量化回测：backtrader
backtrader简介
backtrader是基于Python的量化回测框架，优点是运行速度快，支持pandas的矢量运算；支持参数自动寻优运算，内置了talib股票分析技术指标库；支持多品种、多策略、多周期的回测和交易；支持pyflio、empyrica分析模块库、alphalens多因子分析模块库等；扩展灵活，可以集成TensorFlow、PyTorch和Keras等机器学习、神经网络分析模块。
如果将backtrader包分解为核心组件，主要包括以下组成部分：
（1）数据加载（Data Feed）：将交易策略的数据加载到回测框架中。
（2）交易策略（Strategy）：该模块是编程过程中最复杂的部分，需要设计交易决策，得出买入/卖出信号。
（3）回测框架设置（ Cerebro）：需要设置（i）初始资金（ii）佣金（iii）数据馈送（iv）交易策略（v）交易头寸大小。
（4）运行回测：运行Cerebro回测并打印出所有已执行的交易。
（5）评估性能（Analyzers）:以图形和风险收益等指标对交易策略的回测结果进行评价。
“Lines”是backtrader回测的数据，由一系列的点组成，通常包括以下类别的数据：Open（开盘价）, High（最高价）, Low（最低价）, Close（收盘价）, Volume（成交量）, OpenInterest（无的话设置为0）。Data Feeds（数据加载）、Indicators（技术指标）和Strategies（策略）都会生成 Lines。价格数据中的所有”Open” (开盘价)按时间组成一条 Line。所以，一组含有以上6个类别的价格数据，共有6条 Lines。如果算上“DateTime”（时间，可以看作是一组数据的主键），一共有7条 Lines。当访问一条 Line 的数据时，会默认指向下标为 0 的数据。最后一个数据通过下标 -1 来访问，在-1之后是索引0，用于访问当前时刻。因此，在回测过程中，无需知道已经处理了多少条/分钟/天/月，”0”一直指向当前值，下标 -1 来访问最后一个值。
编写回测应用
构建策略（Strategy）
每一个策略都是一个类，是一个继承bt.Strategy类的父类。
策略类代码包含重要的参数和用于执行策略的功能，要定义的参数或函数名如下：
（1）params-全局参数，可选：更改交易策略中变量/参数的值，可用于参数调优。
（2）log：日志，可选：记录策略的执行日志，可以打印出该函数提供的日期时间和txt变量。
（3） __init__：用于初始化交易策略的类实例的代码。
（4）notify_order，可选：跟踪交易指令（order）的状态。order具有提交，接受，买入/卖出执行和价格，已取消/拒绝等状态。
（5）notify_trade，可选：跟踪交易的状态，任何已平仓的交易都将报告毛利和净利润。
（6）next，必选：制定交易策略的函数，策略模块最核心的部分。
下面以一个简单的单均线策略为例，展示backtrader策略的编写过程，即当收盘价上涨突破20日均线买入（做多），当收盘价下跌跌穿20日均线卖出（做空）。为简单起见，不报告交易回测的日志，因此log、notify_order和notify_trade函数省略不写。
class my_strategy1(bt.Strategy): #全局设定交易策略的参数 params=( ('maperiod',20), ) def __init__(self): #指定价格序列 self.dataclose=self.datas[0].close # 初始化交易指令、买卖价格和手续费 self.order = None self.buyprice = None self.buycomm = None #添加移动均线指标，内置了talib模块 self.sma = bt.indicators.SimpleMovingAverage( self.datas[0], period=self.params.maperiod) def next(self): if self.order: # 检查是否有指令等待执行, return # 检查是否持仓 if not self.position: # 没有持仓 #执行买入条件判断：收盘价格上涨突破20日均线 if self.dataclose[0] > self.sma[0]: #执行买入 self.order = self.buy(size=500) else: #执行卖出条件判断：收盘价格跌破20日均线 if self.dataclose[0] < self.sma[0]: #执行卖出 self.order = self.sell(size=500)
self.dataclose[0] # 当日的收盘价 self.dataclose[-1] # 昨天的收盘价 self.dataclose[-2] # 前天的收盘价
获取数据加载数据
#使用tushare旧版接口获取数据 import tushare as ts def get_data(code,start='2010-01-01',end='2020-03-31'): df=ts.get_k_data(code,autype='qfq',start=start,end=end) df.index=pd.to_datetime(df.date) df['openinterest']=0 df=df[['open','high','low','close','volume','openinterest']] return df dataframe=get_data('600000') #回测期间 start=datetime(2010, 3, 31) end=datetime(2020, 3, 31) # 加载数据 data = bt.feeds.PandasData(dataname=dataframe,fromdate=start,todate=end)
这里需要注意backtrader对每种数据的来源都有一定的标准。backtrader对于pandas的标准就是这些列的名字是open，close，high，low，volume，openinterest。
我们通过ts获取数据的列为：open close high low volume code，我们还需要在此基础上添加一列openinterest，我们这里没有用到openinterest，所以把它设置为零就可以了：df['openinterest']=0。
另外backtrader要求pandas下的DataFeed、DataFrame的index是时间，所以设置：df.index=pd.to_datetime(df.date)
最后：df=df[['open','high','low','close','volume','openinterest']]
创建并设置模型
#回测期间 start=datetime(2010, 3, 31) end=datetime(2020, 3, 31) # 加载数据 data = bt.feeds.PandasData(dataname=dataframe,fromdate=start,todate=end) # 初始化cerebro回测系统设置 cerebro = bt.Cerebro() #将数据传入回测系统 cerebro.adddata(data) # 将交易策略加载到回测系统中 cerebro.addstrategy(my_strategy1) # 设置初始资本为10,0000 startcash = 100000 cerebro.broker.setcash(startcash) # 设置交易手续费为 0.2% cerebro.broker.setcommission(commission=0.002)
执行回测并可视化
d1=start.strftime('%Y%m%d') d2=end.strftime('%Y%m%d') print(f'初始资金: {startcash}\n回测期间：{d1}:{d2}') #运行回测系统 cerebro.run() #获取回测结束后的总资金 portvalue = cerebro.broker.getvalue() pnl = portvalue - startcash #打印结果 print(f'总资金: {round(portvalue,2)}') cerebro.plot()
源码
# -*- coding:utf-8 -*- #正常显示画图时出现的中文和负号 from pylab import mpl mpl.rcParams['font.sans-serif']=['SimHei'] import pandas as pd from datetime import datetime import backtrader as bt import tushare as ts #策略 class my_strategy1(bt.Strategy): #全局设定交易策略的参数 params=( ('maperiod',20), ) def __init__(self): #指定价格序列 self.dataclose=self.datas[0].close # 初始化交易指令、买卖价格和手续费 self.order = None self.buyprice = None self.buycomm = None #添加移动均线指标，内置了talib模块 self.sma = bt.indicators.SimpleMovingAverage( self.datas[0], period=self.params.maperiod) def next(self): if self.order: # 检查是否有指令等待执行, return # 检查是否持仓 if not self.position: # 没有持仓 #执行买入条件判断：收盘价格上涨突破20日均线 if self.dataclose[0] > self.sma[0]: #执行买入 self.order = self.buy(size=500) else: #执行卖出条件判断：收盘价格跌破20日均线 if self.dataclose[0] < self.sma[0]: #执行卖出 self.order = self.sell(size=500) def get_data(code,start='2010-01-01',end='2020-03-31'): df=ts.get_k_data(code,autype='qfq',start=start,end=end) #获取的数据格式： open close high low volume code #将date变成DataFrame的index df.index=pd.to_datetime(df.date) df['openinterest']=0 df=df[['open','high','low','close','volume','openinterest']] return df if __name__ == "__main__": #获取数据 dataframe=get_data('600000') #回测期间 start=datetime(2010, 3, 31) end=datetime(2020, 3, 31) # 加载数据 data = bt.feeds.PandasData(dataname=dataframe,fromdate=start,todate=end) # 初始化cerebro回测系统设置 cerebro = bt.Cerebro() #将数据传入回测系统 cerebro.adddata(data) # 将交易策略加载到回测系统中 cerebro.addstrategy(my_strategy1) # 设置初始资本为10,000 startcash = 100000 cerebro.broker.setcash(startcash) # 设置交易手续费为 0.2% cerebro.broker.setcommission(commission=0.002) d1=start.strftime('%Y%m%d') d2=end.strftime('%Y%m%d') print(f'初始资金: {startcash}\n回测期间：{d1}:{d2}') #运行回测系统 cerebro.run() #获取回测结束后的总资金 portvalue = cerebro.broker.getvalue() pnl = portvalue - startcash #打印结果 print(f'总资金: {round(portvalue,2)}') cerebro.plot()
backtrader官方文档：
https://www.backtrader.com/docu/
refer：
https://zhuanlan.zhihu.com/p/122183963
