場？

zipline 為求最大化避免前視偏誤，若策略當天有訊號要進場時，會以隔天的收盤價進場，詳情可以查看 results 的 orders 欄位，至於開盤價成交機制，目前 zipline-tej 已更新至 2.1.0 版本，已新增此機制，詳細說明可以參考 zipline 2.1.0、tej tool api 1.2.0 版本更新.md 。