Backtrader 文档学习-Indicators 开发

Backtrader 文档学习-Indicators 开发

1. Indicators 开发需要

Indicators 开发需要：

• 从Indicator(直接或从已存在的子类)继承派生的类
• 定义中包括Lines
• 指标必须至少有Line。既可以从现有的Line派生，也可以用已定义的Line
• 选择性地定义可以改变行为的参数
• 可选地提供/定制元素,能够合理地绘制indicators
• 在__init__中完全定义Line，并绑定(赋值)到Line到Indicator，或者在next(可选)once方法定义赋值。
• 如果在初始化期间可以用逻辑/算术运算定义Indicator，然后把结果分配给Line:完成 ？
• 如果不是在init中定义的情况，则至少必须提供next，其中Indicator必须将值分配给Line[0]
• 用strategy中的once方法，可以实现runonce模式(批处理操作)的计算优化。

2. 重要提示:幂等性

查了一下什么是幂等性。
幂等是一个数学和计算机科学中的概念，描述的是一种特定的函数或操作，即使用相同的参数重复执行时，能够得到相同的结果。

Indicators 处理接收的每一个bar产生输出。不必假设相同的bar发送多少次。运算必须是幂等的 。理解是在相同的Indicator下处理相同的bar ，输出的结果应该是一致的 。
其基本原理是:
同一根bar按index排列，可以多次发送变化的值(即变化的值是收盘价) 。 例如，这使得replay每日时段成为可能，使用由5分钟棒线组成的日内数据。
Indicator还允许平台从实时提要中获取值。

3. A dummy (but functional) indicator

虚拟但是具备功能的Indicator 。

• 在init初始化中：

class DummyInd(bt.Indicator):
    lines = ('dummyline',)

    params = (('value', 5),)

    def __init__(self):
        self.lines.dummyline = bt.Max(0.0, self.params.value)

结果：
指示器将始终输出相同的值:0.0或self.params.value。 其实是没有实际意义的。

• 在next方法中：

class DummyInd(bt.Indicator):
    lines = ('dummyline',)

    params = (('value', 5),)

    def next(self):
        self.lines.dummyline[0] = max(0.0, self.params.value)

结果：
和init中一样。
区别：
在init中 dummyline 是Line对象。
在next中，dummyline[0] ，是float数值。最后也是组成dummyline的Line对象。

bt.Max方法返回一个lines对象，对于传递给指示器的每个，该对象都会自动迭代。如果使用max，赋值将是无意义的，因为Indicator将有一个固定值（最大值）的成员变量，而不是一条Line。

在next中，直接使用浮点值，所以可以使用标准的max函数。

简化引用 self.lines.dummyline：

self.l.dummyline
或者
self.dummyline

• 第三个版本，once方法

class DummyInd(bt.Indicator):
    lines = ('dummyline',)

    params = (('value', 5),)

    def next(self):
        self.lines.dummyline[0] = max(0.0, self.params.value)

    def once(self, start, end):
       dummy_array = self.lines.dummyline.array

       for i in xrange(start, end):
           dummy_array[i] = max(0.0, self.params.value)

once方法似乎更加有效。

init方法是最好的：

• 一切都在初始化定义完成
• next和once(都要经过优化了，因为bt.Max)是自动提供的，不需要处理索引或公式 。
  如果开发需要，也可以重写和next once方法相关的方法：
• prenext and nexstart
• preonce and oncestart

4.手工和自动最短周期

SMA手工处理的程序：

class SimpleMovingAverage1(Indicator):
    lines = ('sma',)
    params = (('period', 20),)

    def next(self):
        datasum = math.fsum(self.data.get(size=self.p.period))
        self.lines.sma[0] = datasum / self.p.period

虽然看起来不错，但是BT并不知道最小周期是多少，即使该参数被命名为“周期” ，(该名称可能会产生误导，Indicator可能会收到几个具有不同用途的“周期”)
在这种情况下next将调用第一个bar，因为不能返回所需的self.p.period，如何理解 ?

Before solving the situation something has to be taken into account:
在处理这种情况必须考虑以下问题:
The data feeds passed to the indicators may already carry a minimum period
The sample SimpleMovingAverage may be done on for example:
传递给indicators的数据加载可能已经带有最小周期，SMA完成示例:

默认最小周期为1（只需等待进入系统的第一个bar）
另一个是MA，已有定义的周期，如果周期是20，移动平均线也是20，得到的最小周期是40 bar 。

实际上，内部计算是39……因为一旦第一条移动平均线产生了一根bar，这将计算下一条移动平均线，将产生一个重叠棒线，因此需要39根bar。
也带有周期的其他指示器/对象，处理情况的方法如下:

class SimpleMovingAverage1(Indicator):
    lines = ('sma',)
    params = (('period', 20),)

    def __init__(self):
        self.addminperiod(self.params.period) # 20bar周期

    def next(self):
        datasum = math.fsum(self.data.get(size=self.p.period)) # 20 bar周期
        self.lines.sma[0] = datasum / self.p.period #40周期

测试一下fsum()用途

import math  
  
# 浮点数  
numbers = [1.1, 2.2, 3.3, 4.4, 5.5]  
  
# 使用 math.fsum 计算和  
total = math.fsum(numbers)  
  
print(total)  # 输出：16.5

addminperiod方法通知系统将该指标所需的额外周期bar考虑到可能存在的任何最小周期中。
如果所有的计算都是用系统指定的周期需求来完成的，此时绝对不需要额外周期。
快速MACD直方图实现：

from backtrader.indicators import EMA

class MACD(Indicator):
    lines = ('macd', 'signal', 'histo',)
    params = (('period_me1', 12), ('period_me2', 26), ('period_signal', 9),)

    def __init__(self):
        me1 = EMA(self.data, period=self.p.period_me1)
        me2 = EMA(self.data, period=self.p.period_me2)
        self.l.macd = me1 - me2
        self.l.signal = EMA(self.l.macd, period=self.p.period_signal)
        self.l.histo = self.l.macd - self.l.signal

• EMA代表指数移动平均线（平台内置别名），已经在平台中已经说明。
• 命名Line的Indicator“MACD”和“signal”指定为已经带有声明（幕后）周期的对象。
  • MACD从“ME1 - ME2”操作中获取周期，从ME1和ME2的周期中获取最大值，（ME1/ME2两个周期是不同的指数移动平均线）。
  • signal直接采用MACD上EMA的周期。EMA考虑了现有的MACD周期和计算所需的样本量（周期信号） - histo取两个操作数“signal - MACD”中的最大值，一旦两个数据都准备好，就可以计算出新数值。

5. 全定制Indicator

开发一个全定制的Indicator：

import backtrader as bt
import backtrader.indicators as btind

class OverUnderMovAv(bt.Indicator):
    lines = ('overunder',)
    params = dict(period=20, movav=btind.MovAv.Simple)

    def __init__(self):
        movav = self.p.movav(self.data, period=self.p.period)
        self.l.overunder = bt.Cmp(movav, self.data)

overunder 两个值
movav > self.data overunder =1
movav < self.data overunder =-1

为了绘图，补充一下内容：

import backtrader as bt
import backtrader.indicators as btind

class OverUnderMovAv(bt.Indicator):
    lines = ('overunder',)
    params = dict(period=20, movav=bt.ind.MovAv.Simple)

    plotinfo = dict(
        # Add extra margins above and below the 1s and -1s
        plotymargin=0.15,

        # Plot a reference horizontal line at 1.0 and -1.0
        plothlines=[1.0, -1.0],

        # Simplify the y scale to 1.0 and -1.0
        plotyticks=[1.0, -1.0])

    # Plot the line "overunder" (the only one) with dash style
    # ls stands for linestyle and is directly passed to matplotlib
    plotlines = dict(overunder=dict(ls='--'))

    def _plotlabel(self):
        # This method returns a list of labels that will be displayed
        # behind the name of the indicator on the plot

        # The period must always be there
        plabels = [self.p.period]

        # Put only the moving average if it's not the default one
        plabels += [self.p.movav] * self.p.notdefault('movav')

        return plabels

    def __init__(self):
        movav = self.p.movav(self.data, period=self.p.period)
        self.l.overunder = bt.Cmp(movav, self.data)