backtrader是基于Python的量化回测框架，功能丰富，操作方便。其优点是运行速度快，支持pandas的矢量运算；内置多种技术指标计算，还支持股票分析技术指标库talib；支持参数自动寻优运算；支持多品种（股票、期货、期权、外汇和数字货币）、多策略、多周期（Ticks、秒、分、日、周、月和年）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。
一、安装
pip install backtrader
官网：Backtrader
安装需求：
Python 2.7
Python 3.2 / 3.3/ 3.4 / 3.5
pypy/pypy3
绘图需要用到Matplotlib，最新版本建议>=1.4.1。
包引用：import backtrader as bt
二、backtrader功能
backtrader包主要包括：框架（Cerebro）、数据加载（Data Feed）、交易策略（Strategies）、技术指标（Indicators）、订单（Orders）、观察者（Observers）、测量评估（Analyzers）、订单（Orders）、经纪人（Broker）、实盘交易（Live Trading）、结果可视化（Plotting）等部分
整体结构如下图所示：
下面对其中的关键部分进行详细说明。
1.数据类型
backtrader回测的数据类型是由一系列的点组成的Lines，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（未平仓权益）。Data Feeds（数据加载）、Indicators（技术指标）和Strategies（策略）都会生成 Lines。价格数据中的所有的开盘价按时间组成一条 Line，因此一组含有以上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。
一条Line数据的下标为0表示访问当前时刻数据，-1表示访问最后一个数据。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。
2.交易策略（Strategy）
该模块是回测系统最核心的部分，需要设计交易决策，得出买入/卖出信号。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，用于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，用于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，在其中声明的任何指标都会在next()方法调用之前进行计算。部分python操作符不支持，需要使用bt内置函数来处理，例如bt.And, bt.Or, bt.All, bt.Any等。
（4）notify_order，可选，用于跟踪交易订单（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，用于跟踪交易的状态，任何已平仓的交易都将报告毛利和净利润。
（6）next，必选，用于制定交易策略的函数，策略模块最核心的部分。
3.技术指标（Indicators）
实际上，策略的构建都需要指标来实现，该部分包括很多已经实现的指标，下面是一些比较常用的指标：
Average：指定周期的算术平均值。
SimpleMovingAverage(SMA)：简单移动平均
WeightedAverage：加权移动平均
MACD：滑动平均
ExponentialMovingAverage(EMA)：指数移动平均
RSI_SMA/RSI_EMA：
BollingerBands(BOLL)：布林线
DoubleExponentialMovingAverage(DEMA)：双指数移动平均
WilliamsR(WR)：威廉指标
在指标中也集成了TA-Lib库，实际使用中发现无法正常调用，不知道是不是跟我没有安装该库有关。另外，还可以通过继承Indicator或其它已存在的指标类来实现自定义指标，方便用户加入自己开发的指标。
# 继承自bt.Indicator或其他已存在的指标类
class DummyInd(bt.Indicator):
# 定义持有的lines，至少需要1个line
lines = ('dummyline',)
# params参数可选
params = (('value', 5),)
# plotinfo可选，用来控制绘图行为
plotinfo = dict(subplot=False)
# __init__方法或next方法必选
def __init__(self):
self.lines.dummyline = bt.Max(0.0, self.params.value)4.订单（Orders）
将策略中逻辑做出的决策转换为适合经纪人执行操作的消息，通常在交易策略中调用。
5.经纪人（Broker）
通过设置回测的初始自己、佣金费率、税收费率、滑点率等交易条件，模拟不同的订单类型，并根据现金检查订单，计算每次交易的现金和权益，保存交易数据。
6.策略评估（Analyzers）
用于分析交易策略的利润和风险，分析交易系统的绩效。
7.实盘交易（Live Trading）
从1.5.0开始支持实盘数据和实时交易。具体请参考：Live Trading。
8.观察者（Observers）
用于记录交易过程，包括现金、权益、费用以及交易动作、买卖订单等数据。
9.结果可视化（Plotting）
通过图形的方式显示交易测量回测的结果，绘图显示的结果包括三部分类型：现金及权益、交易损益、买卖动作。
绘图设置通过plotinfo来设置，其参数主要有：plot(是否绘图，默认为True)，subplot(是否单独窗口绘图，默认为True，MA类指标该参数为False)，plotname(指标图名，默认为指标类名)，plotabove(绘图位置在数据上方，默认为False)，plotlinelabels， plotymargin， plotyticks，plothlines， plotyhlines， plotforce。
注意：由于技术指标的不同，可视化结果中所包含的数据可能不同，因此需要根据技术指标来选择其所支持的参数进行设置。
三、系统流程
在backtrader内部通过对数据和指标的处理执行策略，并记录所有的交易过程和数据输出给用户。
backtrader的入口为Cerebro类，该类将所有输入(Data Feeds)、执行 (Stratgegies)、观察者(Observers)、评价(Analyzers) 和文档 (Writers)整合起来，实现回测以及交易，并返回结果和图表。
（1）创建实例
cerebro = bt.Cerebro() # 创建回测系统实例（2）关联输入数据
cerebro.adddata(data) # 将数据加载至回测系统（3）关联交易策略
cerebro.addstrategy(BollStrategy,nk=14,m=2,printlog=True)（4）关联其他可选功能
addwriter()：指定交易过程和数据保存的方式。
addanalyzer()：增加策略评估。
addobserver()：增加观察者。
addobservermulti()
（5）指定经纪人
broker = MyBroker()
cerebro.broker = broker可以根据不同类型的交易对象设置经纪人模型。
（6）接收消息
接收回测消息有三种方式：在Cerebro类的实例中通过addnotifycallback(callback)增加回调函数、在Strategy子类中重载notify_store()方法、继承Cerebro类并重载notify_store()方法
（7）执行回测并返回结果
result=cerebro.run(maxcpus=1)（8）记录交易信息
这个功能是通过观察者（Observers）实现，有三种类型：
经纪人观察者（Broker）保存现金和权益信息。交易观察者（Trades）记录交易的有效性。买卖观察者（Buy/Sell）记录所有交易执行的操。
（9）绘图显示
cerebro.plot()绘图显示底层实际上是调用Matplotlib包实现的。
四、使用示例
下面以BOLL线指标为例，展示backtrader中策略的编写以及整个回测的流程。BOLL线指标的详细介绍可参考文章《BOLL指标计算》，本次回测采用的简易BOLL策略如下：
（1）当收盘价下跌跌破BOLL线通道下轨卖出；
（2）当收盘价上涨突破BOLL线通道上轨卖出。
本次将测试中采用招商银行的前复权日K线数据，将BOLL线的周期N设为13，倍数因子为默认值，并在交易回测中加入了交易过程打印功能。
示例代码如下：
from datetime import datetime
import akshare as ak
import pandas as pd
import backtrader as bt
class BollStrategy(bt.Strategy): #BOLL策略程序
params = (("nk", 13), #求均值的天数
('printlog', False),) #打印log
def __init__(self): #初始化
self.data_close = self.datas[0].close # 指定价格序列
# 初始化交易指令、买卖价格和手续费
self.order = None
self.buy_price = None
self.buy_comm = None
#Boll指标计算
self.top=bt.indicators.BollingerBands(self.datas[0],period=self.params.nk).top
self.bot=bt.indicators.BollingerBands(self.datas[0],period=self.params.nk).bot
# 添加移动均线指标
self.sma = bt.indicators.SimpleMovingAverage(
self.datas[0], period=self.params.nk )
def next(self): #买卖策略
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
if self.data_close[0] > self.sma[0]: # 执行买入条件判断：收盘价格上涨突破20日均线
self.order = self.buy(size=100) # 执行买入
else:
if self.data_close[0] < self.sma[0]: # 执行卖出条件判断：收盘价格跌破20日均线
self.order = self.sell(size=100) # 执行卖出
"""
if not self.position: # 没有持仓
if self.data_close[0] < self.bot[0]: # 收盘价格跌破下轨
self.log("BUY CREATE, %.2f" % self.data_close[0])
self.order = self.buy() #执行买入
else:
if self.data_close[0] > self.top[0]: # 收盘价格上涨突破上轨
self.log("SELL CREATE, %.2f" % self.data_close[0])
self.order = self.sell() #执行卖出
def log(self, txt, dt=None, do_print=False): #日志函数
if self.params.printlog or do_print:
dt = dt or self.datas[0].datetime.date(0)
print('%s, %s' % (dt.isoformat(), txt))
def notify_order(self, order): #记录交易执行情况
# 如果order为submitted/accepted,返回空
if order.status in [order.Submitted, order.Accepted]:
return
# 指令为buy/sell,报告价格结果
if order.status in [order.Completed]:
if order.isbuy():
self.log(
f"买入:\n价格:{order.executed.price},\
成本:{order.executed.value},\
手续费:{order.executed.comm}"
)
self.buyprice = order.executed.price
self.buycomm = order.executed.comm
else:
self.log(
f"卖出:\n价格：{order.executed.price},\
成本: {order.executed.value},\
手续费{order.executed.comm}"
)
self.bar_executed = len(self)
elif order.status in [order.Canceled, order.Margin, order.Rejected]:
self.log("交易失败") #指令取消/交易失败, 报告结果
self.order = None
def notify_trade(self, trade): #记录交易收益情况
if not trade.isclosed:
return
self.log(f"策略收益：\n毛收益 {trade.pnl:.2f}, 净收益 {trade.pnlcomm:.2f}")
def stop(self): #回测结束后输出结果
self.log("(BOLL线： %2d日) 期末总资金 %.2f" % (self.params.nk, self.broker.getvalue()), do_print=True)
code="600036" #股票代码
start_cash=1000000 #初始自己为1000000
stake=100 #单次交易数量为1手
commfee=0.0005 #佣金为万5
sdate='20210101' #回测时间段
edate='20220930'
cerebro = bt.Cerebro() # 创建回测系统实例
# 利用AKShare获取股票的前复权数据的前6列
df_qfq = ak.stock_zh_a_hist(symbol=code, adjust="qfq", start_date=sdate, end_date=edate).iloc[:, :6]
# 处理字段命名，以符合Backtrader的要求
df_qfq.columns = ['date','open','close','high','low','volume',]
# 把date作为日期索引，以符合Backtrader的要求
df_qfq.index = pd.to_datetime(df_qfq['date'])
start_date = datetime.strptime(sdate,"%Y%m%d") #转换日期格式
end_date = datetime.strptime(edate,"%Y%m%d")
#start_date=datetime(2022,1,4)
#end_date=datetime(2022,9,16)
data = bt.feeds.PandasData(dataname=df_qfq, fromdate=start_date, todate=end_date) #规范化数据格式
cerebro.adddata(data) #加载数据
cerebro.addstrategy(BollStrategy,nk=13,printlog=True) #加载交易策略
cerebro.broker.setcash(start_cash) # broker设置资金
cerebro.broker.setcommission(commission=commfee) # broker手续费
cerebro.addsizer(bt.sizers.FixedSize, stake=stake) # 设置买入数量
print("期初总资金: %.2f" % start_cash)
cerebro.run() #运行回测
end_value=cerebro.broker.getvalue() # 获取回测结束后的总资金
print("期末总资金: %.2f" % end_value)
cerebro.plot()注意：
1.backtrader的输入数据需要遵循其标准。对于pandas的标准就是这些列的名字是open、close、high、low、volume。
2.backtrader要求pandas下的DataFrame的index是时间，所以设置要将date设置为索引。
3.backtrader的回测日期参数类型为datetime。
结果和交易记录如下图所示：
以上只是对的一个简单BOLL策略进行了回测演示，只是回测中万里长征的第一步。实际使用中还需要做大量的测试工作，例如不同交易费率、不同时间段、不同头寸大小等进行测试，加入止损和止盈等等，最后还要根据结果来修改交易策略。
-----------------------------------
原创不易，请多支持！
473
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
