Backtrader 文档学习- Observers - Benchmarking
1.概述
backtrader包括两种不同类型的对象，可以帮助跟踪：
- Observers 观察者
- Analyzers 分析器
在分析器领域中，已有TimeReturn对象，用于跟踪整个组合价值（即包括现金）的回报率的演变。
显然作为观察者，在添加一些基准测试的同时，还可做一些工作，将观察者和分析器组合在一起，跟踪相同的对象指标。
Observers 和 Analyzers 之间的主要区别：
- Observers 的lines特性，它记录每个值，更适合绘图和实时查询，当然会消耗更多的内存。
- Analyzers 通过get_analysis方法返回一组结果，实现可能不会在运行结束之前提供任何结果，所以Analyzers记录最终结果，内存消耗小。
2.Analyzers - Benchmarking
标准的TimeReturn分析器已扩展为支持跟踪数据源。涉及的两个主要参数：
- timeframe（默认值：None）
如果为None，则将报告整个回测期间的完整回报
传递TimeFrame.NoTimeFrame以考虑没有时间限制的整个数据集 - data（默认值：None）
跟踪参考资产而不是组合价值。
注意：
此数据必须已经使用addata、resampledata或replaydata将其添加到cerebro实例中
可以跟踪组合的年度回报率
import backtrader as bt
cerebro = bt.Cerebro()
#年度回报率
cerebro.addanalyzer(bt.analyzers.TimeReturn, timeframe=bt.TimeFrame.Years)
... # add datas, strategies ...
results = cerebro.run()
strat0 = results[0]
# If no name has been specified, the name is the class name lowercased
# 所有加载数据组合的分析结果
tret_analyzer = strat0.analyzers.getbyname('timereturn')
print(tret_analyzer.get_analysis())
如果跟踪单一数据的回报率：
import backtrader as bt
cerebro = bt.Cerebro()
data = bt.feeds.OneOfTheFeeds(dataname='abcde', ...)
cerebro.adddata(data)
# 分析器指定数据
cerebro.addanalyzer(bt.analyzers.TimeReturn, timeframe=bt.TimeFrame.Years,
data=data)
... # add strategies ...
results = cerebro.run()
strat0 = results[0]
# If no name has been specified, the name is the class name lowercased
# 分析指定数据的分析结果
tret_analyzer = strat0.analyzers.getbyname('timereturn')
print(tret_analyzer.get_analysis())在这里插入代码片
如果两者都要跟踪，最好是给分析器指定名称：
import backtrader as bt
cerebro = bt.Cerebro()
data = bt.feeds.OneOfTheFeeds(dataname='abcde', ...)
cerebro.adddata(data)
#跟踪单一数据的分析器
cerebro.addanalyzer(bt.analyzers.TimeReturn, timeframe=bt.TimeFrame.Years,
data=data, _name='datareturns')
#跟踪组合数据的分析器
cerebro.addanalyzer(bt.analyzers.TimeReturn, timeframe=bt.TimeFrame.Years)
_name='timereturns')
... # add strategies ...
results = cerebro.run()
strat0 = results[0]
# If no name has been specified, the name is the class name lowercased
#跟踪组合数据的分析结果
tret_analyzer = strat0.analyzers.getbyname('timereturns')
print(tret_analyzer.get_analysis())
#跟踪单一数据的分析结果
tdata_analyzer = strat0.analyzers.getbyname('datareturns')
print(tdata_analyzer.get_analysis())
3.Observers - Benchmarking
可以参考前面分析器的基准，对比看区别。
由于后台机制允许在观察器内部使用分析器，增加了两个新的观察器:
- TimeReturn
- Benchmark
observers和analyzers，两者都使用 bt.analyzers.TimeReturn分析器来收集结果。
与上面的代码不同，完整的示例运行，展示它们的功能区别。
4.Observing TimeReturn
python ./observer-benchmark.py --plot --timereturn --timeframe notimeframe
注意选项：
- timereturn 告诉样本只做这件事
- timeframe notimeframe 告诉分析器考虑整个数据集，而不考虑时间范围。
最后绘制的值为-0.26。
- 起始现金（从图表中可以明显看出）为50K货币单位，该策略最终为36970货币单位，因此价值下降了-26%。
与图示的回报率一致。
5.Observing Benchmarking
基准测试也将显示timereturn结果，所以让我们在基准测试处于活动状态时运行相同的操作:
python ./observer-benchmark.py --plot --timeframe notimeframe
没有timereturn参数
- 策略优于资产:-0.26 vs -0.33
值得庆祝，但至少清楚，这个策略没有资产那么糟糕。
可惜上图的0.26 和 0.33 的图示重合了 ，不够清晰。
以年度为基础跟踪：
python ./observer-benchmark.py --plot --timeframe years
-
策略最后值从-0.26到-0.27变化很小
-
另一方面，资产显示的最终值为-0.35（与上面的-0.33相比）
价值如此接近的原因是，从2005年到2006年，策略和基准资产几乎都处于2005年初的起步水平。
切换到较低的时间框架，例如week，整个情况就会发生变化：
python ./observer-benchmark.py --plot --timeframe weeks
现在：
- Benchmark观察者显示出紧张（波动）状态，因为现在跟踪组合和数据的每周回报率数字上下波动
- 由于去年的最后一周没有交易活动，资产几乎没有变动，因此最后显示的值为0.00（最后一周之前的最后收盘价为25.54，样本数据收盘价为25.55，差异体现在第四个小数点上才能区分）
6.Observing Benchmarking - Another data
示例使用不同的数据进行基准测试。默认情况下，使用数据 benchdata1以Oracle公司为基准。考虑使用-time frame not time frame的整个数据集 。
python ./observer-benchmark.py --plot --timeframe notimeframe --benchdata1
现在就很清楚没有庆祝的理由：
- 原yahoo数据，策略对于notimeframe没有改变，仍然为-26%（-0.26）
- 但对oracle数据进行基准测试时，该数据在同一时期内增长了+23%（0.23）
既可以改变策略，也可以改变资产对象，才能更好地进行交易。
可以理解为：策略可能不适用于某个股票，股票可能也不适用于某个策略
7.Concluding
现在有两种使用相同的基础代码/计算来跟踪TimeReturn和Benchmark的方法 ：
- Observers 观察者（TimeReturn和Benchmark）
- Analyzer分析器（带有data参数的TimeReturn和TimeReturn）
当然，基准测试并不能保证盈利，只是比较。
代码的Help
usage: ipykernel_launcher.py [-h] [--data0 DATA0] [--data1 DATA1]
[--benchdata1] [--fromdate FROMDATE]
[--todate TODATE] [--printout] [--cash CASH]
[--period PERIOD] [--stake STAKE] [--timereturn]
[--timeframe {None,days,weeks,months,years,notimeframe}]
[--plot [kwargs]]
Benchmark/TimeReturn Observers Sample
optional arguments:
-h, --help show this help message and exit
--data0 DATA0 Data0 to be read in (default:
./datas/yhoo-1996-2015.txt)
--data1 DATA1 Data1 to be read in (default:
./datas/orcl-1995-2014.txt)
--benchdata1 Benchmark against data1 (default: False)
--fromdate FROMDATE Starting date in YYYY-MM-DD format (default:
2005-01-01)
--todate TODATE Ending date in YYYY-MM-DD format (default: 2006-12-31)
--printout Print data lines (default: False)
--cash CASH Cash to start with (default: 50000)
--period PERIOD Period for the crossover moving average (default: 30)
--stake STAKE Stake to apply for the buy operations (default: 1000)
--timereturn Use TimeReturn observer instead of Benchmark (default:
None)
--timeframe {None,days,weeks,months,years,notimeframe}
TimeFrame to apply to the Observer (default: None)
--plot [kwargs], -p [kwargs]
Plot the read data applying any kwargs passed For
example: --plot style="candle" (to plot candles)
(default: None)
8.代码
from __future__ import (absolute_import, division, print_function,
unicode_literals)
import argparse
import datetime
import random
import backtrader as bt
class St(bt.Strategy):
params = (
('period', 10),
('printout', False),
('stake', 1000),
)
def __init__(self):
sma = bt.indicators.SMA(self.data, period=self.p.period)
self.crossover = bt.indicators.CrossOver(self.data, sma)
def start(self):
if self.p.printout:
txtfields = list()
txtfields.append('Len')
txtfields.append('Datetime')
txtfields.append('Open')
txtfields.append('High')
txtfields.append('Low')
txtfields.append('Close')
txtfields.append('Volume')
txtfields.append('OpenInterest')
print(','.join(txtfields))
def next(self):
if self.p.printout:
# Print only 1st data ... is just a check that things are running
txtfields = list()
txtfields.append('%04d' % len(self))
txtfields.append(self.data.datetime.datetime(0).isoformat())
txtfields.append('%.2f' % self.data0.open[0])
txtfields.append('%.2f' % self.data0.high[0])
txtfields.append('%.2f' % self.data0.low[0])
txtfields.append('%.2f' % self.data0.close[0])
txtfields.append('%.2f' % self.data0.volume[0])
txtfields.append('%.2f' % self.data0.openinterest[0])
print(','.join(txtfields))
if self.position:
if self.crossover < 0.0:
if self.p.printout:
print('CLOSE {} @%{}'.format(size,
self.data.close[0]))
self.close()
else:
if self.crossover > 0.0:
self.buy(size=self.p.stake)
if self.p.printout:
print('BUY {} @%{}'.format(self.p.stake,
self.data.close[0]))
TIMEFRAMES = {
None: None,
'days': bt.TimeFrame.Days,
'weeks': bt.TimeFrame.Weeks,
'months': bt.TimeFrame.Months,
'years': bt.TimeFrame.Years,
'notimeframe': bt.TimeFrame.NoTimeFrame,
}
def runstrat(args=None):
args = parse_args(args)
cerebro = bt.Cerebro()
cerebro.broker.set_cash(args.cash)
dkwargs = dict()
if args.fromdate:
fromdate = datetime.datetime.strptime(args.fromdate, '%Y-%m-%d')
dkwargs['fromdate'] = fromdate
if args.todate:
todate = datetime.datetime.strptime(args.todate, '%Y-%m-%d')
dkwargs['todate'] = todate
data0 = bt.feeds.YahooFinanceCSVData(dataname=args.data0, **dkwargs)
cerebro.adddata(data0, name='Data0')
cerebro.addstrategy(St,
period=args.period,
stake=args.stake,
printout=args.printout)
if args.timereturn:
cerebro.addobserver(bt.observers.TimeReturn,
timeframe=TIMEFRAMES[args.timeframe])
else:
benchdata = data0
if args.benchdata1:
data1 = bt.feeds.YahooFinanceCSVData(dataname=args.data1, **dkwargs)
cerebro.adddata(data1, name='Data1')
benchdata = data1
cerebro.addobserver(bt.observers.Benchmark,
data=benchdata,
timeframe=TIMEFRAMES[args.timeframe])
cerebro.run()
if args.plot:
pkwargs = dict()
if args.plot is not True: # evals to True but is not True
pkwargs = eval('dict(' + args.plot + ')') # args were passed
cerebro.plot(**pkwargs)
def parse_args(pargs=None):
parser = argparse.ArgumentParser(
formatter_class=argparse.ArgumentDefaultsHelpFormatter,
description='Benchmark/TimeReturn Observers Sample')
parser.add_argument('--data0', required=False,
default='../../datas/yhoo-1996-2015.txt',
help='Data0 to be read in')
parser.add_argument('--data1', required=False,
default='../../datas/orcl-1995-2014.txt',
help='Data1 to be read in')
parser.add_argument('--benchdata1', required=False, action='store_true',
help=('Benchmark against data1'))
parser.add_argument('--fromdate', required=False,
default='2005-01-01',
help='Starting date in YYYY-MM-DD format')
parser.add_argument('--todate', required=False,
default='2006-12-31',
help='Ending date in YYYY-MM-DD format')
parser.add_argument('--printout', required=False, action='store_true',
help=('Print data lines'))
parser.add_argument('--cash', required=False, action='store',
type=float, default=50000,
help=('Cash to start with'))
parser.add_argument('--period', required=False, action='store',
type=int, default=30,
help=('Period for the crossover moving average'))
parser.add_argument('--stake', required=False, action='store',
type=int, default=1000,
help=('Stake to apply for the buy operations'))
parser.add_argument('--timereturn', required=False, action='store_true',
default=None,
help=('Use TimeReturn observer instead of Benchmark'))
parser.add_argument('--timeframe', required=False, action='store',
default=None, choices=TIMEFRAMES.keys(),
help=('TimeFrame to apply to the Observer'))
# Plot options
parser.add_argument('--plot', '-p', nargs='?', required=False,
metavar='kwargs', const=True,
help=('Plot the read data applying any kwargs passed\n'
'\n'
'For example:\n'
'\n'
' --plot style="candle" (to plot candles)\n'))
if pargs:
return parser.parse_args(pargs)
return parser.parse_args()
if __name__ == '__main__':
runstrat()
1185
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
