Node.js 量化投資實戰：使用富果歷史行情 API 與回測工具評估交易策略

April 6, 2023 · 18 min read

Kevin Wang

Senior Backend Engineer @Fugle

在量化投資領域中，回測是指利用歷史市場數據對一個投資策略進行模擬交易，以評估該策略在過去的市場環境下的表現。透過回測，投資者可以根據歷史市場數據得出策略的勝率、獲利和風險等關鍵指標，進而作出投資決策，判斷該策略是否有效以及了解策略在不同市場條件下的表現情況。

在本文中，我們將以 Node.js 為例，介紹如何使用富果提供的歷史行情 API 與回測工具，對過去的市場數據來模擬和驗證各種交易策略。

準備歷史數據

要進行回測，首先我們必須準備任意金融商品（如股票、期貨、外匯、加密貨幣等）的 OHLCV（開盤價、最高價、最低價、收盤價、成交量）歷史數據。為了使用實際的數據做範例，我們以台積電（2330）近三年（2020 至 2022 年）的歷史股價為例說明如何操作。

請確認已準備好 Node.js 開發環境，並已申請富果行情 API。接著，請安裝以下依賴套件：

$ npm install --save @fugle/realtime luxon

上述安裝的套件中，@fugle/realtime 是富果行情 API 客戶端函式庫；luxon 則是一個用於處理時間和日期的模組，可以方便地進行時間計算和日期格式化。

以下是一個取得特定股票近三年歷史股價的範例：

const { HttpClient } = require('@fugle/realtime');
const { DateTime } = require('luxon');

async function getData(options) {
  const symbol = options?.symbol ?? '2330';
  const lastYear = options?.lastYear ?? 2022;
  const recentYears = options?.recentYears ?? 3;
  const client = new HttpClient({ apiToken: 'YOUR_API_TOKEN' });
  const data = [];

  for (let i = 0, dt = DateTime.now().set({ year: lastYear }); i < recentYears; i++, dt = dt.minus({ year: 1 })) {
    const historical = await client.historical.candles({
      symbolId: symbol,
      from: dt.startOf('year').toISODate(),
      to: dt.endOf('year').toISODate(),
    });
    data.push(...historical.data);
  }

  return data;
}

第 1-2 行：使用 require 語句引入了兩個模組 @fugle/realtime 和 luxon。@fugle/realtime 是富果行情 API 客戶端 SDK，而 luxon 方便操作時間和日期的模組，協助我們處理時間和日期格式化。
第 4 行：定義了一個名為 getData 的 async function，用來取得指定股票的歷史數據。這個 function 接收一個名為 options 的物件參數。
第 5-7 行：使用 ?. 選擇運算子和 ?? null 合併運算子，對 options 物件參數的 symbol、lastYear 和 recentYears 屬性進行空值判斷，若這些屬性沒有被傳入，則使用預設值 2330、2022 和 3。
第 8 行：建立一個 HttpClient 物件，並將 apiToken 設為 API 的存取權杖。需要注意的是，這裡的 YOUR_API_TOKEN 必須替換成有效的 API 存取權杖。
第 11-18 行：使用 for 迴圈，從最近的年份開始，每次往前推一年，獲取指定金融商品的該年的 OHLCV 歷史數據。由於富果歷史行情API每次請求的最大時間範圍為一年，我們須逐次取得每年的歷史行情數據。

定義交易策略

定義交易策略是回測的核心，在實作交易策略之前，我們先安裝以下依賴套件：

$ npm install --save @fugle/backtest technicalindicators

上述安裝的套件中，@fugle/backtest 是富果提供的回測工具；technicalindicators 則是用於計算技術指標的模組，提供了許多常用的技術指標計算方法，例如 SMA、EMA、MACD、RSI、Bollinger Bands 等，可協助我們更快速地實現技術指標的計算和應用。

為了進行回測，我們需要自行定義的一個交易策略。實作交易策略需要繼承 @fugle/backtest 提供的 Strategy 類別。我們以移動平均雙線交叉策略為例，當短期均線向上穿越長期均線時，進行買進操作；當短期均線向下穿越長期均線時，進行賣出操作。以下是一個實現移動平均雙線交叉策略的範例：

const { Strategy } = require('@fugle/backtest');
const { SMA, CrossUp, CrossDown } = require('technicalindicators');

class SmaCross extends Strategy {
  params = { n1: 20, n2: 60 };

  init() {
    const lineA = SMA.calculate({
      period: this.params.n1,
      values: this.data['close'].values,
    });
    this.addIndicator('lineA', lineA);

    const lineB = SMA.calculate({
      period: this.params.n2,
      values: this.data['close'].values,
    });
    this.addIndicator('lineB', lineB);

    const crossUp = CrossUp.calculate({
      lineA: this.getIndicator('lineA'),
      lineB: this.getIndicator('lineB'),
    });
    this.addSignal('crossUp', crossUp);

    const crossDown = CrossDown.calculate({
      lineA: this.getIndicator('lineA'),
      lineB: this.getIndicator('lineB'),
    });
    this.addSignal('crossDown', crossDown);
  }

  next(ctx) {
    const { index, signals } = ctx;
    if (index < this.params.n1 || index < this.params.n2) return;
    if (signals.get('crossUp')) this.buy({ size: 1000 });
    if (signals.get('crossDown')) this.sell({ size: 1000 });
  }
}

第 1-2 行：使用 require 語句引入了兩個模組 @fugle/backtest 和 technicalindicators。@fugle/backtest 是富果提供的回測工具，而 technicalindicators 是一個用於計算技術指標的模組。
第 4 行：定義一個名為 SmaCross 的類別，並繼承 Strategy。
第 5 行：定義 SmaCross 類別的屬性 params，表示該交易策略的參數，n1 表示短天期移動平均線的週期，n2 表示長天期移動平均線的週期。
第 7 行：定義 SmaCross 類別的方法 init()。該方法主要用來初始化技術指標和信號。
第 8-12 行：計算 SMA，定義 lineA 為短天期移動平均線，並透過 addIndicator() 方法將短天期移動平均線加入指標清單中。
第 14-18 行：計算 SMA，定義 lineB 為長天期移動平均線，並透過 addIndicator() 方法將長天期移動平均線加入指標清單中。
第 20-24 行：計算兩條 SMA 的交叉，定義 crossUp 為短天期移動平均線向上穿越長天期移動平均線，並透過 addSignal() 方法將交叉點設為買進信號。
第 26-30 行：計算兩條 SMA 的交叉，定義 crossUp 為短天期移動平均線向下穿越長天期移動平均線，並透過 addSignal() 方法將交叉點設為賣出信號。
第 33 行：定義 SmaCross 類別的方法 next()。可透過 ctx 參數取得當前的索引、技術指標和信號。
第 34-37 行：在 next() 方法中，我們首先取出 ctx 中的 index 和 signals 屬性，index 代表當前的時間點索引，signals 是一個 Map 物件，其中包含了所有已經計算出來的交易信號。如果發現 crossUp 信號，就執行 this.buy({ size: 1000 }) 買進 1000 股，如果發現 crossDown 信號，就執行 this.sell({ size: 1000 }) 賣出 1000 股。

如此，我們就完成一個交易策略。需要注意的是，這個策略是非常簡單的，並且沒有考慮到許多重要的因素，例如交易成本、市場流動性等。因此，這個策略只是用來展示回測工具的基本使用方法，實際應用時需要仔細設計和調整。

運行回溯測試

準備好歷史數據並實作交易策略後，就可以運行回溯測試。使用 @fugle/backtest 提供的 Backtest 類別，即可根據輸入的歷史資料和定義的交易策略進行回測。此外 Backtest 類別也提供 options 選項設定，您可以根據需求自行調整：

cash {number} 初始資金。預設值：10000。
commission {number} 手續費率。預設值：0。
margin {number} 槓桿帳戶所需的保證金比率。預設值：1。
tradeOnClose {boolean} true 表示市場訂單會以當前Ｋ棒的收盤價為基準成交，而非下一根Ｋ棒的開盤價。預設值：false。
hedging {boolean} true 表示允許同時在兩個方向上交易。如果設為 false，則相反方向的訂單首先以先進先出（FIFO）的方式關閉現有交易。預設值：false。
exclusiveOrders {boolean} true 表示每個新訂單都會自動關閉之前的交易/持倉，以確保每次只會存在一個（多頭或空頭）交易。預設值：false。

然後，調用 Backtest.run() 方法會執行回溯測試並回傳執行結果，其中包含我們策略的模擬結果和相關的統計數據、權益曲線變化以及所有交易紀錄。

const { Backtest } = require('@fugle/backtest');

const backtest = new Backtest(data, SmaCross, {
  cash: 1000000,
  tradeOnClose: true,
});

backtest.run()        // 執行回測
  .then(results => {
    results.print();  // 印出回測結果
    results.plot();   // 繪製權益曲線並列出交易紀錄
  });

回測結果：

╔════════════════════════╤═══════════════════════╗
║ Strategy               │ SmaCross(n1=20,n2=60) ║
╟────────────────────────┼───────────────────────╢
║ Start                  │ 2020-01-02            ║  
╟────────────────────────┼───────────────────────╢
║ End                    │ 2022-12-30            ║
╟────────────────────────┼───────────────────────╢
║ Duration               │ 1093                  ║
╟────────────────────────┼───────────────────────╢
║ Exposure Time [%]      │ 55.102041             ║
╟────────────────────────┼───────────────────────╢
║ Equity Final [$]       │ 1105000               ║
╟────────────────────────┼───────────────────────╢
║ Equity Peak [$]        │ 1378000               ║
╟────────────────────────┼───────────────────────╢
║ Return [%]             │ 10.5                  ║
╟────────────────────────┼───────────────────────╢
║ Buy & Hold Return [%]  │ 32.300885             ║
╟────────────────────────┼───────────────────────╢
║ Return (Ann.) [%]      │ 3.482537              ║
╟────────────────────────┼───────────────────────╢
║ Volatility (Ann.) [%]  │ 8.204114              ║
╟────────────────────────┼───────────────────────╢
║ Sharpe Ratio           │ 0.424487              ║
╟────────────────────────┼───────────────────────╢
║ Sortino Ratio          │ 0.660431              ║
╟────────────────────────┼───────────────────────╢
║ Calmar Ratio           │ 0.175785              ║
╟────────────────────────┼───────────────────────╢
║ Max. Drawdown [%]      │ -19.811321            ║
╟────────────────────────┼───────────────────────╢
║ Avg. Drawdown [%]      │ -2.241326             ║
╟────────────────────────┼───────────────────────╢
║ Max. Drawdown Duration │ 708                   ║
╟────────────────────────┼───────────────────────╢
║ Avg. Drawdown Duration │ 54                    ║
╟────────────────────────┼───────────────────────╢
║ # Trades               │ 6                     ║
╟────────────────────────┼───────────────────────╢
║ Win Rate [%]           │ 16.666667             ║
╟────────────────────────┼───────────────────────╢
║ Best Trade [%]         │ 102.3729              ║
╟────────────────────────┼───────────────────────╢
║ Worst Trade [%]        │ -10.4418              ║
╟────────────────────────┼───────────────────────╢
║ Avg. Trade [%]         │ 5.718878              ║
╟────────────────────────┼───────────────────────╢
║ Max. Trade Duration    │ 322                   ║
╟────────────────────────┼───────────────────────╢
║ Avg. Trade Duration    │ 100                   ║
╟────────────────────────┼───────────────────────╢
║ Profit Factor          │ 2.880822              ║
╟────────────────────────┼───────────────────────╢
║ Expectancy [%]         │ 11.139483             ║
╟────────────────────────┼───────────────────────╢
║ SQN                    │ 0.305807              ║
╚════════════════════════╧═══════════════════════╝

以下是各項數據結果的意義：

Start：回測的開始日期。
End：回測的結束日期。
Duration：回測的時間長度。
Exposure Time [%]：持倉時間佔總時間的百分比。
Equity Final [$]：回測結束時的帳戶戶權益值。
Equity Peak [$]：回測期間帳戶權益的最高值。
Return [%]：回測期間的總收益率。
Buy & Hold Return [%]：買入持有策略在同樣時間內的總收益率。
Return (Ann.) [%]：年化收益率。
Volatility (Ann.) [%]：年化波動率。
Sharpe Ratio：夏普比率，代表每承受一個單位的風險所獲得的超額報酬。
Sortino Ratio：索提諾比率，是夏普比率的改進版，主要針對下跌風險進行衡量。
Calmar Ratio：卡瑪比率，代表每承受一個單位的風險所獲得的超額報酬，同時考慮最大回撤。
Max. Drawdown [%]：最大回撤率，指從峰值到谷底的最大跌幅。
Avg. Drawdown [%]：平均回撤率，指回撤期間中，從峰值到谷底的平均跌幅。
Max. Drawdown Duration：最大回撤期間，指從峰值到谷底的時間長度。
Avg. Drawdown Duration：平均回撤期間，指回撤期間中，從峰值到谷底的平均時間長度。
Trades：回測期間的交易次數。
Win Rate [%]：勝率，即獲利交易的比例。
Best Trade [%]：最好的交易獲得的收益率。
Worst Trade [%]：最壞的交易蒙受的虧損率。
Avg. Trade [%]：平均交易獲得的收益率。
Max. Trade Duration：最長持倉期間。
Avg. Trade Duration：平均持倉期間。
Profit Factor：獲利因子，是獲利交易與虧損交易的比例，數值越大代表交易績效越好。
Expectancy [%]：期望值，是每筆交易所預期的平均收益率，數值越高代表交易績效越好。
SQN：系統質量數值（System Quality Number），代表交易系統績效穩定性的指標，數值越高代表交易績效越好且穩定性越高。

繪製權益曲線：

列出交易紀錄：

最佳化參數

在上述策略中，我們提供了兩個可變參數 params.n1 與 params.n2，它們代表兩條移動平均線的計算期間。透過調用 Backtest.optimize() 方法，我們可以尋找最佳參數組合。在此方法下，您可以設置 params 選項以改變 Strategy 提供的參數設定。Backtest.optimize() 將返回提供參數下的最佳組合。

以下程式範例以短期均線 5 日（週線）、10 日（雙週線）、20 日（月線）及長期移動平均線 60 日（季線）、120 日（半年線）、240 日（年線）為例，尋找最佳參數組合：

backtest.optimize({   // 執行最佳化參數的回測
  params: {
    n1: [5, 10, 20],
    n2: [60, 120, 240],
  },
})
  .then(results => {
    results.print();  // 印出最佳化參數的回測結果
    results.plot();   // 繪製最佳化參數的權益曲線並列出交易紀錄
  });

回測結果顯示，當短天期移動平均線參數設為 10 日，以及長天期移動平均線設為 60 日時，可獲得最佳結果：

╔════════════════════════╤═══════════════════════╗
║ Strategy               │ SmaCross(n1=10,n2=60) ║
╟────────────────────────┼───────────────────────╢
║ Start                  │ 2020-01-02            ║
╟────────────────────────┼───────────────────────╢
║ End                    │ 2022-12-30            ║
╟────────────────────────┼───────────────────────╢
║ Duration               │ 1093                  ║
╟────────────────────────┼───────────────────────╢
║ Exposure Time [%]      │ 55.646259             ║
╟────────────────────────┼───────────────────────╢
║ Equity Final [$]       │ 1177500               ║
╟────────────────────────┼───────────────────────╢
║ Equity Peak [$]        │ 1375500               ║
╟────────────────────────┼───────────────────────╢
║ Return [%]             │ 17.75                 ║
╟────────────────────────┼───────────────────────╢
║ Buy & Hold Return [%]  │ 32.300885             ║
╟────────────────────────┼───────────────────────╢
║ Return (Ann.) [%]      │ 5.761952              ║
╟────────────────────────┼───────────────────────╢
║ Volatility (Ann.) [%]  │ 8.336371              ║
╟────────────────────────┼───────────────────────╢
║ Sharpe Ratio           │ 0.691182              ║
╟────────────────────────┼───────────────────────╢
║ Sortino Ratio          │ 1.125943              ║
╟────────────────────────┼───────────────────────╢
║ Calmar Ratio           │ 0.400281              ║
╟────────────────────────┼───────────────────────╢
║ Max. Drawdown [%]      │ -14.394766            ║
╟────────────────────────┼───────────────────────╢
║ Avg. Drawdown [%]      │ -2.038896             ║
╟────────────────────────┼───────────────────────╢
║ Max. Drawdown Duration │ 708                   ║
╟────────────────────────┼───────────────────────╢
║ Avg. Drawdown Duration │ 57                    ║
╟────────────────────────┼───────────────────────╢
║ # Trades               │ 8                     ║
╟────────────────────────┼───────────────────────╢
║ Win Rate [%]           │ 37.5                  ║
╟────────────────────────┼───────────────────────╢
║ Best Trade [%]         │ 98.3193               ║
╟────────────────────────┼───────────────────────╢
║ Worst Trade [%]        │ -8.4189               ║
╟────────────────────────┼───────────────────────╢
║ Avg. Trade [%]         │ 5.905751              ║
╟────────────────────────┼───────────────────────╢
║ Max. Trade Duration    │ 322                   ║
╟────────────────────────┼───────────────────────╢
║ Avg. Trade Duration    │ 75                    ║
╟────────────────────────┼───────────────────────╢
║ Profit Factor          │ 4.284132              ║
╟────────────────────────┼───────────────────────╢
║ Expectancy [%]         │ 9.567663              ║
╟────────────────────────┼───────────────────────╢
║ SQN                    │ 0.567317              ║
╚════════════════════════╧═══════════════════════╝

透過調用 Backtest.optimize() 方法，我們可以很容易地找出最佳的參數組合。但請注意，運用歷史資料進行最佳化，經常造成不切實際的預期，實際交易通常都無法複製這些最佳化的績效。就如同我們常看到的投資警語是「過去績效不代表未來績效」。我們運用回測的目的並不是在歷史資料測試過程中達成最高的報酬，而是找到某種適用於過去的健全概念，顯示這種概念也非常可能適用於未來。

程式範例

以上完整的程式碼，請參考 GitHub repo。

結語

在本文中，我們已經示範如何透過富果歷史行情 API 取得歷史股價，使用富果的回測工具定義交易策略，並進行回測。透過回測，您可以評估交易策略的表現是否符合預期，進一步優化和改善該策略。如果您有任何交易想法，回測是一個非常有用的工具！

準備歷史數據​

定義交易策略​

運行回溯測試​

最佳化參數​

程式範例​

結語​

準備歷史數據

定義交易策略

運行回溯測試

最佳化參數

程式範例

結語