周期均方根和有效值的区别_Python量化交易学习笔记（三十八）——backtrader多周期回测1...

在backtrader官网文档中，介绍了两种多周期回测方式，第一种是读入多周期的K线数据，第二种是对数据进行resample。本文将对第一种方式进行介绍。

简述

有些策略会使用到多周期的数据，典型的应用为：

使用周线(大周期)数据判断趋势使用日线(小周期)数据判断买卖点

这就需要同时读入多周期数据进行回测，backtrader内置了对多周期策略回测的支持。

backtrader多周期回测规则

回测时需要遵循以下规则：

• 小周期数据必须被第一个加入到Cerebro实例中

在backtrader中，第一个被添加的数据将被作为时钟数据，因此需要将小周期数据首先添加到系统中，以使得小力度的时间都能被遍历到。

• 数据必须按照日期时间做好对齐，这样backtrader才能正确地使用数据

backtrader在回测过程中，不会对时间进行重新排序，只能按照整理好的数据顺序依次处理，因此需要将不同周期的数据都做好对齐。很幸运，从TuShare及BaoStock下载下来的不同周期的数据均做好对齐，可以直接使用，注意数据需要按时间升序组织。

• 大周期数据的使用会使得策略的最小周期变大。

如果要计算出技术指标的有效值，至少需要若干根K线数据，例如：计算5日均线，则至少需要前5根日K线，才能计算出第一个有效值，也就是至少经过5日，这里的5日就是backtrader里所指的最小周期。不同指标可能具有不同的最小周期，单周期回测时，策略的最小周期就是所有指标最小周期的最大值。而多周期回测中，最小周期则变得复杂。通常，要计算出大周期技术指标的有效值，策略的最小周期会变大，也就是回测开始后，要经过更多的K线来保证大周期技术指标能够计算出第一个有效值。

示例

为了演示多周期策略回测，本文使用以下方案：

策略将先读入日线数据，再读入周线数据。回测股票为000001平安银行，回测周期为2018年1月1日至2019年12月31日。

# 加载数据def load_data(data_info):    fromdate = datetime.datetime(2018, 1, 1)    todate = datetime.datetime(2019, 12, 31)    datapath = './stk_data/' + data_info[0] +'/' + data_info[1] + '.csv'    return bt.feeds.GenericCSVData(        dataname = datapath,        fromdate = fromdate,        todate = todate + datetime.timedelta(days=1),        nullvalue = 0.0,        dtformat = ('%Y-%m-%d'),