Python量化交易学习笔记（11）——第一个策略回测程序v9

v9主要介绍如何引入技术指标数据，通过引入技术指标来添加新的策略。在程序中，引入了移动平均值这一技术指标：

• 当收盘价大于移动平均值时买入
• 如果在场内，当收盘价小于移动平均值时卖出
• 只允许单笔交易，即如果场内目前已经有买入资产，不允许再次买入

之前版本的大部分代码可以继续保留，只需策略init方法内添加下列代码：

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

程序v9-添加技术指标：

from __future__ import (absolute_import, division, print_function,
                        unicode_literals)
import datetime  # 用于datetime对象操作
import os.path  # 用于管理路径
import sys  # 用于在argvTo[0]中找到脚本名称
import backtrader as bt # 引入backtrader框架

# 创建策略
class TestStrategy(bt.Strategy):
    params = (
        ('maperiod', 15),
    )
    def log(self, txt, dt=None):
        ''' 策略的日志函数'''
        dt = dt or self.datas[0].datetime.date(0)
        print('%s, %s' % (dt.isoformat(), txt))
    def __init__(self):
        # 引用data[0]数据的收盘价数据
        self.dataclose = self.datas[0].close
        # 用于记录订单状态
        self.order = None
        self.buyprice = None
        self.buycomm = None
        # 添加MovingAverageSimple指标
        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]:
            # 提交给代理或者由代理接收的买/卖订单 - 不做操作
            return
        # 检查订单是否执行完毕
        # 注意：如果没有足够资金，代理会拒绝订单
        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: # 卖
                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')
        # 无等待处理订单
        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):
        # 日志输出收盘价数据
        self.log('Close, %.2f' % self.dataclose[0])
        # 检查是否有订单等待处理，如果是就不再进行其他下单
        if self.order:
            return
        # 检查是否已经进场
        if not self.position:
            # 还未进场，则只能进行买入
            # 当日收盘价小于前一日收盘价
            # 当收盘价大于均线值时
            if self.dataclose[0] > self.sma[0]:
                # 买买买
                self.log('BUY CREATE, %.2f' % self.dataclose[0])
                # 记录订单避免二次下单
                self.order = self.buy()
        # 如果已经在场内，则可以进行卖出操作
        else:
            # 卖卖卖
            if self.dataclose[0] < self.sma[0]:
                self.log('SELL CREATE, %.2f' % self.dataclose[0])
                # 记录订单避免二次下单
                self.order = self.sell()
                
# 创建cerebro实体
cerebro = bt.Cerebro()
# 添加策略
cerebro.addstrategy(TestStrategy)
# 先找到脚本的位置，然后根据脚本与数据的相对路径关系找到数据位置
# 这样脚本从任意地方被调用，都可以正确地访问到数据
modpath = os.path.dirname(os.path.abspath(sys.argv[0]))
datapath = os.path.join(modpath, '../TQDat/day/stk/000001.csv')
# 创建价格数据
data = bt.feeds.GenericCSVData(
        dataname = datapath,
        fromdate = datetime.datetime(2019, 10, 1),
        todate = datetime.datetime(2020, 2, 29),
        nullvalue = 0.0,
        dtformat = ('%Y/%m/%d'),
        datetime = 0,
        open = 1,
        high = 2,
        low = 3,
        close = 4,
        volume = 5,
        openinterest = -1
        )
# 在Cerebro中添加价格数据
cerebro.adddata(data)
# 设置启动资金
cerebro.broker.setcash(100000.0)
# 设置交易单位大小
cerebro.addsizer(bt.sizers.FixedSize, stake = 100)
# 设置佣金为千分之一
cerebro.broker.setcommission(commission=0.001)
# 打印开始信息
print('Starting Portfolio Value: %.2f' % cerebro.broker.getvalue())
# 遍历所有数据
cerebro.run()
# 打印最后结果
print('Final Portfolio Value: %.2f' % cerebro.broker.getvalue())

v9输出为：

Starting Portfolio Value: 100000.00
2019-10-28, Close, 16.66
2019-10-29, Close, 16.91
2019-10-29, BUY CREATE, 16.91
2019-10-30, BUY EXECUTED, Price: 16.80, Cost: 1680.00, Comm 1.68
…
2020-01-15, SELL CREATE, 16.52
2020-01-16, SELL EXECUTED, Price: 16.52, Cost: 1566.00, Comm 1.65
2020-01-16, OPERATION PROFIT, GROSS 86.00, NET 82.78
2020-01-16, Close, 16.33
2020-01-17, Close, 16.39
2020-01-20, Close, 16.45
2020-01-21, Close, 16.00
2020-01-22, Close, 16.09
2020-01-23, Close, 15.54
2020-02-03, Close, 13.99
2020-02-04, Close, 14.60
Final Portfolio Value: 99990.11

从输出日志可以看出，输出时间不再像之前程序版本那样从2019年10月8日开始有输出记录，而是变为从2019年10月28日才有输出记录，这是由于backtrader根据策略进行了调整：

• 策略中新添加了移动平均值这一技术指标
• 移动平均值指标需要X根日线来计算，在本例中X=15
• 2019年10月28日是第15根日线出现的时间

backtrader会自动根据策略中所使用到的指标，自动调整至所有指标都有有效数值后才开始进行回测：

• next方法在指标经过最小的时间周期，能够计算出有效数值以后才会第一次被调用
• v9中只引入了一个指标，多指标时同样适用

可以看到，v9策略最后的结果要稍优于之前连续下跌2天后买入的策略，这不是一个必然的结果，在不同时间段、不同股票上做回测就可能得到不同的结果。v9主要是演示如果在策略中引入技术指标。

---

博客内容只用于交流学习，不构成投资建议，盈亏自负！

个人博客：http://coderx.com.cn/（优先更新）
项目最新代码：https://gitee.com/sl/quant_from_scratch
欢迎大家转发、留言。有微信群用于学习交流，感兴趣的读者请扫码加微信！
如果认为博客对您有帮助，可以扫码进行捐赠，感谢！

微信二维码	微信捐赠二维码