backtrader框架使用与数据导入详解

原创文章第70篇，专注“个人成长与财富自由、世界运作的逻辑， AI量化投资”。

 

百天100进行了2/3，期间有过一些反复。100天看似很短，但足以让你完成一件有意义的具体的事情。更何况1000天，也就是三年。

往回看看三年，弹指一挥间。

春去冬来又一年，随着惯性走，人生是没有掌控力的。

持续动动，不断复盘。

路上看到李笑来的一篇文章，回顾了他自己的成长史。他讲了在新东方的七年，身边每每有同事走向美国，寻求更大的空间。他当时也是一心想往外走，甚至觉得这些同事也未必比他强。后来三年，五年，他的想法变了。

“价值是需要很长时间才能显现出来的东西”。所以，一件事情，持续做，越到后边越有价值，才会领略到不一样的风景。

跳来跳去，其实你看到的世界都“类似”。然后你就得到一个看似深刻，其实非常“肤浅”的结论。

“悲观者往往正确，而乐观者成功”。因为乐观者行动，而悲观者都是事后诸葛，说看吧，股市又跌破三千点了。其实不说别人，这些年现金分红了多少，顶底之间有人套现了多少。

越到宏观越没有意义，人终有一死，那个折腾个啥。

但人生的意义本就在于过程，活出生命的宽度和深度。若一句有效市场，说全盘否定了技术面，基本面，甚至内幕消息，显然是不对的。这个市场上有多少抓住了一段时间的“失效”，而只要你用心，这个世界到处充满了无效，而正是这些行动者，才让市场变得有效，这个过程中，他们收获了财富，认知。

今天继续说backtrader，这个框架是真正可以实战且适用性很广。

01 backtrader

backtrader于 2015年开源，在众多的开源框架，bt算最为成熟的一个。

使用backtrader框架开发量化策略的基本步骤如下：

在cerebro准备好的基础上，我们要准备数据，从csv加载ohlcv数据之后，注意要转为bt的格式，index是pandas的datetime类型；openinterest列必须要存在。

def to_backtrader_dataframe(df):
    df.index = pd.to_datetime(df.index)
    df['openinterest'] = 0
    df = df[['open', 'high', 'low', 'close', 'volume', 'openinterest']]
    return df

加载后得到这样的数据格式即可：

而后把数据“喂”给“大脑”即可。这里使用bt.feeds.PandasData，可以自定义起始时间，可以添加多个数据。

from datetime import datetime
start = datetime(2010,1,1)
end = datetime.now().date()
data = bt.feeds.PandasData(dataname=df, name='SPX', fromdate=start, todate=end)
cerebro.adddata(data)  # Add the data feed

02 编写策略

所有的交易策略都是写在自定义的策略类里，

如下面的 TestStrategy 类，自定义的策略类名称可以任意取，但必须继承 Backtrader 内置的 Strategy 类，即 bt.Strategy 。相当于是给大家提供了一个策略接口，大家只需调用这个接口，专心编写自己的策略，而无需关心接口的具体内容。

策略有两个函数__init__，做一些全局性的准备，比如计算指标；next相当于其它平台的onbar，逐个bar计算。

class MyStrategy(bt.Strategy):
    # 定义我们自己写的这个 MyStrategy 类的专有属性
    def __init__(self):
        '''必选，策略中各类指标的批量计算或是批量生成交易信号都可以写在这里'''
        pass
    # 构建交易函数: 策略交易的主体部分
    def next(self):
        '''必选，在这里根据交易信号进行买卖下单操作'''
        print(self.data.close[0])

03 数据篇

前面我们把标准的OHLCV的多个数据导入了。

我们更关心如何灵活地应用。

策略里的self.datas属性，就是我们传入的多个PandasData，以list的形式存在：self.datas[0] = self.data0 = self.data

还可以通过self.getdatabyname(‘spx’)来获取data对象。

这就是“约定大于配置”，以及元编程的厉害之处。

你如果使用debug看bt的数据结构是非常难看懂的，但用是真的好用，要熟悉它的逻辑。

如果说data就是一个表格的话，那data是由lines构成的，line就是一列。

print('line aliases', self.data0.getlinealiases())

使用getlinealiases()可以取到所有的列名。

line aliases ('close', 'low', 'high', 'open', 'volume', 'openinterest', 'datetime')

这里有一点值得注意，如果添加了两上pandas data，两者的起始点不一样，最日期大的，就是日期上取交集。

line的取法和很多种表达，一般使用self.datas[X].close[0], 0表示当前日期，-1表达昨天，-2是前天，依此类推。取多个数据，可以使用self.datas[X].close.get(ago=0,size=N)来取，但如果超过当前已经有的bar，会返回空的array。

print(self.datas[0]._name)
print('datetime的使用', self.data0.datetime[0], self.data0.datetime.date(0), self.data0.datetime.date(1))
print(self.data1.close[1], self.data1.datetime.date(-5), self.data1.lines.datetime.date(0))
print('next===>data0.lines.close', self.data.datetime.date(0), self.datas[0].close[0], self.data[-1],
      self.data[-2])
print('get====>data0.lines.close', self.data0.datetime.date(0),self.data0.get(ago=0,size=2))

datetime比较特殊，datetime这个line不是日期型，人读不出意思。需要使用datetime.date(0)，注意这里是小括号。

如何添加额外的列，比如回测的时候，我们需要添加pe, pb，北向资金等。

class PandasData_more(bt.feeds.PandasData):
    lines = ('amount', ) # 要添加的线
    # 设置 line 在数据源上的列位置
    params=(
        ('amount', -1),
           )
    # -1表示自动按列明匹配数据，也可以设置为线在数据源中列的位置索引 (('pe',6),('pb',7),)

明天继续说指标的使用。