量化投资是一个非常大的课题，从这边文章开始，我会从如下几个方面构建量化投资的这个框架：
1、工欲善其事，必先利其器。我们先学习一个量化投资回测利器-backtrader，通过这个工具，我们可以将量化策略在经过回测之后，付诸实用。
2、我们学习一些常用的以及大师们实用量化策略，了解它的原理，选择合适的标的资产，为己所用。
3、开发自己的策略。老实说，公开的策略使用的人众多，往往会失效，那么如果构造开发自己的策略显得尤其重要。这一块，我们会介绍投资、数据挖掘，预测等关键技术，及其如何应用在构建自己投资策略上。
4、最后我们会构造一个完整的实用系统，该系统上，可以查看关键投资指标、定制量化策略。
下面我们开始介绍Backtrader，内容主要基于Backtrader的网站指导文档以及示例。
目录
1、简介
Backtrader的特点，就是两点：
1、易于使用；
2、参见第1条。
那么如何使用Backtrader呢？比把大象装进冰箱复杂点，一共4步：
创建一个Cerebro引擎：
-
加入一个Strategy。
-
加载数据。
-
执行：cerebro.run()。
-
对执行结果可视化。
就是这么简单！
这么简单如何执行那么多复杂的量化策略，关键就是Backtrader作为一个平台，具有极高的可配置性，也就是可以根据需要进行不同的配置，完成不同的量化策略回测，后续将进行详细描述。
2、安装
一般是通过Python安装：
pip install backtrader
特别注意的是，和backtrader适配的matplotlib版本不能太高，测试可用的版本是3.2.2。如果高于此版本，可以通过如下命令降级：
pip uninstall matplotlib pip install matplotlib==3.2.2
3、手把手教你实现一个例子
3.1、首先需要理解的几个关键概念
1、Line：Line在Backtrader系统中，是最重要的对象。
Line的本意就是一连串可以连接在一起的点，所有可以在坐标上形成一条线的数据，就称为Line。在量化投资的领域，这个Line通常指的是证券的open(开盘价）、high（最高价）、low（最低价）、close（收盘价）、volume（成交量）。例如如下我们下载的某股票的数据：
Excle中画个图：
可以看出，每一列均可形成一个Line，这个Line就是需要进行处理的数据，对于证券数据，我们通常对close（收盘价）进行处理。
除了数据本身可以形成Line之外，对数据进行处理后形成的数据也可以作为Line，比如计算close列的移动平均线，也可以形成一个Line。
2、Index为0的含义
Backtrader系统中，对Line的数据是逐行处理的，如下：
系统处理顺序从上至下，当处理到26.5的时候，对应的Index为0.如果要访问之前的数据，就是-1，-2.之后的数据，就是1,2.
特别值得注意的是-1在python中用于访问一个列表的最后一个数据，而在backtrader中，-1指的是最后已经处理过得数据，在当前处理数据之前 ，值会随着系统的处理而不断变化。
如果系统在创建Strategy的时候，系统初始化了一个移动平均线：
self.sma = SimpleMovingAverage(.....)
访问移动平均线当前值的简单易用的方法是：
av = self.sma[0]
这种方法的好处就是无需知道已经处理了多少行（在Backtrader中，统一将行称之为Bar），也无需知道还有多少Bar需要处理，因为0唯一确定了系统正在处理的数据（Bar）。
3.2、从0到100：一步一步实现一个例子
掌握一项技术最好的方法就是亲手写一个程序，下面采用不断迭代的方法，一步一步，从简单到复杂实现咱们的第一个量化回测程序。
创建第一个程序
from __future__ import (absolute_import, division, print_function,
unicode_literals)
import backtrader as bt
if __name__ == '__main__':
cerebro = bt.Cerebro()
print('Starting Portfolio Value: %.2f' % cerebro.broker.getvalue())
cerebro.run()
print('Final Portfolio Value: %.2f' % cerebro.broker.getvalue())执行下，看看啥结果：
Starting Portfolio Value: 10000.00 Final Portfolio Value: 10000.00
这个程序做了啥？
-
将Backtrader引入到咱们程序中，命名为bt。
-
创建了一个机器人大脑（Cerebro），同时隐含创建了一个borker（券商）。
-
让机器人大脑开始运行。
-
显示了机器人在券商那里存有多少钱。
等等，为啥只有10000元，失败啊，太少了，没事，咱可以多存点钱到券商。
cerebro = bt.Cerebro() cerebro.broker.setcash(100000.0)#加到100000元，咱们也富裕了。
再执行看看，果然富裕了：
Starting Portfolio Value: 100000.00 Final Portfolio Value: 100000.00
不对，为啥钱没变啊，这个机器人没给我挣钱啊。因为这个机器人大脑只是初始化，还没发育好，脑子一片空白，啥也做不了，自然挣不了钱。咱们先给机器人点股票数据看看，让他先看看股票数据，说不定能学习点啥。
给空白的大脑加载数据
import backtrader as bt
import pandas as pd
from datetime import datetime
if __name__ == '__main__':
cerebro = bt.Cerebro()
#获取数据
stock_hfq_df = pd.read_excel("./data/sh600000.xlsx",index_col='date',parse_dates=True)
start_date = datetime(2010, 9, 30) # 回测开始时间
end_date = datetime(2021, 9, 30) # 回测结束时间
data = bt.feeds.PandasData(dataname=stock_hfq_df, fromdate=start_date, todate=end_date) # 加载数据
cerebro.adddata(data) # 将数据传入回测系统
cerebro.broker.setcash(100000.0)
print('Starting Portfolio Value: %.2f' % cerebro.broker.getvalue())
cerebro.run()
print('Final Portfolio Value: %.2f' % cerebro.broker.getvalue())再执行看看：
Starting Portfolio Value: 100000.00 Final Portfolio Value: 100000.00
大脑开始发育了，起码做到了：
-
能接受股票的数据了。（这里提供的是下载浦发银行（sh6000000）的历史数据作为示例，如何获取数据后续专门讨论）
-
也能对datetime进行处理，根据需要看具体特定时期的数据了。
但是咱们钱还是没增加了，大脑大脑快快成长吧，快快给俺挣钱啊
给大脑第一个策略
钱有了（在broker券商），股票数据也有了，似乎马上就可以进行有风险的投资了。要投资，就得有一个有投资策略。而投资策略，针对的通常是数据的收盘价（close），也就是根据收盘价决定如何投资。
毕竟股市太凶险，机器人新加的策略是先看看股票的收盘价。
import backtrader as bt
import pandas as pd
from datetime import datetime
# Create a Stratey
class TestStrategy(bt.Strategy):
def log(self, txt, dt=None):
''' 提供记录功能'''
dt = dt or self.datas[0].datetime.date(0)
print('%s, %s' % (dt.isoformat(), txt))
def __init__(self):
# 引用到输入数据的close价格
self.dataclose = self.datas[0].close
def next(self):
# 目前的策略就是简单显示下收盘价。
self.log('Close, %.2f' % self.dataclose[0])
if __name__ == '__main__':
cerebro = bt.Cerebro()
# 增加一个策略
cerebro.addstrategy(TestStrategy)
#获取数据
stock_hfq_df = pd.read_excel("./data/sh600000.xlsx",index_col='date',parse_dates=True)
start_date = datetime(2010, 9, 30) # 回测开始时间
end_date = datetime(2021, 9, 30) # 回测结束时间
data = bt.feeds.PandasData(dataname=stock_hfq_df, fromdate=start_date, todate=end_date) # 加载数据
cerebro.adddata(data) # 将数据传入回测系统
cerebro.broker.setcash(100000.0)
print('Starting Portfolio Value: %.2f' % cerebro.broker.getvalue())
cerebro.run()
print('Final Portfolio Value: %.2f' % cerebro.broker.getvalue())执行后结果：
Starting Portfolio Value: 100000.00 2020-09-30, Close, 125.97 ...(省略n行） 2021-09-27, Close, 127.11 2021-09-28, Close, 127.26 2021-09-29, Close, 127.11 2021-09-30, Close, 126.83 Final Portfolio Value: 100000.00
看起来还好，没赔钱，股票市场似乎没那么凶险。
关于这个策略（Strategy），需要重点关注：
-
Strategy初始化的时候，将大脑加载的数据更新到dataclose属性中（注意，这是一个列表，保存股票回测开始时间到结束时间的所有close数据）。 self.datas[0]指向的是大脑通过cerebro.adddata函数加载的第一个数据，本例中指加载浦发银行的股票数据。
-
self.dataclose = self.datas[0].close指向的是close （收盘价）line
-
strategy 的next方法针对self.dataclose（也就是收盘价Line）的每一行（也就是Bar）进行处理。在本例中，只是打印了下close的值。next方法是Strategy最重要的的方法，具体策略的实现都在这个函数中，后续还会详细介绍。
这个策略还是没能挣钱，没买卖咋挣钱？大胆点，咱们开始买！
加入买的逻辑到Strategy中
没买卖就没收入，咱们开始买，啥时候买？妈妈说，买东西要便宜，那就如果价格连续降2天，咱就买入，试试看！
import backtrader as bt
import pandas as pd
from datetime import datetime
# 创建一个测试策略
class TestStrategy(bt.Strategy):
def log(self, txt, dt=None):
''' 记录策略信息'''
dt = dt or self.datas[0].datetime.date(0)
print('%s, %s' % (dt.isoformat(), txt))
def __init__(self):
# 应用第一个数据源的收盘价
self.dataclose = self.datas[0].close
def next(self):
# Simply log the closing price of the series from the reference
self.log('Close, %.2f' % self.dataclose[0])
if self.dataclose[0] < self.dataclose[-1]:
# 当前的价格比上一次价格（也就是昨天的价格低）
if self.dataclose[-1] < self.dataclose[-2]:
# 上一次的价格（昨天）比上上一次的价格（前天的价格）低
# 开始买！！
self.log('BUY CREATE, %.2f' % self.dataclose[0])
self.buy()执行结果如下：
Starting Portfolio Value: 100000.00 ...(省略n行） 2021-09-09, Close, 131.06 2021-09-10, Close, 132.61 2021-09-13, Close, 132.33 2021-09-14, Close, 129.79 2021-09-14, BUY CREATE, 129.79 2021-09-15, Close, 129.51 2021-09-15, BUY CREATE, 129.51 2021-09-16, Close, 128.52 2021-09-16, BUY CREATE, 128.52 2021-09-17, Close, 128.38 2021-09-17, BUY CREATE, 128.38 2021-09-22, Close, 127.26 2021-09-22, BUY CREATE, 127.26 2021-09-23, Close, 127.26 2021-09-24, Close, 127.11 2021-09-27, Close, 127.11 2021-09-28, Close, 127.26 2021-09-29, Close, 127.11 2021-09-30, Close, 126.83 2021-09-30, BUY CREATE, 126.83 Final Portfolio Value: 110441.06
挣钱了耶，居然挣了1万多块钱。从打印可以看出，在收盘价连续2天价格下跌的时候，strategy就执行买入。虽然咱们挣了钱，订单（order）好像创建了，但是不知道是否执行了以及何时以什么价格执行了。后面我们会展示如何监听订单执行的状态。
也许你要问了，咱们买了多少股票（称之为资产asset）？买了啥股票？订单是咋执行的？后续会回答这些问题，在当前示例中：
-
self.datas[0] 就是我们购买了的股票。本例中没有输入其他数据，如果输入了其他数据，购买的股票就不一定是啥了，这个要看具体的策略执行情况。
-
买了多少股本（stake）的股票？这个通过机器人大脑的position sizer属性来记录，缺省值为1，就是缺省咱们每一次操作只买卖1股。
-
当前order执行的时候，采用的价格是第二天的开盘价。
-
当前order执行的时候，没有收佣金。佣金如何设置后续还会说明。
不仅要买，还要卖
一次完整的交易，不仅要买，还要卖。啥时候卖？咱们简单点，就是处理了5个bar数据之后。值得注意的是，这里使用了bar这个概念，没有包含任何时间的概念，也就是一个bar，可以是1分钟，1个小时，也可以是一天，一个月，这些基于你输入的数据，如果你输入的股票每小时（分时）数据，那么一个bar就是一分钟，如果提供是周K数据，一个bar就是一周。本例中，我们获取的数据基于每天，那么一个bar就是一天。
特别之一，这里代码使用了len这个函数，在python中，len通常返回的一个列表中数据的多少，而在backtrader中，重写了len函数，返回的是已经处理过数据行（也就是Bar）。
注意，如果我们不在市场内，就不能卖。什么叫不在市场内，就是你不拥有任何股票头寸，也就是没有买入资产。在策略中，通过 position 属性来记录。
本次代码中，我们将要增加如下：
-
访问postion获取是否在市场内
-
会创建买和卖的订单（order）
-
订单状态的改变会通过notify方法通知到strategy。
# Create a Stratey
class TestStrategy(bt.Strategy):
def log(self, txt, dt=None):
''' Logging function fot this strategy'''
dt = dt or self.datas[0].datetime.date(0)
print('%s, %s' % (dt.isoformat(), txt))
def __init__(self):
# Keep a reference to the "close" line in the data[0] dataseries
self.dataclose = self.datas[0].close
# To keep track of pending orders
self.order = None
def notify_order(self, order):
if order.status in [order.Submitted, order.Accepted]:
# Buy/Sell order submitted/accepted to/by broker - Nothing to do
return
# Check if an order has been completed
# Attention: broker could reject order if not enough cash
if order.status in [order.Completed]:
if order.isbuy():
self.log('BUY EXECUTED, %.2f' % order.executed.price)
elif order.issell():
self.log('SELL EXECUTED, %.2f' % order.executed.price)
self.bar_executed = len(self)
elif order.status in [order.Canceled, order.Margin, order.Rejected]:
self.log('Order Canceled/Margin/Rejected')
# Write down: no pending order
self.order = None
def next(self):
# Simply log the closing price of the series from the reference
self.log('Close, %.2f' % self.dataclose[0])
# Check if an order is pending ... if yes, we cannot send a 2nd one
if self.order:
return
# 检查是否在市场
if not self.position:
# 不在，那么连续3天价格下跌就买点
if self.dataclose[0] < self.dataclose[-1]:
# 当前价格比上一次低
if self.dataclose[-1] < self.dataclose[-2]:
# 上一次的价格比上上次低
# 买入!!!
self.log('BUY CREATE, %.2f' % self.dataclose[0])
# Keep track of the created order to avoid a 2nd order
self.order = self.buy()
else:
# 已经在市场，5天后就卖掉。
if len(self) >= (self.bar_executed + 5):#这里注意，Len(self)返回的是当前执行的bar数量，每次next会加1.而Self.bar_executed记录的最后一次交易执行时的bar位置。
# SELL, SELL, SELL!!! (with all possible default parameters)
self.log('SELL CREATE, %.2f' % self.dataclose[0])
# Keep track of the created order to avoid a 2nd order
self.order = self.sell()执行结果：
Starting Portfolio Value: 100000.00 ...(省略n行） 021-09-14, BUY CREATE, 129.79 2021-09-15, BUY EXECUTED, 129.79 2021-09-15, Close, 129.51 2021-09-16, Close, 128.52 2021-09-17, Close, 128.38 2021-09-22, Close, 127.26 2021-09-23, Close, 127.26 2021-09-24, Close, 127.11 2021-09-24, SELL CREATE, 127.11 2021-09-27, SELL EXECUTED, 127.11 2021-09-27, Close, 127.11 2021-09-28, Close, 127.26 2021-09-29, Close, 127.11 2021-09-30, Close, 126.83 2021-09-30, BUY CREATE, 126.83 Final Portfolio Value: 100042.80
从结果看，买了股票5天就卖了。啥，只赚了42块钱，会买的是徒弟，会卖的才是师父，看来真的不能瞎卖啊！
券商说，俺的钱呢？
券商说，你这里又买又卖的，我的佣金在哪儿？好的，咱们加上佣金，就0.1%吧，一行代码的事情：
# 0.1% ... 除以100去掉%号。 cerebro.broker.setcommission(commission=0.001)
下面我们看看佣金对收益的影响。
class TestStrategy(bt.Strategy):
def log(self, txt, dt=None):
''' Logging function fot this strategy'''
dt = dt or self.datas[0].datetime.date(0)
print('%s, %s' % (dt.isoformat(), txt))
def __init__(self):
# Keep a reference to the "close" line in the data[0] dataseries
self.dataclose = self.datas[0].close
# To keep track of pending orders and buy price/commission
self.order = None
self.buyprice = None
self.buycomm = None
def notify_order(self, order):
if order.status in [order.Submitted, order.Accepted]:
# Buy/Sell order submitted/accepted to/by broker - Nothing to do
return
# Check if an order has been completed
# Attention: broker could reject order if not enough cash
if order.status in [order.Completed]:
if order.isbuy():
self.log(
'BUY EXECUTED, Price: %.2f, Cost: %.2f, Comm %.2f' %
(order.executed.price,
order.executed.value,
order.executed.comm))
self.buyprice = order.executed.price
self.buycomm = order.executed.comm
else: # Sell
self.log('SELL EXECUTED, Price: %.2f, Cost: %.2f, Comm %.2f' %
(order.executed.price,
order.executed.value,
order.executed.comm))
self.bar_executed = len(self)
elif order.status in [order.Canceled, order.Margin, order.Rejected]:
self.log('Order Canceled/Margin/Rejected')
self.order = None
def notify_trade(self, trade):#交易执行后，在这里处理
if not trade.isclosed:
return
self.log('OPERATION PROFIT, GROSS %.2f, NET %.2f' %
(trade.pnl, trade.pnlcomm))#记录下盈利数据。
def next(self):
# Simply log the closing price of the series from the reference
self.log('Close, %.2f' % self.dataclose[0])
# Check if an order is pending ... if yes, we cannot send a 2nd one
if self.order:
return
# 检查是否在市场
if not self.position:
# 不在，那么连续3天价格下跌就买点
if self.dataclose[0] < self.dataclose[-1]:
# current close less than previous close
if self.dataclose[-1] < self.dataclose[-2]:
# previous close less than the previous close
# BUY, BUY, BUY!!! (with default parameters)
self.log('BUY CREATE, %.2f' % self.dataclose[0])
# Keep track of the created order to avoid a 2nd order
self.order = self.buy()
else:
# 已经在市场，5天后就卖掉。
if len(self) >= (self.bar_executed + 5):
# SELL, SELL, SELL!!! (with all possible default parameters)
self.log('SELL CREATE, %.2f' % self.dataclose[0])
# Keep track of the created order to avoid a 2nd order
self.order = self.sell()
if __name__ == '__main__':
cerebro = bt.Cerebro()
# 增加一个策略
cerebro.addstrategy(TestStrategy)
#获取数据
stock_hfq_df = pd.read_excel("./data/sh600000.xlsx",index_col='date',parse_dates=True)
start_date = datetime(2010, 9, 30) # 回测开始时间
end_date = datetime(2021, 9, 30) # 回测结束时间
data = bt.feeds.PandasData(dataname=stock_hfq_df, fromdate=start_date, todate=end_date) # 加载数据
cerebro.adddata(data) # 将数据传入回测系统
cerebro.broker.setcash(100000.0)
# 设置佣金0.1% ... 除以100去掉%号。
cerebro.broker.setcommission(commission=0.001)
print('Starting Portfolio Value: %.2f' % cerebro.broker.getvalue())
cerebro.run()
print('Final Portfolio Value: %.2f' % cerebro.broker.getvalue())结果如下：
Starting Portfolio Value: 100000.00 ...(省略n行） 2021-09-14, BUY CREATE, 129.79 2021-09-15, BUY EXECUTED, Price: 129.79, Cost: 129.79, Comm 0.13 2021-09-15, Close, 129.51 2021-09-16, Close, 128.52 2021-09-17, Close, 128.38 2021-09-22, Close, 127.26 2021-09-23, Close, 127.26 2021-09-24, Close, 127.11 2021-09-24, SELL CREATE, 127.11 2021-09-27, SELL EXECUTED, Price: 127.11, Cost: 129.79, Comm 0.13 2021-09-27, OPERATION PROFIT, GROSS -2.68, NET -2.94 2021-09-27, Close, 127.11 2021-09-28, Close, 127.26 2021-09-29, Close, 127.11 2021-09-30, Close, 126.83 2021-09-30, BUY CREATE, 126.83 Final Portfolio Value: 99992.00
晕菜，亏了，挣的钱都给券商了，所以啊，一定不要频繁交易。
同时，我们注意到，每次订单执行，都有一个操作盈利记录（Gross：毛利；Net:净利）：
2021-09-27, OPERATION PROFIT, GROSS -2.68, NET -2.94
如何给策略Strategy传递参数
策略这个东西，是高度可配置的，大脑想调整下策略，可以通过配置参数来设定，免得大量硬编码数据，后续难以修改。比如策略之前是过5天就卖，现在想改为过7天再卖，通过修改参数就可以做到。参数如何传递呢？也很简单：
params = (('myparam', 27), ('exitbars', 5),)就是典型的python元组数据。
我们在创建策略的时候，大脑通过如下方法传递给策略实例：
# 加一个策略
cerebro.addstrategy(TestStrategy, myparam=20, exitbars=7)那么卖出的 逻辑可以修改为：
if len(self) >= (self.bar_executed + self.params.exitbars):之前我们每次只买1股，太少了，咱们中国一手最少100股，那咋整？可以通过如下代码设置(由于钱不够，先设置70股试试看：
cerebro.addsizer(bt.sizers.FixedSize, stake=70)修改这两处之后，咱们再执行下看看（这个修改较简单，就不贴代码了）。
Starting Portfolio Value: 100000.00 ...(省略n行） 2021-09-27, SELL EXECUTED, Price: 127.11, Cost: 9085.30, Comm 8.90 2021-09-27, OPERATION PROFIT, GROSS -187.60, NET -205.58 2021-09-27, Close, 127.11 2021-09-28, Close, 127.26 2021-09-29, Close, 127.11 2021-09-30, Close, 126.83 2021-09-30, BUY CREATE, 126.83 Final Portfolio Value: 99440.16
看如下，每次买了70股吧。
SELL EXECUTED, Price: 127.11, Cost: 9085.30, Comm 8.90
加一个指标（indicator）
大家投资的时候，经常听说这指标那指标的，没听说？那均线总听说过吧？咱们加个均线指标来指导我们的策略，毕竟连续两天下跌这个指标太土了，咱们要使用高大上的移动均线指标：
-
如果当前价格大于均线，就买买买。
-
如果低于均线，就卖卖卖。怎么听起来像追涨杀跌啊，看起来咱们的机器人像个韭菜。
-
为了简单起见，同时只能存在一次买卖。
修改也不大，在策略（Strategy）的初始化的时候，引用一个简单的移动平均指标，如下代码：
self.sma = bt.indicators.MovingAverageSimple(self.datas[0], period=self.params.maperiod)Strategy代码如下，同时主程序暂时将佣金设置为0. 为了减少数据，对比查看sma的数据，说明一个重要的概念，暂时将回测时间修改为2020-9-30日。
# Create a Stratey
class TestStrategy(bt.Strategy):
params = (
('maperiod', 20),
)
def log(self, txt, dt=None):
''' Logging function fot this strategy'''
dt = dt or self.datas[0].datetime.date(0)
print('%s, %s' % (dt.isoformat(), txt))
def __init__(self):
# Keep a reference to the "close" line in the data[0] dataseries
self.dataclose = self.datas[0].close
# To keep track of pending orders and buy price/commission
self.order = None
self.buyprice = None
self.buycomm = None
# Add a MovingAverageSimple indicator
self.sma = bt.indicators.SimpleMovingAverage(
self.datas[0], period=self.params.maperiod)
def notify_order(self, order):
if order.status in [order.Submitted, order.Accepted]:
# Buy/Sell order submitted/accepted to/by broker - Nothing to do
return
# Check if an order has been completed
# Attention: broker could reject order if not enough cash
if order.status in [order.Completed]:
if order.isbuy():
self.log(
'BUY EXECUTED, Price: %.2f, Cost: %.2f, Comm %.2f' %
(order.executed.price,
order.executed.value,
order.executed.comm))
self.buyprice = order.executed.price
self.buycomm = order.executed.comm
else: # Sell
self.log('SELL EXECUTED, Price: %.2f, Cost: %.2f, Comm %.2f' %
(order.executed.price,
order.executed.value,
order.executed.comm))
self.bar_executed = len(self)
elif order.status in [order.Canceled, order.Margin, order.Rejected]:
self.log('Order Canceled/Margin/Rejected')
self.order = None
def notify_trade(self, trade):
if not trade.isclosed:
return
self.log('OPERATION PROFIT, GROSS %.2f, NET %.2f' %
(trade.pnl, trade.pnlcomm))
def next(self):
# Simply log the closing price of the series from the reference
self.log('Close, %.2f' % self.dataclose[0])
# Check if an order is pending ... if yes, we cannot send a 2nd one
if self.order:
return
# Check if we are in the market
if not self.position:
# 大于均线就买
if self.dataclose[0] > self.sma[0]:
# BUY, BUY, BUY!!! (with all possible default parameters)
self.log('BUY CREATE, %.2f' % self.dataclose[0])
# Keep track of the created order to avoid a 2nd order
self.order = self.buy()
else:
if self.dataclose[0] < self.sma[0]:
# 小于均线卖卖卖！
self.log('SELL CREATE, %.2f' % self.dataclose[0])
# Keep track of the created order to avoid a 2nd order
self.order = self.sell()
if __name__ == '__main__':
cerebro = bt.Cerebro()
# 增加一个策略
cerebro.addstrategy(TestStrategy)
#获取数据
stock_hfq_df = pd.read_excel("./data/sh600000.xlsx",index_col='date',parse_dates=True)
start_date = datetime(2020, 9, 30) # 回测开始时间
end_date = datetime(2021, 9, 30) # 回测结束时间
data = bt.feeds.PandasData(dataname=stock_hfq_df, fromdate=start_date, todate=end_date) # 加载数据
cerebro.adddata(data) # 将数据传入回测系统
cerebro.broker.setcash(100000.0)
# Set the commission - 0.1% ... divide by 100 to remove the %
cerebro.broker.setcommission(commission=0)
# Add a FixedSize sizer according to the stake 每次买卖的股数量
cerebro.addsizer(bt.sizers.FixedSize, stake=70)
print('Starting Portfolio Value: %.2f' % cerebro.broker.getvalue())
cerebro.run()
print('Final Portfolio Value: %.2f' % cerebro.broker.getvalue())执行下，看看：
Starting Portfolio Value: 100000.00 2020-11-04, Close, 125.30 2020-11-05, Close, 125.57 2020-11-06, Close, 125.97 2020-11-09, Close, 126.51 2020-11-10, Close, 126.91 2020-11-11, Close, 128.25 2020-11-11, BUY CREATE, 128.25 2020-11-12, BUY EXECUTED, Price: 127.71, Cost: 8939.70, Comm 0.00 ...(省略n行） 2021-09-29, Close, 127.11 2021-09-30, Close, 126.83 Final Portfolio Value: 99648.60
哎，亏了，还不如追涨杀跌呢！不过，咱们是学习如何使用Backtrader来验证策略，重要是学习，亏就亏了吧。
眼尖的你可能看到了，咱们回测时间是2020-9-30日，为啥系统从2020-11-04开始测试？
这是因为sma（移动平均）的参数为20，也就是要20bar（本例中一个bar就是一天）的数据才能计算，1到19天没数据，可以看下sma的数据：
从第20天开始（20个工作日之后就是11月14日）才有数据，而strategy的next在所有line（本例中，有两个line，一个是open价格，一个是sma）都有有效的时候，才会进行策略的处理。这个例子中，只有一个指标（indicator），实际上可以加随便多少个，来实现复杂的策略，后续再详细讨论。
另外，注意一点，backtrader中对数据的处理是向下取两位小数。
可视化-画图
前面执行程序，每一步都输出文字描述，这个看起来实在不友好，于是Backtrader提供了画图功能。
画图使用的是matplotlib库，前面描述过，必须安装特定版本，不然就有问题。
实现画图，也很简单，加一行代码：
cerebro.plot()放到cerebro.run()之后就可以了，这里不贴代码了，执行试试看：
神奇不？一张图可以看出所有：
-
收盘价和移动平均线。
-
盈利图；
-
买卖点；
-
买卖盈利还是亏损。
-
成交量。
你以为只能这么点，为了展示咱们强大的画图能力，再加点指标来自动画图显示：
-
指数移动平均线
-
权重移动平均线
-
随机指标
-
MACD
-
RSI
-
RSI的简单移动平均
-
ATR。这个不画图，展示如何控制Line是否参与画图。
这些指标先自行百度，以后涉及到咱们的策略的时候再介绍。
实现的时候，就是在Strategy初始化的时候，加上如下代码：
# 新加指标用于画图
bt.indicators.ExponentialMovingAverage(self.datas[0], period=25)
bt.indicators.WeightedMovingAverage(self.datas[0], period=25).subplot = True
bt.indicators.StochasticSlow(self.datas[0])
bt.indicators.MACDHisto(self.datas[0])
rsi = bt.indicators.RSI(self.datas[0])
bt.indicators.SmoothedMovingAverage(rsi, period=10)
bt.indicators.ATR(self.datas[0]).plot = False整个Strategy代码如下：
class TestStrategy(bt.Strategy):
params = (
('maperiod', 15),
)
def log(self, txt, dt=None):
''' 记录'''
dt = dt or self.datas[0].datetime.date(0)
print('%s, %s' % (dt.isoformat(), txt))
def __init__(self):
# Keep a reference to the "close" line in the data[0] dataseries
self.dataclose = self.datas[0].close
# To keep track of pending orders and buy price/commission
self.order = None
self.buyprice = None
self.buycomm = None
# 增加移动平均指标
self.sma = bt.indicators.SimpleMovingAverage(
self.datas[0], period=self.params.maperiod)
# 增加划线的指标
bt.indicators.ExponentialMovingAverage(self.datas[0], period=25)
bt.indicators.WeightedMovingAverage(self.datas[0], period=25,
subplot=True)
bt.indicators.StochasticSlow(self.datas[0])
bt.indicators.MACDHisto(self.datas[0])
rsi = bt.indicators.RSI(self.datas[0])
bt.indicators.SmoothedMovingAverage(rsi, period=10)
bt.indicators.ATR(self.datas[0], plot=False)
def notify_order(self, order):
if order.status in [order.Submitted, order.Accepted]:
# Buy/Sell order submitted/accepted to/by broker - Nothing to do
return
# Check if an order has been completed
# Attention: broker could reject order if not enough cash
if order.status in [order.Completed]:
if order.isbuy():
self.log(
'BUY EXECUTED, Price: %.2f, Cost: %.2f, Comm %.2f' %
(order.executed.price,
order.executed.value,
order.executed.comm))
self.buyprice = order.executed.price
self.buycomm = order.executed.comm
else: # Sell
self.log('SELL EXECUTED, Price: %.2f, Cost: %.2f, Comm %.2f' %
(order.executed.price,
order.executed.value,
order.executed.comm))
self.bar_executed = len(self)
elif order.status in [order.Canceled, order.Margin, order.Rejected]:
self.log('Order Canceled/Margin/Rejected')
# Write down: no pending order
self.order = None
def notify_trade(self, trade):
if not trade.isclosed:
return
self.log('OPERATION PROFIT, GROSS %.2f, NET %.2f' %
(trade.pnl, trade.pnlcomm))
def next(self):
# Simply log the closing price of the series from the reference
self.log('Close, %.2f' % self.dataclose[0])
# Check if an order is pending ... if yes, we cannot send a 2nd one
if self.order:
return
# Check if we are in the market
if not self.position:
# Not yet ... we MIGHT BUY if ...
if self.dataclose[0] > self.sma[0]:
# BUY, BUY, BUY!!! (with all possible default parameters)
self.log('BUY CREATE, %.2f' % self.dataclose[0])
# Keep track of the created order to avoid a 2nd order
self.order = self.buy()
else:
if self.dataclose[0] < self.sma[0]:
# SELL, SELL, SELL!!! (with all possible default parameters)
self.log('SELL CREATE, %.2f' % self.dataclose[0])
# Keep track of the created order to avoid a 2nd order
self.order = self.sell()看看效果：
看起来还不错。不过实话说，整个图还是挺丑的，后面优化下。
再来点优化
也许你要问了，为啥咱们用20天的移动平均呢？用15天行不行？其实对于同的股票，这个值还可能不同。backtrader的神奇来了，咱们可以对策略进行对比。
具体的实现方法：
首先在大脑（cerebro）调用addstrategy的时候只传入一个策略，而是调用optstrategy传入多个参数。参见如下主代码，策略不变：
if __name__ == '__main__':
cerebro = bt.Cerebro()
# 增加多参数的策略
strats = cerebro.optstrategy(
TestStrategy,
maperiod=range(10, 31))
#获取数据
stock_hfq_df = pd.read_excel("./data/sh600000.xlsx",index_col='date',parse_dates=True)
start_date = datetime(2020, 9, 30) # 回测开始时间
end_date = datetime(2021, 9, 30) # 回测结束时间
data = bt.feeds.PandasData(dataname=stock_hfq_df, fromdate=start_date, todate=end_date) # 加载数据
cerebro.adddata(data) # 将数据传入回测系统
cerebro.broker.setcash(100000.0)
# Set the commission - 0.1% ... divide by 100 to remove the %
cerebro.broker.setcommission(commission=0)
# Add a FixedSize sizer according to the stake 每次买卖的股数量
cerebro.addsizer(bt.sizers.FixedSize, stake=70)
print('Starting Portfolio Value: %.2f' % cerebro.broker.getvalue())
cerebro.run()
print('Final Portfolio Value: %.2f' % cerebro.broker.getvalue())其次，在Strategy增加stop方法，该方法在每个strategy完成之后调用，也就是在所有数据处理完成之后再调用。该函数会打印每次策略执行后最终还剩多少钱。
2021-09-30, (MA Period 10) Ending Value 99330.80 2021-09-30, (MA Period 12) Ending Value 103441.20 2021-09-30, (MA Period 11) Ending Value 100841.40 2021-09-30, (MA Period 13) Ending Value 102013.20 2021-09-30, (MA Period 14) Ending Value 103860.50 2021-09-30, (MA Period 17) Ending Value 103322.20 2021-09-30, (MA Period 15) Ending Value 105178.60 2021-09-30, (MA Period 16) Ending Value 104009.60 2021-09-30, (MA Period 20) Ending Value 103149.30 2021-09-30, (MA Period 19) Ending Value 104309.20 2021-09-30, (MA Period 18) Ending Value 103423.00 2021-09-30, (MA Period 21) Ending Value 102899.40 2021-09-30, (MA Period 24) Ending Value 104294.50 2021-09-30, (MA Period 22) Ending Value 103868.20 2021-09-30, (MA Period 25) Ending Value 103544.80 2021-09-30, (MA Period 23) Ending Value 103264.10 2021-09-30, (MA Period 26) Ending Value 102888.20 2021-09-30, (MA Period 27) Ending Value 102410.10 2021-09-30, (MA Period 28) Ending Value 101978.20 2021-09-30, (MA Period 29) Ending Value 102212.70 2021-09-30, (MA Period 30) Ending Value 101871.10
从以上图中可以看出：
除了10天平均，其他都是盈利的。其中15天平均值，盈利最多。这些信息都可以作为策略的参数调优使用。
3.3总结
咱们一步一步从最原始的啥也不能做的机器人大脑，慢慢进化成能根据输入的股票数据，采用不同的策略来挣钱的成熟大脑，还能把执行过程可视化，实在是一个合格的投资者了。
后面咱们还可以：
1、自定义的指标
2、更好地管理资金；
3、详细的投资收益信息
...
所有这一切，都需要我们取挖掘，后续我们一起继续学习，掌握好Backtrader之后，就可以实现咱们自己的投资策略。