backtrader指标体系：多支股票的指标计算

关注持续行动1期 53/100，“AI技术应用于量化投资研究”。

继续backtrader系列。backtrader会深入一个系列，这里有一个核心原因，backtrader是产品级的。而qlib只是一个lib，一个更适合机器学习/深度学习的lib，但距离实盘还有距离，如它的版本号0.8.6。

今天重点说说bt的指标体系以及如何自定义指标。

对于一个策略而言，核心要素就是指标。比如均线，MACD或者动量，K线形态之类的。这个定义好了，策略就是指标的规则表达式，或者机器模型罢了。

01 指标

指标有两处用途：在策略里用和在其他指标里用。

打开源代码，看到indicators下边有几十个内置的指标。（对于开源框架的使用，直接看代码是效率最高的方式）。

bt内置的动量有4种：

它给出了公式roc = (data-data_period) / data_period，比如N天的价格变化率。roc本身也是“lines”复合了“减法”和“除法”的结果，同样得到一个“lines”。

class RateOfChange(Indicator):
    '''
    Measures the ratio of change in prices over a period
    Formula:
      - roc = (data - data_period) / data_period
    See:
      - http://en.wikipedia.org/wiki/Momentum_(technical_analysis)
    '''
    alias = ('ROC',)

    # Named output lines
    lines = ('roc',)

    # Accepted parameters (and defaults) -
    params = (('period', 12),)

    def __init__(self):
        dperiod = self.data(-self.p.period)
        self.l.roc = (self.data - dperiod) / dperiod
        super(RateOfChange, self).__init__()

照猫画虎，自定义一个空指标，这个指标每个值实际上都是5。

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

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

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

调用也非常简单：

class MyStrategy(bt.Strategy):
    params = dict(
        period=20,  # 动量周期
    )

    def __init__(self):
        self.sma1 = bt.ind.ROC(period=self.p.period)  # fast moving average
        self.dummy = DummyInd()

这里带出一个问题，bt.ind.ROC并未指定对哪个data序列进行计算，比如我们的策略是多标的轮动呢？这里就是bt框架有大量约定的范式。

Strategy里的属于self.datas是所有添加的PandasData的list。默认self.data=self.datas[0]。而bt.ind.ROC未指定data的时候，默认等价于使用self.data。

完整的写法如下：

self.roc1 = bt.ind.ROC(self.data,period=self.p.period)  # fast moving average
self.roc2 = bt.ind.ROC(self.datas[1],period=self.p.period)

我们没有写策略，只是定义了指标，可以看到，下图可以把两个指数的ROC指标（20日变化率的动量指标）画出来。

02 talib支持

bt对于talib的支持也是内置的，不过需要本地安装talib包。

pip安装无法成功的话，需要网上下载安装包。

self.sma = bt.talib.SMA(self.data, timeperiod=self.p.period)

后面使用基本类似，只不过talib的参数通常叫timeperiod。

bt内置的指标外加ta-lib，基本上所有技术分析上需要用的指标，都有了。

qlib的指标体系，更向统计学，并不全是传统技术分析。

传统的技术指标也可以输入到机器学习模型里去训练，这个没有优与劣。

03 多证券的策略轮动

qlib里的topK只有排序规则，就是得分高的持有，而得分低的清仓。

但我们还需要买卖信号规则，比如动量>0.02才可能买入，动量<0则卖出，然后才按照动量大小排序。

to_buy_list = [动量>0.02]，hold_list=[当前已持仓]，to_sell_list=[动量<0]

to_buy+hold-to_sell得到最终持仓，然后先清仓to_sell，然后按平均仓位买入。

self.getposition(self.data).size > 0

可以判断当前data是否为已经持仓。

明天我们要完成动量轮动策略的1.0版本。

重点还是如何构造策略，如何优化策略，建立社群，共创共享，真正创造价值。

反思反省：

吾日三省吾身。

其实从15年左右就开始关注量化投资，接触的第一个框架是pyalgotrade。

demo都没有run起来吧，因为涉及到陌生的概念，第一反应是先看它的代码，把它的代码改造成为自己的。这样做好处当然是知其然知其所以然。后发现pyalgotrade使用数据结构不是dataframe（bt也不是），只有qlib充分使用了pandas的dataframe。

当时一直停留在回测框架本身，尤其是数据准备——主要是tushare+mongo，反复折腾。

现在想来，大可不必，因为用csv准备一些静态数据就好了。数据如何动态、增量更新，这些属于工程上的事情。重点是有没有好的策略。

后来还接触了一段时间外汇，折腾C++的MQL，无果。

后开始折腾深度学习，NLP，NLTK，django/flask/fastapi等框架。到底是建设数据中心，分析平台还是量化框架来回摇摆。

若要说反思的话，专注目标而去，就是策略，那前提就是熟悉一个框架，可以执行策略与想法即可。pyalgotrade也好，backtrader也罢，用熟。

多关注前沿，新鲜的东西是好的，但不必所有事情都亲力亲为，太发散导致都没有结果。（还折腾过ionic, angular，vue3前后端分离的开发，css，大数据kafka+spark/flink等等）

专注结果就是策略甚至实盘。然后准备好必要的东西，比如数据就是csv搞定，框架就是backtrader，用熟。然后就是专注指标、因子，机器学习模型lightGBM，强化学习也可以，但要循序渐进，有些太前沿无法落地。然后就是如何找到好的策略，如何优化策略等。