1引言目前基于Python的量化回测框架有很多，开源框架有zipline、vnpy、pyalgotrader和backtrader等，而量化平台有Quantopian（国外）、聚宽、万矿、优矿、米筐、掘金等，这些量化框架或平台各有优劣。就个人而言，比较偏好用backtrader，因为它功能十分完善，有完整的使用文档，安装相对简单（直接pip安装即可）。优点是运行速度快，支持pandas的矢量运算；支持参数自动寻优运算，内置了talib股票分析技术指标库；支持多品种、多策略、多周期的回测和交易；支持pyflio、empyrica分析模块库、alphalens多因子分析模块库等；扩展灵活，可以集成TensorFlow、PyTorch和Keras等机器学习、神经网络分析模块。而不足之处在于，backtrader学习起来相对复杂，编程过程中使用了大量的元编程（类class），如果Python编程基础不扎实（尤其是类的操作），学起来会感到吃力。本文作为backtrader的入门系列之一，对其运行框架进行简要介绍，并以实际案例展示量化回测的过程。2backtrader简介如果将backtrader包分解为核心组件，主要包括以下组成部分：（1）数据加载（Data Feed）：将交易策略的数据加载到回测框架中。 （2）交易策略（Strategy）：该模块是编程过程中最复杂的部分，需要设计交易决策，得出买入/卖出信号。 （3）回测框架设置（ Cerebro）：需要设置（i）初始资金（ii）佣金（iii）数据馈送（iv）交易策略（v）交易头寸大小。 （4）运行回测：运行Cerebro回测并打印出所有已执行的交易。 （5）评估性能（Analyzers）:以图形和风险收益等指标对交易策略的回测结果进行评价。“Lines”是backtrader回测的数据，由一系列的点组成，通常包括以下类别的数据：Open（开盘价）, High（最高价）, Low（最低价）, Close（收盘价）, Volume（成交量）, OpenInterest（无的话设置为0）。Data Feeds（数据加载）、Indicators（技术指标）和Strategies（策略）都会生成 Lines。价格数据中的所有”Open” (开盘价)按时间组成一条 Line。所以，一组含有以上6个类别的价格数据，共有6条 Lines。如果算上“DateTime”（时间，可以看作是一组数据的主键），一共有7条 Lines。当访问一条 Line 的数据时，会默认指向下标为 0 的数据。最后一个数据通过下标 -1 来访问，在-1之后是索引0，用于访问当前时刻。因此，在回测过程中，无需知道已经处理了多少条/分钟/天/月，”0”一直指向当前值，下标 -1 来访问最后一个值。3回测应用实例量化回测说白了是使用历史数据去验证交易策略的性能，因此回测的第一步是搭建交易策略，这也是backtrader要设置的最重要和复杂的部分，策略设定好后，其余部分的代码编写是手到擒来。01构建策略（Strategy）交易策略类代码包含重要的参数和用于执行策略的功能，要定义的参数或函数名如下：（1）params-全局参数，可选：更改交易策略中变量/参数的值，可用于参数调优。 （2）log：日志，可选：记录策略的执行日志，可以打印出该函数提供的日期时间和txt变量。（3） __init__：用于初始化交易策略的类实例的代码。 （4）notify_order，可选：跟踪交易指令（order）的状态。order具有提交，接受，买入/卖出执行和价格，已取消/拒绝等状态。 （5）notify_trade，可选：跟踪交易的状态，任何已平仓的交易都将报告毛利和净利润。 （6）next，必选：制定交易策略的函数，策略模块最核心的部分。下面以一个简单的单均线策略为例，展示backtrader的使用过程，即当收盘价上涨突破20日均线买入（做多），当收盘价下跌跌穿20日均线卖出（做空）。为简单起见，不报告交易回测的日志，因此log、notify_order和notify_trade函数省略不写。
classmy_strategy1(bt.Strategy):#全局设定交易策略的参数params=(('maperiod',20),)def__init__(self):#指定价格序列self.dataclose=self.datas[0].close#初始化交易指令、买卖价格和手续费self.order=Noneself.buyprice=Noneself.buycomm=None#添加移动均线指标，内置了talib模块self.sma=bt.indicators.SimpleMovingAverage(self.datas[0],period=self.params.maperiod)defnext(self):ifself.order:#检查是否有指令等待执行,return#检查是否持仓ifnotself.position:#没有持仓#执行买入条件判断：收盘价格上涨突破20日均线ifself.dataclose[0]>self.sma[0]:#执行买入self.order=self.buy(size=500)else:#执行卖出条件判断：收盘价格跌破20日均线ifself.dataclose[0]<self.sma[0]:#执行卖出self.order=self.sell(size=500)02数据加载（Data Feeds）策略设计好后，第二步是数据加载，backtrader提供了很多数据接口，包括quandl（美股）、yahoo、pandas格式数据等，我们主要分析A股数据。mpl.rcParams['axes.unicode_minus']=False
#先引入后面可能用到的包（package）importpandasaspdfromdatetimeimportdatetimeimportbacktraderasbtimportmatplotlib.pyplotasplt%matplotlibinline#正常显示画图时出现的中文和负号frompylabimportmplmpl.rcParams['font.sans-serif']=['SimHei']使用tushare获取浦发银行（代码：600000）数据。#使用tushare旧版接口获取数据importtushareastsdefget_data(code,start='2010-01-01',end='2020-03-31'):df=ts.get_k_data(code,autype='qfq',start=start,end=end)df.index=pd.to_datetime(df.date)df['openinterest']=0df=df[['open','high','low','close','volume','openinterest']]returndfdataframe=get_data('600000')
#回测期间start=datetime(2010,3,31)end=datetime(2020,3,31)#加载数据data=bt.feeds.PandasData(dataname=dataframe,fromdate=start,todate=end)03 回测设置（Cerebro）回测设置主要包括几项：回测系统初始化，数据加载到回测系统，添加交易策略， broker设置（如交易资金和交易佣金），头寸规模设置作为策略一部分的交易规模等，最后显示执行交易策略时积累的总资金和净收益。
#初始化cerebro回测系统设置cerebro=bt.Cerebro()#将数据传入回测系统cerebro.adddata(data)#将交易策略加载到回测系统中cerebro.addstrategy(my_strategy1)#设置初始资本为10,000startcash=10000cerebro.broker.setcash(startcash)#设置交易手续费为0.2%cerebro.broker.setcommission(commission=0.002)04 执行回测输出回测结果。print(f'净收益: {round(pnl,2)}')
d1=start.strftime('%Y%m%d')d2=end.strftime('%Y%m%d')print(f'初始资金:{startcash}\n回测期间：{d1}:{d2}')#运行回测系统cerebro.run()#获取回测结束后的总资金portvalue=cerebro.broker.getvalue()pnl=portvalue-startcash#打印结果print(f'总资金:{round(portvalue,2)}')结果如下：初始资金:10000回测期间：20100331:20200331总资金:12065.36净收益:2065.3605 可视化对上述结果进行可视化，使用内置的matplotlib画图。至此，简单的单均线回测就完成了。下面图形展示了浦发银行在回测期间的价格走势、买卖点和交易总资金的变化等。当然，本文着重以最简化的例子展示backtrader的框架和运行过程，要想更详细的展示回测过程和结果，还需要加入其他函数和模块，关于Analyzers分析模块的应用请留意下一篇推文。
%matplotlibinline#在jupyter notebook上运行cerebro.plot(style='candlestick')4 结语backtrader是目前功能最完善的Python量化回测框架之一（单机版），得到欧洲很多银行、基金等金融机构的青睐，并应用于实盘交易中。作为入门序列之一，本文简单介绍了backtrader框架的各个组成部分，然后以20日单均线策略为例，展示了回测系统的编程和运行。公众号接下来将以专题的形式为大家全面介绍backtrader的应用。学习没有捷径，要想全面而深入地学习backtrader回测框架，最好的方法是研读其官方文档。参考资料：backtrader官方文档：https://www.backtrader.com/docu/关于Python金融量化专注于分享Python在金融量化领域的应用。加入知识星球，可以免费获取量化投资视频资料、量化金融相关PDF资料、公众号文章Python完整源码、量化投资前沿分析框架，与博主直接交流、结识圈内朋友等。
0 评论