标签：%. 入门 Backtrader 手把手 self 09 2f Close order
量化投资是一个非常大的课题，从这边文章开始，我会从如下几个方面构建量化投资的这个框架：
1、工欲善其事，必先利其器。我们先学习一个量化投资回测利器-backtrader，通过这个工具，我们可以将量化策略在经过回测之后，付诸实用。
2、我们学习一些常用的以及大师们实用量化策略，了解它的原理，选择合适的标的资产，为己所用。
3、开发自己的策略。老实说，公开的策略使用的人众多，往往会失效，那么如果构造开发自己的策略显得尤其重要。这一块，我们会介绍投资、数据挖掘，预测等关键技术，及其如何应用在构建自己投资策略上。
4、最后我们会构造一个完整的实用系统，该系统上，可以查看关键投资指标、定制量化策略。
下面我们开始介绍Backtrader，内容主要基于Backtrader的网站指导文档以及示例。
目录
1、简介
2、安装
3、手把手教你实现一个例子
3.1、首先需要理解的几个关键概念
3.2、从0到100：一步一步实现一个例子
创建第一个程序
给空白的大脑加载数据
给大脑第一个策略
加入买的逻辑到Strategy中
不仅要买，还要卖
券商说，俺的钱呢？
如何给策略Strategy传递参数
加一个指标（indicator）
可视化-画图
再来点优化
3.3总结
1、简介
Backtrader的特点，就是两点：
1、易于使用；
2、参见第1条。
那么如何使用Backtrader呢？比把大象装进冰箱复杂点，一共4步：
创建一个Cerebro引擎：
- 加入一个Strategy。
- 加载数据。
- 执行：cerebro.run()。
- 对执行结果可视化。
就是这么简单！
这么简单如何执行那么多复杂的量化策略，关键就是Backtrader作为一个平台，具有极高的可配置性，也就是可以根据需要进行不同的配置，完成不同的量化策略回测，后续将进行详细描述。
2、安装
一般是通过Python安装：
pip install backtrader
特别注意的是，和backtrader适配的matplotlib版本不能太高，测试可用的版本是3.2.2。如果高于此版本，可以通过如下命令降级：
pip uninstall matplotlib
pip install matplotlib==3.2.2
3、手把手教你实现一个例子
3.1、首先需要理解的几个关键概念
1、Line：Line在Backtrader系统中，是最重要的对象。
Line的本意就是一连串可以连接在一起的点，所有可以在坐标上形成一条线的数据，就称为Line。在量化投资的领域，这个Line通常指的是证券的open(开盘价）、high（最高价）、low（最低价）、close（收盘价）、volume（成交量）。例如如下我们下载的某股票的数据：
Excle中画个图：
可以看出，每一列均可形成一个Line，这个Line就是需要进行处理的数据，对于证券数据，我们通常对close（收盘价）进行处理。
除了数据本身可以形成Line之外，对数据进行处理后形成的数据也可以作为Line，比如计算close列的移动平均线，也可以形成一个Line。
2、Index为0的含义
Backtrader系统中，对Line的数据是逐行处理的，如下：
系统处理顺序从上至下，当处理到26.5的时候，对应的Index为0.如果要访问之前的数据，就是-1，-2.之后的数据，就是1,2.
特别值得注意的是-1在python中用于访问一个列表的最后一个数据，而在backtrader中，-1指的是最后已经处理过得数据，在当前处理数据之前 ，值会随着系统的处理而不断变化。
如果系统在创建Strategy的时候，系统初始化了一个移动平均线：
self.sma = SimpleMovingAverage(.....)
访问移动平均线当前值的简单易用的方法是：
av = self.sma[0]
这种方法的好处就是无需知道已经处理了多少行（在Backtrader中，统一将行称之为Bar），也无需知道还有多少Bar需要处理，因为0唯一确定了系统正在处理的数据（Bar）。
3.2、从0到100：一步一步实现一个例子
掌握一项技术最好的方法就是亲手写一个程序，下面采用不断迭代的方法，一步一步，从简单到复杂实现咱们的第一个量化回测程序。
创建第一个程序
from __future__ import (absolute_import, division, print_function,
unicode_literals)
import backtrader as bt
if __name__ == '__main__':
cerebro = bt.Cerebro()
print('Starting Portfolio Value: %.2f' % cerebro.broker.getvalue())
cerebro.run()
print('Final Portfolio Value: %.2f' % cerebro.broker.getvalue())
执行下，看看啥结果：
Starting Portfolio Value: 10000.00
Final Portfolio Value: 10000.00
这个程序做了啥？
将Backtrader引入到咱们程序中，命名为bt。
创建了一个机器人大脑（Cerebro），同时隐含创建了一个borker（券商）。
让机器人大脑开始运行。
显示了机器人在券商那里存有多少钱。
等等，为啥只有10000元，失败啊，太少了，没事，咱可以多存点钱到券商。
cerebro = bt.Cerebro()
cerebro.broker.setcash(100000.0)#加到100000元，咱们也富裕了。
再执行看看，果然富裕了：
Starting Portfolio Value: 100000.00
Final Portfolio Value: 100000.00
不对，为啥钱没变啊，这个机器人没给我挣钱啊。因为这个机器人大脑只是初始化，还没发育好，脑子一片空白，啥也做不了，自然挣不了钱。咱们先给机器人点股票数据看看，让他先看看股票数据，说不定能学习点啥。
给空白的大脑加载数据
import backtrader as bt
import pandas as pd
from datetime import datetime
if __name__ == '__main__':
cerebro = bt.Cerebro()
#获取数据
stock_hfq_df = pd.read_excel("./data/sh600000.xlsx",index_col='date',parse_dates=True)
start_date = datetime(2010, 9, 30) # 回测开始时间
end_date = datetime(2021, 9, 30) # 回测结束时间
data = bt.feeds.PandasData(dataname=stock_hfq_df, fromdate=start_date, todate=end_date) # 加载数据
cerebro.adddata(data) # 将数据传入回测系统
cerebro.broker.setcash(100000.0)
print('Starting Portfolio Value: %.2f' % cerebro.broker.getvalue())
cerebro.run()
print('Final Portfolio Value: %.2f' % cerebro.broker.getvalue())
再执行看看：
Starting Portfolio Value: 100000.00
Final Portfolio Value: 100000.00
大脑开始发育了，起码做到了：
能接受股票的数据了。（这里提供的是下载浦发银行（sh6000000）的历史数据作为示例，如何获取数据后续专门讨论）
也能对datetime进行处理，根据需要看具体特定时期的数据了。
但是咱们钱还是没增加了，大脑大脑快快成长吧，快快给俺挣钱啊
给大脑第一个策略
钱有了（在broker券商），股票数据也有了，似乎马上就可以进行有风险的投资了。要投资，就得有一个有投资策略。而投资策略，针对的通常是数据的收盘价（close），也就是根据收盘价决定如何投资。
毕竟股市太凶险，机器人新加的策略是先看看股票的收盘价。
import backtrader as bt
import pandas as pd
from datetime import datetime
# Create a Stratey
class TestStrategy(bt.Strategy):
def log(self, txt, dt=None):
''' 提供记录功能'''
dt = dt or self.datas[0].datetime.date(0)
print('%s, %s' % (dt.isoformat(), txt))
def __init__(self):
# 引用到输入数据的close价格
self.dataclose = self.datas[0].close
def next(self):
# 目前的策略就是简单显示下收盘价。
self.log('Close, %.2f' % self.dataclose[0])
if __name__ == '__main__':
cerebro = bt.Cerebro()
# 增加一个策略
cerebro.addstrategy(TestStrategy)
#获取数据
stock_hfq_df = pd.read_excel("./data/sh600000.xlsx",index_col='date',parse_dates=True)
start_date = datetime(2010, 9, 30) # 回测开始时间
end_date = datetime(2021, 9, 30) # 回测结束时间
data = bt.feeds.PandasData(dataname=stock_hfq_df, fromdate=start_date, todate=end_date) # 加载数据
cerebro.adddata(data) # 将数据传入回测系统
cerebro.broker.setcash(100000.0)
print('Starting Portfolio Value: %.2f' % cerebro.broker.getvalue())
cerebro.run()
print('Final Portfolio Value: %.2f' % cerebro.broker.getvalue())
执行后结果：
Starting Portfolio Value: 100000.00
2020-09-30, Close, 125.97
...(省略n行）
2021-09-27, Close, 127.11
2021-09-28, Close, 127.26
2021-09-29, Close, 127.11
2021-09-30, Close, 126.83
Final Portfolio Value: 100000.00
看起来还好，没赔钱，股票市场似乎没那么凶险。
关于这个策略（Strategy），需要重点关注：
Strategy初始化的时候，将大脑加载的数据更新到dataclose属性中（注意，这是一个列表，保存股票回测开始时间到结束时间的所有close数据）。 self.datas[0]指向的是大脑通过cerebro.adddata函数加载的第一个数据，本例中指加载浦发银行的股票数据。
self.dataclose = self.datas[0].close指向的是close （收盘价）line
strategy 的next方法针对self.dataclose（也就是收盘价Line）的每一行（也就是Bar）进行处理。在本例中，只是打印了下close的值。next方法是Strategy最重要的的方法，具体策略的实现都在这个函数中，后续还会详细介绍。
这个策略还是没能挣钱，没买卖咋挣钱？大胆点，咱们开始买！
加入买的逻辑到Strategy中
没买卖就没收入，咱们开始买，啥时候买？妈妈说，买东西要便宜，那就如果价格连续降2天，咱就买入，试试看！
import backtrader as bt
import pandas as pd
from datetime import datetime
# 创建一个测试策略
class TestStrategy(bt.Strategy):
def log(self, txt, dt=None):
''' 记录策略信息'''
dt = dt or self.datas[0].datetime.date(0)
print('%s, %s' % (dt.isoformat(), txt))
def __init__(self):
# 应用第一个数据源的收盘价
self.dataclose = self.datas[0].close
def next(self):
# Simply log the closing price of the series from the reference
self.log('Close, %.2f' % self.dataclose[0])
if self.dataclose[0] < self.dataclose[-1]:
# 当前的价格比上一次价格（也就是昨天的价格低）
if self.dataclose[-1] < self.dataclose[-2]:
# 上一次的价格（昨天）比上上一次的价格（前天的价格）低
# 开始买！！
self.log('BUY CREATE, %.2f' % self.dataclose[0])
self.buy()
执行结果如下：
Starting Portfolio Value: 100000.00
...(省略n行）
2021-09-09, Close, 131.06
2021-09-10, Close, 132.61
2021-09-13, Close, 132.33
2021-09-14, Close, 129.79
2021-09-14, BUY CREATE, 129.79
2021-09-15, Close, 129.51
2021-09-15, BUY CREATE, 129.51
2021-09-16, Close, 128.52
2021-09-16, BUY CREATE, 128.52
2021-09-17, Close, 128.38
2021-09-17, BUY CREATE, 128.38
2021-09-22, Close, 127.26
2021-09-22, BUY CREATE, 127.26
2021-09-23, Close, 127.26
2021-09-24, Close, 127.11
2021-09-27, Close, 127.11
2021-09-28, Close, 127.26
2021-09-29, Close, 127.11
2021-09-30, Close, 126.83
2021-09-30, BUY CREATE, 126.83
Final Portfolio Value: 110441.06
挣钱了耶，居然挣了1万多块钱。从打印可以看出，在收盘价连续2天价格下跌的时候，strategy就执行买入。虽然咱们挣了钱，订单（order）好像创建了，但是不知道是否执行了以及何时以什么价格执行了。后面我们会展示如何监听订单执行的状态。
也许你要问了，咱们买了多少股票（称之为资产asset）？买了啥股票？订单是咋执行的？后续会回答这些问题，在当前示例中：
self.datas[0] 就是我们购买了的股票。本例中没有输入其他数据，如果输入了其他数据，购买的股票就不一定是啥了，这个要看具体的策略执行情况。
买了多少股本（stake）的股票？这个通过机器人大脑的position sizer属性来记录，缺省值为1，就是缺省咱们每一次操作只买卖1股。
当前order执行的时候，采用的价格是第二天的开盘价。
当前order执行的时候，没有收佣金。佣金如何设置后续还会说明。
不仅要买，还要卖
一次完整的交易，不仅要买，还要卖。啥时候卖？咱们简单点，就是处理了5个bar数据之后。值得注意的是，这里使用了bar这个概念，没有包含任何时间的概念，也就是一个bar，可以是1分钟，1个小时，也可以是一天，一个月，这些基于你输入的数据，如果你输入的股票每小时（分时）数据，那么一个bar就是一分钟，如果提供是周K数据，一个bar就是一周。本例中，我们获取的数据基于每天，那么一个bar就是一天。
特别之一，这里代码使用了len这个函数，在python中，len通常返回的一个列表中数据的多少，而在backtrader中，重写了len函数，返回的是已经处理过数据行（也就是Bar）。
注意，如果我们不在市场内，就不能卖。什么叫不在市场内，就是你不拥有任何股票头寸，也就是没有买入资产。在策略中，通过 position 属性来记录。
本次代码中，我们将要增加如下：
访问postion获取是否在市场内
会创建买和卖的订单（order）
订单状态的改变会通过notify方法通知到strategy。
# Create a Stratey
class TestStrategy(bt.Strategy):
def log(self, txt, dt=None):
''' Logging function fot this strategy'''
dt = dt or self.datas[0].datetime.date(0)
print('%s, %s' % (dt.isoformat(), txt))
def __init__(self):
# Keep a reference to the "close" line in the data[0] dataseries
self.dataclose = self.datas[0].close
# To keep track of pending orders
self.order = None
def notify_order(self, order):
if order.status in [order.Submitted, order.Accepted]:
# Buy/Sell order submitted/accepted to/by broker - Nothing to do
return
# Check if an order has been completed
# Attention: broker could reject order if not enough cash
if order.status in [order.Completed]:
if order.isbuy():
self.log('BUY EXECUTED, %.2f' % order.executed.price)
elif order.issell():
self.log('SELL EXECUTED, %.2f' % order.executed.price)
self.bar_executed = len(self)
elif order.status in [order.Canceled, order.Margin, order.Rejected]:
self.log('Order Canceled/Margin/Rejected')
# Write down: no pending order
self.order = None
def next(self):
# Simply log the closing price of the series from the reference
self.log('Close, %.2f' % self.dataclose[0])
# Check if an order is pending ... if yes, we cannot send a 2nd one
if self.order:
return
# 检查是否在市场
if not self.position:
# 不在，那么连续3天价格下跌就买点
if self.dataclose[0] < self.dataclose[-1]:
# 当前价格比上一次低
if self.dataclose[-1] < self.dataclose[-2]:
# 上一次的价格比上上次低
# 买入!!!
self.log('BUY CREATE, %.2f' % self.dataclose[0])
# Keep track of the created order to avoid a 2nd order
self.order = self.buy()
else:
# 已经在市场，5天后就卖掉。
if len(self) >= (self.bar_executed + 5):#这里注意，Len(self)返回的是当前执行的bar数量，每次next会加1.而Self.bar_executed记录的最后一次交易执行时的bar位置。
# SELL, SELL, SELL!!! (with all possible default parameters)
self.log('SELL CREATE, %.2f' % self.dataclose[0])
# Keep track of the created order to avoid a 2nd order
self.order = self.sell()
执行结果：
Starting Portfolio Value: 100000.00
...(省略n行）
021-09-14, BUY CREATE, 129.79
2021-09-15, BUY EXECUTED, 129.79
2021-09-15, Close, 129.51
2021-09-16, Close, 128.52
2021-09-17, Close, 128.38
2021-09-22, Close, 127.26
2021-09-23, Close, 127.26
2021-09-24, Close, 127.11
2021-09-24, SELL CREATE, 127.11
2021-09-27, SELL EXECUTED, 127.11
2021-09-27, Close, 127.11
2021-09-28, Close, 127.26
2021-09-29, Close, 127.11
2021-09-30, Close, 126.83
2021-09-30, BUY CREATE, 126.83
Final Portfolio Value: 100042.80
从结果看，买了股票5天就卖了。啥，只赚了42块钱，会买的是徒弟，会卖的才是师父，看来真的不能瞎卖啊！
券商说，俺的钱呢？
券商说，你这里又买又卖的，我的佣金在哪儿？好的，咱们加上佣金，就0.1%吧，一行代码的事情：
# 0.1% ... 除以100去掉%号。
cerebro.broker.setcommission(commission=0.001)
下面我们看看佣金对收益的影响。
class TestStrategy(bt.Strategy):
def log(self, txt, dt=None):
''' Logging function fot this strategy'''
dt = dt or self.datas[0].datetime.date(0)
print('%s, %s' % (dt.isoformat(), txt))
def __init__(self):
# Keep a reference to the "close" line in the data[0] dataseries
self.dataclose = self.datas[0].close
# To keep track of pending orders and buy price/commission
self.order = None
self.buyprice = None
self.buycomm = None
def notify_order(self, order):
if order.status in [order.Submitted, order.Accepted]:
# Buy/Sell order submitted/accepted to/by broker - Nothing to do
return
# Check if an order has been completed
# Attention: broker could reject order if not enough cash
if order.status in [order.Completed]:
if order.isbuy():
self.log(
'BUY EXECUTED, Price: %.2f, Cost: %.2f, Comm %.2f' %
(order.executed.price,
order.executed.value,
order.executed.comm))
self.buyprice = order.executed.price
self.buycomm = order.executed.comm
else: # Sell
self.log('SELL EXECUTED, Price: %.2f, Cost: %.2f, Comm %.2f' %
(order.executed.price,
order.executed.value,
order.executed.comm))
self.bar_executed = len(self)
elif order.status in [order.Canceled, order.Margin, order.Rejected]:
self.log('Order Canceled/Margin/Rejected')
self.order = None
def notify_trade(self, trade):#交易执行后，在这里处理
if not trade.isclosed:
return
self.log('OPERATION PROFIT, GROSS %.2f, NET %.2f' %
(trade.pnl, trade.pnlcomm))#记录下盈利数据。
def next(self):
# Simply log the closing price of the series from the reference
self.log('Close, %.2f' % self.dataclose[0])
# Check if an order is pending ... if yes, we cannot send a 2nd one
if self.order:
return
# 检查是否在市场
if not self.position:
# 不在，那么连续3天价格下跌就买点
if self.dataclose[0] < self.dataclose[-1]:
# current close less than previous close
if self.dataclose[-1] < self.dataclose[-2]:
# previous close less than the previous close
# BUY, BUY, BUY!!! (with default parameters)
self.log('BUY CREATE, %.2f' % self.dataclose[0])
# Keep track of the created order to avoid a 2nd order
self.order = self.buy()
else:
# 已经在市场，5天后就卖掉。
if len(self) >= (self.bar_executed + 5):
# SELL, SELL, SELL!!! (with all possible default parameters)
self.log('SELL CREATE, %.2f' % self.dataclose[0])
# Keep track of the created order to avoid a 2nd order
self.order = self.sell()
if __name__ == '__main__':
cerebro = bt.Cerebro()
# 增加一个策略
cerebro.addstrategy(TestStrategy)
#获取数据
stock_hfq_df = pd.read_excel("./data/sh600000.xlsx",index_col='date',parse_dates=True)
start_date = datetime(2010, 9, 30) # 回测开始时间
end_date = datetime(2021, 9, 30) # 回测结束时间
data = bt.feeds.PandasData(dataname=stock_hfq_df, fromdate=start_date, todate=end_date) # 加载数据
cerebro.adddata(data) # 将数据传入回测系统
cerebro.broker.setcash(100000.0)
# 设置佣金0.1% ... 除以100去掉%号。
cerebro.broker.setcommission(commission=0.001)
print('Starting Portfolio Value: %.2f' % cerebro.broker.getvalue())
cerebro.run()
print('Final Portfolio Value: %.2f' % cerebro.broker.getvalue())
结果如下：
Starting Portfolio Value: 100000.00
...(省略n行）
2021-09-14, BUY CREATE, 129.79
2021-09-15, BUY EXECUTED, Price: 129.79, Cost: 129.79, Comm 0.13
2021-09-15, Close, 129.51
2021-09-16, Close, 128.52
2021-09-17, Close, 128.38
2021-09-22, Close, 127.26
2021-09-23, Close, 127.26
2021-09-24, Close, 127.11
2021-09-24, SELL CREATE, 127.11
2021-09-27, SELL EXECUTED, Price: 127.11, Cost: 129.79, Comm 0.13
2021-09-27, OPERATION PROFIT, GROSS -2.68, NET -2.94
2021-09-27, Close, 127.11
2021-09-28, Close, 127.26
2021-09-29, Close, 127.11
2021-09-30, Close, 126.83
2021-09-30, BUY CREATE, 126.83
Final Portfolio Value: 99992.00
晕菜，亏了，挣的钱都给券商了，所以啊，一定不要频繁交易。
同时，我们注意到，每次订单执行，都有一个操作盈利记录（Gross：毛利；Net:净利）：
2021-09-27, OPERATION PROFIT, GROSS -2.68, NET -2.94
如何给策略Strategy传递参数
策略这个东西，是高度可配置的，大脑想调整下策略，可以通过配置参数来设定，免得大量硬编码数据，后续难以修改。比如策略之前是过5天就卖，现在想改为过7天再卖，通过修改参数就可以做到。参数如何传递呢？也很简单：
params = (('myparam', 27), ('exitbars', 5),)
就是典型的python元组数据。
我们在创建策略的时候，大脑通过如下方法传递给策略实例：
# 加一个策略
cerebro.addstrategy(TestStrategy, myparam=20, exitbars=7)
那么卖出的 逻辑可以修改为：
if len(self) >= (self.bar_executed + self.params.exitbars):
之前我们每次只买1股，太少了，咱们中国一手最少100股，那咋整？可以通过如下代码设置(由于钱不够，先设置70股试试看：
cerebro.addsizer(bt.sizers.FixedSize, stake=70)
修改这两处之后，咱们再执行下看看（这个修改较简单，就不贴代码了）。
Starting Portfolio Value: 100000.00
...(省略n行）
2021-09-27, SELL EXECUTED, Price: 127.11, Cost: 9085.30, Comm 8.90
2021-09-27, OPERATION PROFIT, GROSS -187.60, NET -205.58
2021-09-27, Close, 127.11
2021-09-28, Close, 127.26
2021-09-29, Close, 127.11
2021-09-30, Close, 126.83
2021-09-30, BUY CREATE, 126.83
Final Portfolio Value: 99440.16
看如下，每次买了70股吧。
SELL EXECUTED, Price: 127.11, Cost: 9085.30, Comm 8.90
加一个指标（indicator）
大家投资的时候，经常听说这指标那指标的，没听说？那均线总听说过吧？咱们加个均线指标来指导我们的策略，毕竟连续两天下跌这个指标太土了，咱们要使用高大上的移动均线指标：
如果当前价格大于均线，就买买买。
如果低于均线，就卖卖卖。怎么听起来像追涨杀跌啊，看起来咱们的机器人像个韭菜。
为了简单起见，同时只能存在一次买卖。
修改也不大，在策略（Strategy）的初始化的时候，引用一个简单的移动平均指标，如下代码：
self.sma = bt.indicators.MovingAverageSimple(self.datas[0], period=self.params.maperiod)
Strategy代码如下，同时主程序暂时将佣金设置为0. 为了减少数据，对比查看sma的数据，说明一个重要的概念，暂时将回测时间修改为2020-9-30日。
# Create a Stratey
class TestStrategy(bt.Strategy):
params = (
('maperiod', 20),
)
def log(self, txt, dt=None):
''' Logging function fot this strategy'''
dt = dt or self.datas[0].datetime.date(0)
print('%s, %s' % (dt.isoformat(), txt))
def __init__(self):
# Keep a reference to the "close" line in the data[0] dataseries
self.dataclose = self.datas[0].close
# To keep track of pending orders and buy price/commission
self.order = None
self.buyprice = None
self.buycomm = None
# Add a MovingAverageSimple indicator
self.sma = bt.indicators.SimpleMovingAverage(
self.datas[0], period=self.params.maperiod)
def notify_order(self, order):
if order.status in [order.Submitted, order.Accepted]:
# Buy/Sell order submitted/accepted to/by broker - Nothing to do
return
# Check if an order has been completed
# Attention: broker could reject order if not enough cash
if order.status in [order.Completed]:
if order.isbuy():
self.log(
'BUY EXECUTED, Price: %.2f, Cost: %.2f, Comm %.2f' %
(order.executed.price,
order.executed.value,
order.executed.comm))
self.buyprice = order.executed.price
self.buycomm = order.executed.comm
else: # Sell
self.log('SELL EXECUTED, Price: %.2f, Cost: %.2f, Comm %.2f' %
(order.executed.price,
order.executed.value,
order.executed.comm))
self.bar_executed = len(self)
elif order.status in [order.Canceled, order.Margin, order.Rejected]:
self.log('Order Canceled/Margin/Rejected')
self.order = None
def notify_trade(self, trade):
if not trade.isclosed:
return
self.log('OPERATION PROFIT, GROSS %.2f, NET %.2f' %
(trade.pnl, trade.pnlcomm))
def next(self):
# Simply log the closing price of the series from the reference
self.log('Close, %.2f' % self.dataclose[0])
# Check if an order is pending ... if yes, we cannot send a 2nd one
if self.order:
return
# Check if we are in the market
if not self.position:
# 大于均线就买
if self.dataclose[0] > self.sma[0]:
# BUY, BUY, BUY!!! (with all possible default parameters)
self.log('BUY CREATE, %.2f' % self.dataclose[0])
# Keep track of the created order to avoid a 2nd order
self.order = self.buy()
else:
if self.dataclose[0] < self.sma[0]:
# 小于均线卖卖卖！
self.log('SELL CREATE, %.2f' % self.dataclose[0])
# Keep track of the created order to avoid a 2nd order
self.order = self.sell()
if __name__ == '__main__':
cerebro = bt.Cerebro()
# 增加一个策略
cerebro.addstrategy(TestStrategy)
#获取数据
stock_hfq_df = pd.read_excel("./data/sh600000.xlsx",index_col='date',parse_dates=True)
start_date = datetime(2020, 9, 30) # 回测开始时间
end_date = datetime(2021, 9, 30) # 回测结束时间
data = bt.feeds.PandasData(dataname=stock_hfq_df, fromdate=start_date, todate=end_date) # 加载数据
cerebro.adddata(data) # 将数据传入回测系统
cerebro.broker.setcash(100000.0)
# Set the commission - 0.1% ... divide by 100 to remove the %
cerebro.broker.setcommission(commission=0)
# Add a FixedSize sizer according to the stake 每次买卖的股数量
cerebro.addsizer(bt.sizers.FixedSize, stake=70)
print('Starting Portfolio Value: %.2f' % cerebro.broker.getvalue())
cerebro.run()
print('Final Portfolio Value: %.2f' % cerebro.broker.getvalue())
执行下，看看：
Starting Portfolio Value: 100000.00
2020-11-04, Close, 125.30
2020-11-05, Close, 125.57
2020-11-06, Close, 125.97
2020-11-09, Close, 126.51
2020-11-10, Close, 126.91
2020-11-11, Close, 128.25
2020-11-11, BUY CREATE, 128.25
2020-11-12, BUY EXECUTED, Price: 127.71, Cost: 8939.70, Comm 0.00
...(省略n行）
2021-09-29, Close, 127.11
2021-09-30, Close, 126.83
Final Portfolio Value: 99648.60
哎，亏了，还不如追涨杀跌呢！不过，咱们是学习如何使用Backtrader来验证策略，重要是学习，亏就亏了吧。
眼尖的你可能看到了，咱们回测时间是2020-9-30日，为啥系统从2020-11-04开始测试？
这是因为sma（移动平均）的参数为20，也就是要20bar（本例中一个bar就是一天）的数据才能计算，1到19天没数据，可以看下sma的数据：
从第20天开始（20个工作日之后就是11月14日）才有数据，而strategy的next在所有line（本例中，有两个line，一个是open价格，一个是sma）都有有效的时候，才会进行策略的处理。这个例子中，只有一个指标（indicator），实际上可以加随便多少个，来实现复杂的策略，后续再详细讨论。
另外，注意一点，backtrader中对数据的处理是向下取两位小数。
可视化-画图
前面执行程序，每一步都输出文字描述，这个看起来实在不友好，于是Backtrader提供了画图功能。
画图使用的是matplotlib库，前面描述过，必须安装特定版本，不然就有问题。
实现画图，也很简单，加一行代码：
cerebro.plot()
放到cerebro.run()之后就可以了，这里不贴代码了，执行试试看：
神奇不？一张图可以看出所有：
收盘价和移动平均线。
盈利图；
买卖点；
买卖盈利还是亏损。
成交量。
你以为只能这么点，为了展示咱们强大的画图能力，再加点指标来自动画图显示：
指数移动平均线
权重移动平均线
随机指标
MACD
RSI
RSI的简单移动平均
ATR。这个不画图，展示如何控制Line是否参与画图。
这些指标先自行百度，以后涉及到咱们的策略的时候再介绍。
实现的时候，就是在Strategy初始化的时候，加上如下代码：
# 新加指标用于画图
bt.indicators.ExponentialMovingAverage(self.datas[0], period=25)
bt.indicators.WeightedMovingAverage(self.datas[0], period=25).subplot = True
bt.indicators.StochasticSlow(self.datas[0])
bt.indicators.MACDHisto(self.datas[0])
rsi = bt.indicators.RSI(self.datas[0])
bt.indicators.SmoothedMovingAverage(rsi, period=10)
bt.indicators.ATR(self.datas[0]).plot = False
整个Strategy代码如下：
class TestStrategy(bt.Strategy):
params = (
('maperiod', 15),
)
def log(self, txt, dt=None):
''' 记录'''
dt = dt or self.datas[0].datetime.date(0)
print('%s, %s' % (dt.isoformat(), txt))
def __init__(self):
# Keep a reference to the "close" line in the data[0] dataseries
self.dataclose = self.datas[0].close
# To keep track of pending orders and buy price/commission
self.order = None
self.buyprice = None
self.buycomm = None
# 增加移动平均指标
self.sma = bt.indicators.SimpleMovingAverage(
self.datas[0], period=self.params.maperiod)
# 增加划线的指标
bt.indicators.ExponentialMovingAverage(self.datas[0], period=25)
bt.indicators.WeightedMovingAverage(self.datas[0], period=25,
subplot=True)
bt.indicators.StochasticSlow(self.datas[0])
bt.indicators.MACDHisto(self.datas[0])
rsi = bt.indicators.RSI(self.datas[0])
bt.indicators.SmoothedMovingAverage(rsi, period=10)
bt.indicators.ATR(self.datas[0], plot=False)
def notify_order(self, order):
if order.status in [order.Submitted, order.Accepted]:
# Buy/Sell order submitted/accepted to/by broker - Nothing to do
return
# Check if an order has been completed
# Attention: broker could reject order if not enough cash
if order.status in [order.Completed]:
if order.isbuy():
self.log(
'BUY EXECUTED, Price: %.2f, Cost: %.2f, Comm %.2f' %
(order.executed.price,
order.executed.value,
order.executed.comm))
self.buyprice = order.executed.price
self.buycomm = order.executed.comm
else: # Sell
self.log('SELL EXECUTED, Price: %.2f, Cost: %.2f, Comm %.2f' %
(order.executed.price,
order.executed.value,
order.executed.comm))
self.bar_executed = len(self)
elif order.status in [order.Canceled, order.Margin, order.Rejected]:
self.log('Order Canceled/Margin/Rejected')
# Write down: no pending order
self.order = None
def notify_trade(self, trade):
if not trade.isclosed:
return
self.log('OPERATION PROFIT, GROSS %.2f, NET %.2f' %
(trade.pnl, trade.pnlcomm))
def next(self):
# Simply log the closing price of the series from the reference
self.log('Close, %.2f' % self.dataclose[0])
# Check if an order is pending ... if yes, we cannot send a 2nd one
if self.order:
return
# Check if we are in the market
if not self.position:
# Not yet ... we MIGHT BUY if ...
if self.dataclose[0] > self.sma[0]:
# BUY, BUY, BUY!!! (with all possible default parameters)
self.log('BUY CREATE, %.2f' % self.dataclose[0])
# Keep track of the created order to avoid a 2nd order
self.order = self.buy()
else:
if self.dataclose[0] < self.sma[0]:
# SELL, SELL, SELL!!! (with all possible default parameters)
self.log('SELL CREATE, %.2f' % self.dataclose[0])
# Keep track of the created order to avoid a 2nd order
self.order = self.sell()
看看效果：
看起来还不错。不过实话说，整个图还是挺丑的，后面优化下。
再来点优化
也许你要问了，为啥咱们用20天的移动平均呢？用15天行不行？其实对于同的股票，这个值还可能不同。backtrader的神奇来了，咱们可以对策略进行对比。
具体的实现方法：
首先在大脑（cerebro）调用addstrategy的时候只传入一个策略，而是调用optstrategy传入多个参数。参见如下主代码，策略不变：
if __name__ == '__main__':
cerebro = bt.Cerebro()
# 增加多参数的策略
strats = cerebro.optstrategy(
TestStrategy,
maperiod=range(10, 31))
#获取数据
stock_hfq_df = pd.read_excel("./data/sh600000.xlsx",index_col='date',parse_dates=True)
start_date = datetime(2020, 9, 30) # 回测开始时间
end_date = datetime(2021, 9, 30) # 回测结束时间
data = bt.feeds.PandasData(dataname=stock_hfq_df, fromdate=start_date, todate=end_date) # 加载数据
cerebro.adddata(data) # 将数据传入回测系统
cerebro.broker.setcash(100000.0)
# Set the commission - 0.1% ... divide by 100 to remove the %
cerebro.broker.setcommission(commission=0)
# Add a FixedSize sizer according to the stake 每次买卖的股数量
cerebro.addsizer(bt.sizers.FixedSize, stake=70)
print('Starting Portfolio Value: %.2f' % cerebro.broker.getvalue())
cerebro.run()
print('Final Portfolio Value: %.2f' % cerebro.broker.getvalue())
其次，在Strategy增加stop方法，该方法在每个strategy完成之后调用，也就是在所有数据处理完成之后再调用。该函数会打印每次策略执行后最终还剩多少钱。
2021-09-30, (MA Period 10) Ending Value 99330.80
2021-09-30, (MA Period 12) Ending Value 103441.20
2021-09-30, (MA Period 11) Ending Value 100841.40
2021-09-30, (MA Period 13) Ending Value 102013.20
2021-09-30, (MA Period 14) Ending Value 103860.50
2021-09-30, (MA Period 17) Ending Value 103322.20
2021-09-30, (MA Period 15) Ending Value 105178.60
2021-09-30, (MA Period 16) Ending Value 104009.60
2021-09-30, (MA Period 20) Ending Value 103149.30
2021-09-30, (MA Period 19) Ending Value 104309.20
2021-09-30, (MA Period 18) Ending Value 103423.00
2021-09-30, (MA Period 21) Ending Value 102899.40
2021-09-30, (MA Period 24) Ending Value 104294.50
2021-09-30, (MA Period 22) Ending Value 103868.20
2021-09-30, (MA Period 25) Ending Value 103544.80
2021-09-30, (MA Period 23) Ending Value 103264.10
2021-09-30, (MA Period 26) Ending Value 102888.20
2021-09-30, (MA Period 27) Ending Value 102410.10
2021-09-30, (MA Period 28) Ending Value 101978.20
2021-09-30, (MA Period 29) Ending Value 102212.70
2021-09-30, (MA Period 30) Ending Value 101871.10
从以上图中可以看出：
除了10天平均，其他都是盈利的。其中15天平均值，盈利最多。这些信息都可以作为策略的参数调优使用。
3.3总结
咱们一步一步从最原始的啥也不能做的机器人大脑，慢慢进化成能根据输入的股票数据，采用不同的策略来挣钱的成熟大脑，还能把执行过程可视化，实在是一个合格的投资者了。
后面咱们还可以：
1、自定义的指标
2、更好地管理资金；
3、详细的投资收益信息
...
所有这一切，都需要我们取挖掘，后续我们一起继续学习，掌握好Backtrader之后，就可以实现咱们自己的投资策略。
————————————————
版权声明：本文为CSDN博主「仓鼠大王」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/h00cker/article/details/120911268
标签：%.,入门,Backtrader,手把手,self,09,2f,Close,order 来源： https://www.cnblogs.com/5x19/p/16355031.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。