Backtrader回测教学【附免费行情源】

量化NPC

已于 2022-09-09 09:18:56 修改

阅读量5k

点赞数 10

分类专栏：金融数据量化文章标签： python 金融经验分享

于 2022-09-07 19:44:48 首次发布

本文链接：https://blog.csdn.net/weixin_38132951/article/details/126749995

版权

1. Backtrader简介

Backtrader 是 2015 年开源的 Python 量化回测框架（支持实盘交易），功能丰富，操作方便灵活：

在这里插入图片描述

品种多：股票、期货、期权、外汇、数字货币；
周期全：Ticks 级、秒级、分钟级、日度、周度、月度、年度；
速度快：pandas 矢量运算、多策略并行运算；
组件多：内置 Ta-lib 技术指标库、PyFlio 分析模块、plot 绘图模块、参数优化等；
超灵活：即可以随意搭配组件，又支持扩展自己开发的功能，想怎么玩就怎么玩。

2. INSIGHT免费数据源简介

INSIGHT为华泰提供的行情数据源，其中level1数据是免费的，包含沪深市场tick，日k，分钟k，月k，etf，各类指数，金融资讯数据以及融券通数据。

提供python，java，c++，cs 等多种语言，同时提供SDK和可视化金融数据下载终端，方便快捷的访问数据。本文数据将以可视化金融数据下载终端为例。

详情可访问（社区版免费）：
https://findata-insight.htsc.com:9151/help/sdk/SDKDownload/

3. 如何使用两者进行回测

本文将介绍如何使用INSIGHT和Backtrader实现回测，【点击demo下载】，最终结果如：
在这里插入图片描述

3.1 回测流程：

通常我们使用Backtrader回测时，流程如下：

Step 1：构建策略
(1) 确定策略潜在的可调参数；
(2) 计算策略中用于生成交易信号的指标；
(3) 按需打印交易信息；
(4) 编写买入、卖出的交易逻辑。
Step 2：结合行情数据，实例化策略引擎 cerebro，由 cerebro 来驱动回测
(1) 由 DataFeeds 加载数据，再将加载的数据添加给 cerebro；
(2) 将上一步生成的策略添加给 cerebro；
(3) 按需添加策略分析指标或观测器；
(4) 通过运行 cerebro.run() 来启动回测；
(5) 回测完成后，按需运行 cerebro.plot() 进行回测结果可视化展示。

Backtrader 最基础的回测代码编写流程如下：

import backtrader as bt # 导入 Backtrader
import backtrader.indicators as btind # 导入策略分析模块
import backtrader.feeds as btfeeds # 导入数据模块

# 创建策略
class TestStrategy(bt.Strategy):
    # 可选，设置回测的可变参数：如移动均线的周期
    params = (
        (...,...), # 最后一个“,”最好别删！
    )
    def log(self, txt, dt=None):
        '''可选，构建策略打印日志的函数：可用于打印订单记录或交易记录等'''
        dt = dt or self.datas[0].datetime.date(0)
        print('%s, %s' % (dt.isoformat(), txt))

    def __init__(self):
        '''必选，初始化属性、计算指标等'''
        pass

    def notify_order(self, order):
        '''可选，打印订单信息'''
        pass

    def notify_trade(self, trade):
        '''可选，打印交易信息'''
        pass

    def next(self):
        '''必选，编写交易策略逻辑'''
        sma = btind.SimpleMovingAverage(...) # 计算均线
        pass

# 实例化 cerebro
cerebro = bt.Cerebro()
# 通过 feeds 读取数据
data = btfeeds.BacktraderCSVData(...)
# 将数据传递给 “大脑”
cerebro.adddata(data)
# 通过经纪商设置初始资金
cerebro.broker.setcash(...)
# 设置单笔交易的数量
cerebro.addsizer(...)
# 设置交易佣金
cerebro.broker.setcommission(...)
# 添加策略
cerebro.addstrategy(TestStrategy)
# 添加策略分析指标
cerebro.addanalyzer(...)
# 添加观测器
cerebro.addobserver(...)
# 启动回测
cerebro.run()
# 可视化回测结果
cerebro.plot()

下面就参照上面的模板，一步步教大家如何用 Backtrader 进行选股回测。

3.2 如何进行回测

在此我们以一个策略进行示范讲解~

3.2.1 策略说明

本文省去了选股过程，直接提供最终的选股结果，然后对选股结果做回测，具体的回测条件如下：
股票池：600466.SH，603866.SH，688088.SH，603816.SH。
回测区间：2020-02-03至2021-01-28。
持仓周期：月度调仓，每月第一个交易日，以开盘价买入或卖出。
持仓权重：流通市值占比。
总资产：100,000,000元。
佣金：0.0003双边。
滑点：0.0001双边。

3.2.2 策略逻辑

假设已经在每个月最后一个交易日基于选股规则选出了表现最优的4只的股票作为下一个月的持仓成分股，然后在下个月的第一个交易日，卖出已有持仓，买入新的持仓

3.2.3 数据准备

测试用到 2 个数据集，一个是日度历史行情数据，另一个是股票数据集。

日度行情数据集
日度行情数据集来源华泰的 可视化金融数据下载终端。

免费下载地址为https://findata-insight.htsc.com:9151/help/terminal/download/。

下载成功之后，需要先申请一个账号（如何申请），登陆后终端提供了多类数据的查询和下载。

本篇文章我们用到的是日度行情数据，可在【金融数据下载终端】-> 【行情数据】->【基本面指标】中获取需要的数据，可将查询的数据导出成csv（点击下载数据）至本地供backertrader使用。

注意！！！
日度行情数据集 daily_price.csv 对应的是4只股票各自从 2020-02-03至2021-01-28的日度行情数据（后复权），共有 18 个字段：
```
daily_price=pd.read_csv(r'D:\terminalfindata\daily_price.csv',encoding='gbk',parse_dates=['MDDate'])
```
此处为csv中的具体数据数据

2. 月末调仓成分股数据集
测试用的数据集 trade_info.csv 就是最终的选股结果，共包含 3 个字段：trade_date 调仓期（每月最后一个交易日）、sec_code 持仓成分股代码、weight 持仓权重。
```
trade_info = pd.read_csv("trade_info.csv", parse_dates=['trade_date'])
```

在这里插入图片描述

3.2.4 常规数据导入

将数据导入 backtrader，构建“大脑”

导入 backtrader 时，约定俗成的将其缩写为 bt 。由于回测用到的各种原材料都是需要被添加给“大脑” cerebro的，所以最开始可以先实例化大脑：

import backtrader as bt # 导入 Backtrader

# 实例化 cerebro
cerebro = bt.Cerebro()

如果没啥感觉，可以运行如下代码小试一下，若返回下面的结果，恭喜你！成功完成一个“空”回测 ~

import backtrader as bt # 导入 Backtrader

# 实例化 cerebro
cerebro = bt.Cerebro()
# 打印初始资金
print('Starting Portfolio Value: %.2f' % cerebro.broker.getvalue())
# 启动回测
cerebro.run()
# 打印回测完成后的资金
print('Final Portfolio Value: %.2f' % cerebro.broker.getvalue())


结果如下展示：
Starting Portfolio Value: 10000.00
Final Portfolio Value: 10000.00

3.2.5 多只股票的历史行情数据导入

Backtrader 通过 DataFeeds 模块来导入各式各样的数据。由于读取 daily_price.csv 文件后就生成了 DataFrame 表格，所以选用 DataFeeds 的 PandasData() 方法来导入，导入的 DataFrame 有默认的格式要求：

以交易日 ‘datetime’ 为 index，

列为’open’、‘high’、‘low’、‘close’、‘volume’、‘openinterest’ 字段。

首先我们要将daily_price.csv中的字段对应backtrader的默认格式要求，这里我们定义了一个函数用来修改字段名，因为我们只需要用到这几个数据，所以只修改这几个就好：

# 修改字段名与backtrader一致
def change_column_name(data):

    name_clomuns = data.columns.tolist()
    new_name_dict = {
   }

    for name in name_clomuns:

        if name == 'MDDate':
            new_name_dict[name] =