搭建量化系统|听说有个回测框架叫backtrader

backtrader属于功能相对完善的本地版Python量化回测框架。既然业界好评如云，我们作为量化交易者理应集所有好用的工具于一身，就让我们来体验一下这个框架。

backtrader的使用方法在官方文档上介绍的挺详细的。大体分为两步：

• 创建一个策略，创建一个策略类，这个类要继承自backtrader.Strategy，然后就可以自定义里面的方法。
• 策略类中有一个类属性params，用于定义一些在策略中可调参数值
• backtrader.indicators内置了许多指标的计算方法，比如移动平均线、MACD、RSI等等，使用时只需要实例化策略中会使用到的技术指标即可
• next函数中编写交易策略，也就是进入市场和退出市场的逻辑
• 创建一个策略决策引擎（原文是Cerebro，这里我用决策这个词）
• 把定义的策略注入到决策引擎之中
• 把行情数据注入到决策引擎之中
• 可视化方式反馈回测结果

以上是框架中核心的部分，当然了，其他还有很多可扩展的功能。

backtrader的数据加载非常灵活，此处我们使用DataFrame格式数据，如下所示：

"""
             High    Low   Open  Close     Volume  OpenInterest
trade_date                                                     
2017-01-03   8.12   8.07   8.07   8.12  179801.01             0
2017-01-04   8.16   8.09   8.13   8.15  166242.35             0
2017-01-05   8.23   8.13   8.15   8.17  222902.53             0
2017-01-06   8.19   8.12   8.18   8.13  128549.96             0
2017-01-09   8.15   8.08   8.13   8.13  136700.04             0
"""

构建策略的类是继承backtrader.Strategy，然后根据自己的需要重写其中的方法即可。比如__init__、log、notify_order、notify_trade、next等等。

关于策略中的指标，backtrader内置了很多类型，直接调用即可。比如移动平均线：

self.sma = bt.indicators.SimpleMovingAverage(
              self.datas[0], period=self.params.maperiod)

由于内置了talib模块，也可以这么调用：

# 内置了talib模块
self.sma = bt.talib.SMA(self.data,
         timeperiod=self.params.maperiod)

next方法中，我们实现一个简单的双均线策略作为交易的逻辑。比如买入条件是MA5上穿MA10；卖出条件是MA10下穿MA5。

关于策略回测，把数据和策略添加到Cerebro中之外，还有设置一些参数。比如broker的设置，像初始资金、交易佣金。也可以用addsizer设定每次交易买入的股数。

回测结束后返回得到执行交易策略时积累的总资金。此处我们回测的是新希望 2017年1月1日到2020年1月1日期间的策略执行效果，最终资金从10000变成了15941.95。

由于backtrader内置了Matplotlib，因此我们也可以可视化回测的效果，如下所示：

总的来说，对于刚进阶的朋友来说是足够使用了，那么无法满足高阶玩家的需求怎么办呢？可以继承框架自己扩展。

关于以上内容更多的探讨欢迎大家关注【元宵大师带你用Python量化交易】！！