1
引言
关于backtrader,公众号已连续发布了三篇推文:《【手把手教你】入门量化回测最强神器backtrader(一)》、《【手把手教你】入门量化回测最强神器backtrader(二)》和《【手把手教你】入门量化回测最强神器backtrader(三)》,分别介绍了backtrader整个框架的组成部分、回测系统的运行、策略模块交易日志的编写和策略参数的寻优,以及Analyzers模块的用法,并对策略的业绩评价指标进行可视化分析。之前在回测中使用的数据仅限于系统默认的价格和成交量,那么如何加载其它数据或因子呢,如换手率、市盈率(PE)市净率(PB)和其他财务指标等?其实前面一直强调backtrader由于采用元编程,具有很强的扩展性,本文为大家展示如何扩展feeds模块中的数据加载,使系统能添加换手率、市盈率等数据,并以市盈率和换手率为指标构建交易策略进行回测。
2
数据扩展实例
01
数据准备
下面使用tushare pro获取个股交易数据,包含日期(datetime)、价格(open、high、low、close)和成交量(volume)、换手率(turnover_rate)、市盈率(pe)、市净率(pb)等数据。
import pandas as pd
import tushare as ts
#tushare pro需到官网注册并获取token才能用
token='输入你的token'
pro=ts.pro_api(token)
def get_data(code,date='20200101'):
data1=ts.pro_bar(ts_code=code, adj='qfq', start_date=date)
data1=data1[['trade_date','open','high','low','close','vol']]
data2=pro.daily_basic(ts_code=code,fields='trade_date,turnover_rate,pe,pb')
data=pd.merge(data1,data2,on='trade_date')
data.index=pd.to_datetime(data.trade_date)
data=data.sort_index()
data['volume']=data.vol
data['openinterest']=0
data['datetime']=pd.to_datetime(data.trade_date)
data=data[['datetime','open','high','low','close',\
'volume','openinterest','turnover_rate','pe','pb']]
data=data.fillna(0)
return data
查看数据并保存csv格式到本地,文件名为“test.csv”。
#数据保存到本地
get_data('300002.SZ').to_csv('test.csv',index=False)
get_data('300002.SZ').head()
02
扩展feeds中的数据加载
对backtrader相关模块进行扩展,首先要先研究一下原生代码的构成,找到安装文件夹,我装的是anaconda,所以backtrader所在文件夹路径为:
C:\Anaconda3\Lib\site-packages\backtrader\,进入该路径找到feeds文件夹,看到里面有很多py文件,说明backtrader支持加载的数据或类型,在线数据支持quandl和yahoo适合做美股分析。我们关注的是如何加载A股数据,目前只能通过pandas或csv格式导入,于是找到csvgeneric.py和pandafeed.py这两个文件,用软件Notepad++(可以打开大部分格式的文本文件)打开看看,以pandafeed.py为例,加载数据的类为class PandasData(feed.DataBase),默认要输入的数据只有七列,即之前提到的价格和成交量数据,如下图所示。
对于元编程,要扩展相应参数,不需要修改源代码,只需要写一个class类,然后继承原来的类,加入新的参数即可,下面加入'turnover_rate','pe','pb',这些指标在将要加载的数据表中分别在第7、8、9列。
扩展PandasData类,加载更多列数据
#pandas的数据格式
from backtrader.feeds import PandasData
class Addmoredata(PandasData):
lines = ('turnover_rate','pe','pb',)
params = (('turnover_rate',7),('pe',8),('pb',9),)
扩展GenericCSVData加载csv格式数据
#直接读取本地csv格式数据
from backtrader.feeds import GenericCSVData
class AddCsvData(GenericCSVData):
lines = ('turnover_rate','pe','pb',)
params = (('turnover_rate',7),('pe',8),('pb',9),)
03
测试数据是否加载成功
写一个简单策略,直接打印新加入的三列数据,加载数据的时候可以是单只股票,也可以是多只股票。多只股票这个很重要,以后可以用来全市场选股并进行回测。
import backtrader as bt
from datetime import datetime
class TestStrategy1(bt.Strategy):
def log(self, txt, dt=None):
dt = dt or self.datas[0].datetime.date(0)
print('%s, %s' % (dt.isoformat(), txt))
def next(self):
self.log(f"换手率:{self.datas[0].turnover_rate[0]},\
市净率:{self.datas[0].pb[0]},市盈率:{self.datas[0].pe[0]}")
单只股票数据加载运行测试:
cerebro = bt.Cerebro()
cerebro.addstrategy(TestStrategy1)
feed = Addmoredata(dataname = get_data('300002.SZ','20200420'))
#如果是读取csv数据使用下式
#feed = AddCsvData(dataname = 'test.csv',dtformat=('%Y-%m-%d'))
cerebro.adddata(feed)
cerebro.run()
输出结果:
2020-04-20, 换手率:20.8743,市净率:3.3256,市盈率:158.3584
2020-04-21, 换手率:16.503,市净率:2.992,市盈率:142.4736
2020-04-22, 换手率:18.2413,市净率:3.2897,市盈率:156.6477
2020-04-23, 换手率:21.3831,市净率:3.0793,市盈率:146.6281
2020-04-24, 换手率:16.1957,市净率:3.1203,市盈率:148.5832
2020-04-27, 换手率:13.0385,市净率:2.874,市盈率:136.8529
2020-04-28, 换手率:10.3652,市净率:2.9355,市盈率:0.0
2020-04-29, 换手率:8.3977,市净率:2.797,市盈率:0.0
2020-04-30, 换手率:8.3719,市净率:2.8967,市盈率:0.0
2020-05-06, 换手率:9.4114,市净率:3.0462,市盈率:0.0
2020-05-07, 换手率:9.1606,市净率:3.013,市盈率:0.0
多只股票数据加载测试:
class TestStrategy2(bt.Strategy):
def log(self, txt, dt=None):
dt = dt or self.datas[0].datetime.date(0)
print('%s, %s' % (dt.isoformat(), txt))
def next(self):
for data in self.datas:
print(data._name)
self.log(f"换手率:{data.turnover_rate[0]},\
市净率:{data.pb[0]},市盈率:{data.pe[0]}")
运行回测,三只股票的指标数据都能加载进来。
cerebro = bt.Cerebro()
cerebro.addstrategy(TestStrategy2)
codes=['600862.SH','300326.SZ','300394.SZ']
#加载最近两日交易数据
for code in codes:
feed = Addmoredata(dataname = get_data(code,'20200506'),name=code)
cerebro.adddata(feed)
cerebro.run()
#输出结果:
600862.SH
2020-05-06, 换手率:3.3376,市净率:4.9646,市盈率:39.247
300326.SZ
2020-05-06, 换手率:1.8874,市净率:6.4762,市盈率:60.2625
300394.SZ
2020-05-06, 换手率:2.833,市净率:8.6431,市盈率:63.1617
600862.SH
2020-05-07, 换手率:1.8531,市净率:4.9486,市盈率:39.1208
300326.SZ
2020-05-07, 换手率:2.1378,市净率:6.5019,市盈率:60.5016
300394.SZ
2020-05-07, 换手率:2.7572,市净率:8.367,市盈率:61.1439
3
换手率、市盈率指标的交易策略实例
下面以加载的换手率和市盈率数据构建交易策略并进行回测。这里举例的个股为神州泰岳,考虑到其回测期间换手率均值为3%,75%分位数为3.98%,市盈率均值为52,最高166,负值设置为0。基于这些指标的统计规律,将交易策略简单设置为:当换手率小于3%且市盈率小于50倍时买入,当换手率大于10%或市盈率大于80倍时卖出。
class MyStrategy(bt.Strategy):
def next(self):
if not self.position: # 没有持仓
if self.datas[0].turnover_rate[0]<3 and 0<self.datas[0].pe[0]<50:
# 得到当前的账户价值
total_value = self.broker.getvalue()
#1手=100股,满仓买入
ss=int((total_value/100)/self.datas[0].close[0])*100
self.order=self.buy(size=ss)
else:#持仓,满足条件全部卖出
if self.datas[0].turnover_rate[0]>10 or self.datas[0].pe[0]>80 :
self.close(self.datas[0])
运行回测:
cerebro = bt.Cerebro()
cerebro.addstrategy(MyStrategy)
feed = Addmoredata(dataname = get_data('300002.SZ','20050101'))
cerebro.adddata(feed)
startcash = 100000
cerebro.broker.setcash(startcash)
cerebro.broker.setcommission(commission=0.001)
cerebro.run()
portvalue = cerebro.broker.getvalue()
pnl = portvalue - startcash
#打印结果
print(f'期初总资金: {round(startcash,2)}')
print(f'期末总资金: {round(portvalue,2)}')
print(f'净收益: {round(pnl,2)}')
期初总资金: 100000
期末总资金: 303371.37
净收益: 203371.37
得到回测过程的原生图:
%matplotlib inline
cerebro.plot(style='candlestick')
获取回测的量化评价指标:注意,out_result是自己写的脚本zjy_plot.py里输出策略评价指标的函数,由于代码较长,此处省略,完整代码分享在“金融量化”知识星球上。
#addmoredata是在PandasData上的扩展
ddf=get_data('300002.SZ','20050101')
data = Addmoredata(dataname = ddf)
df00,df0,df1,df2,df3,df4=bt.out_result(MyStrategy,\
data,startcash = 100000,commission=0.001)
对评价指标进行可视化:
下面pyecharts用的是0.5.11版本,1.0以上版本用法基本上不同。
from pyecharts import*
def plot_result_py(data,v,title,plot_type='line',zoom=False):
att=data.index
try:
attr=att.strftime('%Y%m%d')
except:
attr=att
if plot_type=='line':
p=Line(title)
p.add('',attr,list(data[v].round(2)),
is_symbol_show=False,line_width=2,
is_datazoom_show=zoom,is_splitline_show=True)
else:
p=Bar(title)
p.add('',attr,[int(i*1000)/10 for i in list(data[v])],
is_label_show=True,
is_datazoom_show=zoom,is_splitline_show=True)
return p
账户价值plot_result_py(df0,'total_value','账户价值')
持仓市值
plot_result_py(df4,'total_position_value','持仓市值')
年化收益率
plot_result_py(df3,'year_rate','年化收益%',plot_type='bar')
策略评价指标
df00
![](https://i-blog.csdnimg.cn/blog_migrate/17144b0c4f11f4dba42cfb364b299d8c.png)
4
结语
本文着重介绍了如何在backtrader上通过扩展类编程,加载除价格和成交量外的其他因子数据,并构建交易策略进行回测。文中利用换手率和市盈率指标构建的交易策略仅作为示例,并没有对相关参数进行优化,而且不同标的参数阈值设置可能存在较大差异,从回测结果的评价指标来看,该策略并不是很理想,尽管总收益率达到3倍,但最大回撤高达68%,夏普比率只有0.34。当然,本文的目的不是兜售某“成功”交易策略,而是介绍量化策略的构建与回测过程,希望能达到“授人以渔”和“抛砖引玉”的作用。
参考资料:backtrader官方文档和安装包原生代码
https://www.backtrader.com/docu/
关于Python金融量化
专注于分享Python在金融量化领域的应用。加入知识星球,可以免费获取量化投资视频资料、量化金融相关PDF资料、公众号文章Python完整源码、量化投资前沿分析框架,与博主直接交流、结识圈内朋友等。