量化交易-Backtrader回测

目录

一、基础篇-backtrader简介

二、backtrader回测应用实例

三、backtrader数据全解析

3.1 数据中必须包含

3.2 一切皆是数据源 

3.3 参数

3.4 Lines线群

四、交易篇 (上）

4.1 交易操作方式

4.2 资金管理

4.3 滑点管理

4.4 手续费

4.5 交易时机

五、交易篇（下）

---

一、基础篇-backtrader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，初始资金、佣金、数据馈送、交易策略、交易头寸大小。
4. 运行回测：运行Crebro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交易策略的回测结果进行评价。

"Lines"是backtrader回测的数据：

Open（开盘价），High（最高价），Low（最低价），Close（收盘价），Volume（成交量），OpenInterest（无得话设置为0）。

DataFeeds（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6条Lines。如果算上“DataTime”（时间，可以看做是一组数据的主建），一共有7条Lines。

当访问一条Line的数据时，会默认向下标为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。

二、backtrader回测应用实例

代码如下（示例）：

import pandas as pd
from datetime import datetime
import backtrader as bt
import matplotlib.pyplot as plt
import tushare as ts

def get_data(code='600519',starttime='2017-01-01',endtime='2020-01-01'):
    df = ts.get_k_data(code,start = starttime,end = endtime)
    print(df)
    df.index = pd.to_datetime(df.date)
    df['openinterest'] = 0;
    df = df[['open','high','low','close','volume','openinterest']]
    return df

stock_df =get_data()
fromdate = datetime(2017,1,1)
todate = datetime(2020,1,1)
data = bt.feeds.PandasData(dataname=stock_df,fromdate=fromdate,todate=todate)

class MyStrategy(bt.Strategy):
    params=(
        ('maperiod',20),
    )
    
    def __init__(self):
        self.order = None
        self.ma = bt.indicators.SimpleMovingAverage(self.datas[0],period=self.params.maperiod)
    def next(self):
        if(self.order):
            return
        if(not self.position):
            if self.datas[0].close[0] > self.ma[0]:
                self.order = self.buy (size=200)
            else:
                if self.datas[0].close[0] < self.ma[0]:
                    self.order = self.sell(size=200)

cerebro = bt.Cerebro()
cerebro.adddata(data)
cerebro.addstrategy(MyStrategy)
startcash = 100000
cerebro.broker.setcash(startcash)
cerebro.broker.setcommission(0.0002)

s = fromdate.strftime("%Y-%m-%d")
t = todate.strftime("%Y-%m-%d")
print(f"初始资金：{startcash}\n回测时间:{s}-{t}")
cerebro.run()
portval = cerebro.broker.getvalue()
print(f"剩余总资金：{portval}\n回测时间:{s}-{t}")

三、backtrader数据全解析

3.1 数据中必须包含

交易数据(Data Feeds)必须包含以下几个组成部分：开盘价（Open）、最高价（High）、最低价（Low）、收盘价（Close）、成交量（Volume）、持仓量(0penInterest)等。比如：所有的开盘价（Open）按时间组成一条折线（Line），那么一组交易数据（Data Feeds）就应该包含了6条线（Line）。

3.2 一切皆是数据源 

import backtrader as bt
# snip
class MyStrategy(bt.Strategy):
	params = dict(period1=20,period2=25,period3=10,period4=5)

	def __init__(self):
		sma1 = btind.SimpleMovingAverage(self.datas[0],period=self.p.period1)

		# 第二移动平均线使用sma1作为参数，均线的均线
		sma2 = btind.SimpleMovingAverage(sma1,period=self.p.period2)

		# 通过算数运算常见的新数据
		something = sma2-sma1+self.data.close
# snip

3.3 参数

import backtrader as bt
# snip
class MyStrategy(bt.Strategy):
	# 元组
	params = (('period',20),)
	# 字典
	params = dict(period=20)
	# 访问
	def __init__(self):
		self.params.period
		self.p.period
# snip

3.4 Lines线群

• Lines（线群）对象可以容纳一个或多个线，可以通过data.lines.getlinealiases()查看
• 线是由一组数据组成的数组

import backtrader as bt
# snip
class MyStrategy(bt.Strategy):
	params = dict(period=20)
	
	def __init__(self):
		self.movav = btind.SimpleMovingAverage(self.data,period=self.p.period)

	def next(self):
		if self.movav.lines.SMA[0] > self.data.lines.close[0]:
			print('移动平均线大于收盘价')
# snip

主要用法：

# snip
def next(self):
	# 都表示添加的第一个数据集
	self.data
	self.data0
	self.datas[0]
	# 都表示close的那条链条
	self.data.lines[0]
	self.data.lines.close
	self.data.close
# snip

四、交易篇 (上）

4.1 交易操作方式

调用broker中的“set_xxx”方法俩修改条件，还可以通过“get_xxx”方法查看当前设置的条件取值

4.2 资金管理

import backtrader as bt
# snip
cerebro = bt.Cerebro()
# 设置初始资金
# set_cash\setcash
cerebro.broker.set_cash(1000)
# 获取可用资金
# get_cash\getcash\getvalue
cerebro.broker.get_cash()
# 增加或减少资金
cerebro.broker.add_cash(1000)
cerebro.broker.add_cash(-1000)
# snip

4.3 滑点管理

import backtrader as bt
# snip
cerebro = bt.Cerebro()
# 方式1：通过BackBroker类中的slip_perc参数设置百分比滑点
cerebro.broker = bt.brokers.BackBroker(slip_perc=0.0001)
# 方式2：通过调用brokers的set_slippage_perc方法设置百分比滑点
cerebro.broker.set_slippage_perc(perc=0.0001)
# snip

4.4 手续费

import backtrader as bt
# snip
cerebro = bt.Cerebro()
# 手续费万分之二
cerebro.broker = bt.brokers.BackBroker(commission=0.0002)
# snip

4.5 交易时机

Backtrader还提供了一些cheating式的交易时机模式：Cheat-On-Open和Cheat-On-Close。

Backtrade默认是“当日收盘后下单，次日开盘价成交”，这种模式在回测过程中能有效避免使用未来数据。

Cheat-On-Open是“当日下单，当日以开盘价成交”模式

• 方式1：bt.Cerebro(cheat_on_open=True)
• 方式2：cerebro.broker_set_coo(True)
• 方式3：BackBroker(coo=True)

Cheat-On-Close是“当日下单，当日以收盘价成交”模式

• 方式：cerebro.broker_set_coc(True) 

五、交易篇（下）

import backtrader as bt
# snip
class TestStrategy(bt.Strategy):
	def next(self):
		# 买入，做多 long
		self.order = self.buy(...)
		# 卖出，做空 short
		self.order = self.sell(...)
		# 平仓 cover
		self.order = self.close(...)
# snip

• data （默认：None）：用于制定给哪个数据集（即哪个证券）创建订单，默认为None，表示给第1个数据集（self.datas[0]、self.data0对应的证券）创建订单。
• size（默认：None）：订单委托数量（正数），默认为None，表示会自动通过getsizer获取sizer。
• price（默认：None）：订单委托价，None表示不指定具体的委托价，而是由市场决定最终的成交价。

import backtrader as bt
# snip
class TestStrategy(bt.Strategy):
	def next(self):
		# 按目标数量下单
		self.order = self.order_target_size(target=size)
		# 按目标金额下单
		self.order = self.order_target_value(target=value)
		# 按目标百分比下单
		self.order = self.order_target_percent(target=percent)
# snip