量化回归测试平台设计,python量化交易策略回测

阅读量：

大家好，小编来为大家解答以下问题，量化回归测试平台设计，python量化交易策略回测，现在让我们一起来看看吧！

感谢作者分享-http://bjbsair.com/2020-04-07/tech-info/30880.html

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）python创意作品。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。
【手把手教你】入门量化回测最强神器backtrader（一）

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。

复制代码

 class my_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 = None  
    
     self.buyprice = None  
    
     self.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)  
    
     def next(self):  
    
     if self.order: # 检查是否有指令等待执行,   
    
         return  
    
     # 检查是否持仓     
    
     if not self.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  
    
         if self.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  
    
         if self.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

复制代码

 #先引入后面可能用到的包（package）  
    
 import pandas as pd    
    
 from datetime import datetime  
    
 import backtrader as bt  
    
 import matplotlib.pyplot as plt  
    
 %matplotlib inline     
    
   
    
 #正常显示画图时出现的中文和负号  
    
 from pylab import mpl  
    
 mpl.rcParams['font.sans-serif']=['SimHei']使用tushare获取浦发银行（代码：600000）数据。

复制代码

 #使用tushare旧版接口获取数据  
    
 import tushare as ts   
    
 def get_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']=0  
    
     df=df[['open','high','low','close','volume','openinterest']]  
    
     return df

dataframe=get_data(‘600000’)

复制代码

 #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。

复制代码

 # 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10,000  
    
 startcash = 10000  
    
 cerebro.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)}’)

复制代码

 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：

复制代码

 初始资金: 10000  
    
 回测期间：20100331:20200331  
    
 总资金: 12065.36  
    
 净收益: 2065.36

05 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。

复制代码

 %matplotlib inline #在jupyter notebook上运行  
    
 cerebro.plot(style='candlestick')

4 结语

参考资料：

backtrader官方文档：

https://www.backtrader.com/docu/

感谢作者分享-http://bjbsair.com/2020-04-07/tech-info/30880.html

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。

3回测应用实例

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。

复制代码

 class my_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 = None  
    
     self.buyprice = None  
    
     self.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)  
    
     def next(self):  
    
     if self.order: # 检查是否有指令等待执行,   
    
         return  
    
     # 检查是否持仓     
    
     if not self.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  
    
         if self.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  
    
         if self.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

复制代码

 #先引入后面可能用到的包（package）  
    
 import pandas as pd    
    
 from datetime import datetime  
    
 import backtrader as bt  
    
 import matplotlib.pyplot as plt  
    
 %matplotlib inline     
    
   
    
 #正常显示画图时出现的中文和负号  
    
 from pylab import mpl  
    
 mpl.rcParams['font.sans-serif']=['SimHei']使用tushare获取浦发银行（代码：600000）数据。

复制代码

 #使用tushare旧版接口获取数据  
    
 import tushare as ts   
    
 def get_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']=0  
    
     df=df[['open','high','low','close','volume','openinterest']]  
    
     return df

dataframe=get_data(‘600000’)

复制代码

 #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）

复制代码

 # 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10,000  
    
 startcash = 10000  
    
 cerebro.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)}’)

复制代码

 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：

复制代码

 初始资金: 10000  
    
 回测期间：20100331:20200331  
    
 总资金: 12065.36  
    
 净收益: 2065.36

05 可视化

复制代码

 %matplotlib inline #在jupyter notebook上运行  
    
 cerebro.plot(style='candlestick')

4 结语

参考资料：

backtrader官方文档：

https://www.backtrader.com/docu/

感谢作者分享-http://bjbsair.com/2020-04-07/tech-info/30880.html

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。

3回测应用实例

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。

复制代码

 class my_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 = None  
    
     self.buyprice = None  
    
     self.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)  
    
     def next(self):  
    
     if self.order: # 检查是否有指令等待执行,   
    
         return  
    
     # 检查是否持仓     
    
     if not self.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  
    
         if self.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  
    
         if self.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

复制代码

 #先引入后面可能用到的包（package）  
    
 import pandas as pd    
    
 from datetime import datetime  
    
 import backtrader as bt  
    
 import matplotlib.pyplot as plt  
    
 %matplotlib inline     
    
   
    
 #正常显示画图时出现的中文和负号  
    
 from pylab import mpl  
    
 mpl.rcParams['font.sans-serif']=['SimHei']使用tushare获取浦发银行（代码：600000）数据。

复制代码

 #使用tushare旧版接口获取数据  
    
 import tushare as ts   
    
 def get_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']=0  
    
     df=df[['open','high','low','close','volume','openinterest']]  
    
     return df

dataframe=get_data(‘600000’)

复制代码

 #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）

复制代码

 # 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10,000  
    
 startcash = 10000  
    
 cerebro.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)}’)

复制代码

 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：

复制代码

 初始资金: 10000  
    
 回测期间：20100331:20200331  
    
 总资金: 12065.36  
    
 净收益: 2065.36

05 可视化

复制代码

 %matplotlib inline #在jupyter notebook上运行  
    
 cerebro.plot(style='candlestick')

4 结语

参考资料：

backtrader官方文档：

https://www.backtrader.com/docu/

感谢作者分享-http://bjbsair.com/2020-04-07/tech-info/30880.html

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。

3回测应用实例

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。

复制代码

 class my_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 = None  
    
     self.buyprice = None  
    
     self.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)  
    
     def next(self):  
    
     if self.order: # 检查是否有指令等待执行,   
    
         return  
    
     # 检查是否持仓     
    
     if not self.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  
    
         if self.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  
    
         if self.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

复制代码

 #先引入后面可能用到的包（package）  
    
 import pandas as pd    
    
 from datetime import datetime  
    
 import backtrader as bt  
    
 import matplotlib.pyplot as plt  
    
 %matplotlib inline     
    
   
    
 #正常显示画图时出现的中文和负号  
    
 from pylab import mpl  
    
 mpl.rcParams['font.sans-serif']=['SimHei']使用tushare获取浦发银行（代码：600000）数据。

复制代码

 #使用tushare旧版接口获取数据  
    
 import tushare as ts   
    
 def get_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']=0  
    
     df=df[['open','high','low','close','volume','openinterest']]  
    
     return df

dataframe=get_data(‘600000’)

复制代码

 #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）

复制代码

 # 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10,000  
    
 startcash = 10000  
    
 cerebro.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)}’)

复制代码

 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：

复制代码

 初始资金: 10000  
    
 回测期间：20100331:20200331  
    
 总资金: 12065.36  
    
 净收益: 2065.36

05 可视化

复制代码

 %matplotlib inline #在jupyter notebook上运行  
    
 cerebro.plot(style='candlestick')

4 结语

参考资料：

backtrader官方文档：

https://www.backtrader.com/docu/

感谢作者分享-http://bjbsair.com/2020-04-07/tech-info/30880.html

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。

3回测应用实例

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。

复制代码

 class my_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 = None  
    
     self.buyprice = None  
    
     self.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)  
    
     def next(self):  
    
     if self.order: # 检查是否有指令等待执行,   
    
         return  
    
     # 检查是否持仓     
    
     if not self.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  
    
         if self.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  
    
         if self.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

复制代码

 #先引入后面可能用到的包（package）  
    
 import pandas as pd    
    
 from datetime import datetime  
    
 import backtrader as bt  
    
 import matplotlib.pyplot as plt  
    
 %matplotlib inline     
    
   
    
 #正常显示画图时出现的中文和负号  
    
 from pylab import mpl  
    
 mpl.rcParams['font.sans-serif']=['SimHei']使用tushare获取浦发银行（代码：600000）数据。

复制代码

 #使用tushare旧版接口获取数据  
    
 import tushare as ts   
    
 def get_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']=0  
    
     df=df[['open','high','low','close','volume','openinterest']]  
    
     return df

dataframe=get_data(‘600000’)

复制代码

 #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）

复制代码

 # 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10,000  
    
 startcash = 10000  
    
 cerebro.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)}’)

复制代码

 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：

复制代码

 初始资金: 10000  
    
 回测期间：20100331:20200331  
    
 总资金: 12065.36  
    
 净收益: 2065.36

05 可视化

复制代码

 %matplotlib inline #在jupyter notebook上运行  
    
 cerebro.plot(style='candlestick')

4 结语

参考资料：

backtrader官方文档：

https://www.backtrader.com/docu/

感谢作者分享-http://bjbsair.com/2020-04-07/tech-info/30880.html

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。

3回测应用实例

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。

复制代码

 class my_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 = None  
    
     self.buyprice = None  
    
     self.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)  
    
     def next(self):  
    
     if self.order: # 检查是否有指令等待执行,   
    
         return  
    
     # 检查是否持仓     
    
     if not self.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  
    
         if self.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  
    
         if self.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

复制代码

 #先引入后面可能用到的包（package）  
    
 import pandas as pd    
    
 from datetime import datetime  
    
 import backtrader as bt  
    
 import matplotlib.pyplot as plt  
    
 %matplotlib inline     
    
   
    
 #正常显示画图时出现的中文和负号  
    
 from pylab import mpl  
    
 mpl.rcParams['font.sans-serif']=['SimHei']使用tushare获取浦发银行（代码：600000）数据。

复制代码

 #使用tushare旧版接口获取数据  
    
 import tushare as ts   
    
 def get_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']=0  
    
     df=df[['open','high','low','close','volume','openinterest']]  
    
     return df

dataframe=get_data(‘600000’)

复制代码

 #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）

复制代码

 # 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10,000  
    
 startcash = 10000  
    
 cerebro.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)}’)

复制代码

 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：

复制代码

 初始资金: 10000  
    
 回测期间：20100331:20200331  
    
 总资金: 12065.36  
    
 净收益: 2065.36

05 可视化

复制代码

 %matplotlib inline #在jupyter notebook上运行  
    
 cerebro.plot(style='candlestick')

4 结语

参考资料：

backtrader官方文档：

https://www.backtrader.com/docu/

感谢作者分享-http://bjbsair.com/2020-04-07/tech-info/30880.html

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。

3回测应用实例

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。

复制代码

 class my_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 = None  
    
     self.buyprice = None  
    
     self.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)  
    
     def next(self):  
    
     if self.order: # 检查是否有指令等待执行,   
    
         return  
    
     # 检查是否持仓     
    
     if not self.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  
    
         if self.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  
    
         if self.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

复制代码

 #先引入后面可能用到的包（package）  
    
 import pandas as pd    
    
 from datetime import datetime  
    
 import backtrader as bt  
    
 import matplotlib.pyplot as plt  
    
 %matplotlib inline     
    
   
    
 #正常显示画图时出现的中文和负号  
    
 from pylab import mpl  
    
 mpl.rcParams['font.sans-serif']=['SimHei']使用tushare获取浦发银行（代码：600000）数据。

复制代码

 #使用tushare旧版接口获取数据  
    
 import tushare as ts   
    
 def get_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']=0  
    
     df=df[['open','high','low','close','volume','openinterest']]  
    
     return df

dataframe=get_data(‘600000’)

复制代码

 #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）

复制代码

 # 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10,000  
    
 startcash = 10000  
    
 cerebro.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)}’)

复制代码

 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：

复制代码

 初始资金: 10000  
    
 回测期间：20100331:20200331  
    
 总资金: 12065.36  
    
 净收益: 2065.36

05 可视化

复制代码

 %matplotlib inline #在jupyter notebook上运行  
    
 cerebro.plot(style='candlestick')

4 结语

参考资料：

backtrader官方文档：

https://www.backtrader.com/docu/

感谢作者分享-http://bjbsair.com/2020-04-07/tech-info/30880.html

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。

3回测应用实例

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。

复制代码

 class my_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 = None  
    
     self.buyprice = None  
    
     self.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)  
    
     def next(self):  
    
     if self.order: # 检查是否有指令等待执行,   
    
         return  
    
     # 检查是否持仓     
    
     if not self.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  
    
         if self.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  
    
         if self.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

复制代码

 #先引入后面可能用到的包（package）  
    
 import pandas as pd    
    
 from datetime import datetime  
    
 import backtrader as bt  
    
 import matplotlib.pyplot as plt  
    
 %matplotlib inline     
    
   
    
 #正常显示画图时出现的中文和负号  
    
 from pylab import mpl  
    
 mpl.rcParams['font.sans-serif']=['SimHei']使用tushare获取浦发银行（代码：600000）数据。

复制代码

 #使用tushare旧版接口获取数据  
    
 import tushare as ts   
    
 def get_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']=0  
    
     df=df[['open','high','low','close','volume','openinterest']]  
    
     return df

dataframe=get_data(‘600000’)

复制代码

 #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）

复制代码

 # 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10,000  
    
 startcash = 10000  
    
 cerebro.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)}’)

复制代码

 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：

复制代码

 初始资金: 10000  
    
 回测期间：20100331:20200331  
    
 总资金: 12065.36  
    
 净收益: 2065.36

05 可视化

复制代码

 %matplotlib inline #在jupyter notebook上运行  
    
 cerebro.plot(style='candlestick')

4 结语

参考资料：

backtrader官方文档：

https://www.backtrader.com/docu/

感谢作者分享-http://bjbsair.com/2020-04-07/tech-info/30880.html

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。

3回测应用实例

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。

复制代码

 class my_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 = None  
    
     self.buyprice = None  
    
     self.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)  
    
     def next(self):  
    
     if self.order: # 检查是否有指令等待执行,   
    
         return  
    
     # 检查是否持仓     
    
     if not self.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  
    
         if self.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  
    
         if self.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

复制代码

 #先引入后面可能用到的包（package）  
    
 import pandas as pd    
    
 from datetime import datetime  
    
 import backtrader as bt  
    
 import matplotlib.pyplot as plt  
    
 %matplotlib inline     
    
   
    
 #正常显示画图时出现的中文和负号  
    
 from pylab import mpl  
    
 mpl.rcParams['font.sans-serif']=['SimHei']使用tushare获取浦发银行（代码：600000）数据。

复制代码

 #使用tushare旧版接口获取数据  
    
 import tushare as ts   
    
 def get_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']=0  
    
     df=df[['open','high','low','close','volume','openinterest']]  
    
     return df

dataframe=get_data(‘600000’)

复制代码

 #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）

复制代码

 # 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10,000  
    
 startcash = 10000  
    
 cerebro.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)}’)

复制代码

 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：

复制代码

 初始资金: 10000  
    
 回测期间：20100331:20200331  
    
 总资金: 12065.36  
    
 净收益: 2065.36

05 可视化

复制代码

 %matplotlib inline #在jupyter notebook上运行  
    
 cerebro.plot(style='candlestick')

4 结语

参考资料：

backtrader官方文档：

https://www.backtrader.com/docu/

感谢作者分享-http://bjbsair.com/2020-04-07/tech-info/30880.html

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。

3回测应用实例

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。

复制代码

 class my_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 = None  
    
     self.buyprice = None  
    
     self.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)  
    
     def next(self):  
    
     if self.order: # 检查是否有指令等待执行,   
    
         return  
    
     # 检查是否持仓     
    
     if not self.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  
    
         if self.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  
    
         if self.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

复制代码

 #先引入后面可能用到的包（package）  
    
 import pandas as pd    
    
 from datetime import datetime  
    
 import backtrader as bt  
    
 import matplotlib.pyplot as plt  
    
 %matplotlib inline     
    
   
    
 #正常显示画图时出现的中文和负号  
    
 from pylab import mpl  
    
 mpl.rcParams['font.sans-serif']=['SimHei']使用tushare获取浦发银行（代码：600000）数据。

复制代码

 #使用tushare旧版接口获取数据  
    
 import tushare as ts   
    
 def get_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']=0  
    
     df=df[['open','high','low','close','volume','openinterest']]  
    
     return df

dataframe=get_data(‘600000’)

复制代码

 #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）

复制代码

 # 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10,000  
    
 startcash = 10000  
    
 cerebro.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)}’)

复制代码

 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：

复制代码

 初始资金: 10000  
    
 回测期间：20100331:20200331  
    
 总资金: 12065.36  
    
 净收益: 2065.36

05 可视化

复制代码

 %matplotlib inline #在jupyter notebook上运行  
    
 cerebro.plot(style='candlestick')

4 结语

参考资料：

backtrader官方文档：

https://www.backtrader.com/docu/

感谢作者分享-http://bjbsair.com/2020-04-07/tech-info/30880.html

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。

3回测应用实例

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。

复制代码

 class my_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 = None  
    
     self.buyprice = None  
    
     self.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)  
    
     def next(self):  
    
     if self.order: # 检查是否有指令等待执行,   
    
         return  
    
     # 检查是否持仓     
    
     if not self.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  
    
         if self.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  
    
         if self.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

复制代码

 #先引入后面可能用到的包（package）  
    
 import pandas as pd    
    
 from datetime import datetime  
    
 import backtrader as bt  
    
 import matplotlib.pyplot as plt  
    
 %matplotlib inline     
    
   
    
 #正常显示画图时出现的中文和负号  
    
 from pylab import mpl  
    
 mpl.rcParams['font.sans-serif']=['SimHei']使用tushare获取浦发银行（代码：600000）数据。

复制代码

 #使用tushare旧版接口获取数据  
    
 import tushare as ts   
    
 def get_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']=0  
    
     df=df[['open','high','low','close','volume','openinterest']]  
    
     return df

dataframe=get_data(‘600000’)

复制代码

 #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）

复制代码

 # 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10,000  
    
 startcash = 10000  
    
 cerebro.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)}’)

复制代码

 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：

复制代码

 初始资金: 10000  
    
 回测期间：20100331:20200331  
    
 总资金: 12065.36  
    
 净收益: 2065.36

05 可视化

复制代码

 %matplotlib inline #在jupyter notebook上运行  
    
 cerebro.plot(style='candlestick')

4 结语

参考资料：

backtrader官方文档：

https://www.backtrader.com/docu/

感谢作者分享-http://bjbsair.com/2020-04-07/tech-info/30880.html

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。

3回测应用实例

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。

复制代码

 class my_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 = None  
    
     self.buyprice = None  
    
     self.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)  
    
     def next(self):  
    
     if self.order: # 检查是否有指令等待执行,   
    
         return  
    
     # 检查是否持仓     
    
     if not self.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  
    
         if self.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  
    
         if self.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

复制代码

 #先引入后面可能用到的包（package）  
    
 import pandas as pd    
    
 from datetime import datetime  
    
 import backtrader as bt  
    
 import matplotlib.pyplot as plt  
    
 %matplotlib inline     
    
   
    
 #正常显示画图时出现的中文和负号  
    
 from pylab import mpl  
    
 mpl.rcParams['font.sans-serif']=['SimHei']使用tushare获取浦发银行（代码：600000）数据。

复制代码

 #使用tushare旧版接口获取数据  
    
 import tushare as ts   
    
 def get_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']=0  
    
     df=df[['open','high','low','close','volume','openinterest']]  
    
     return df

dataframe=get_data(‘600000’)

复制代码

 #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）

复制代码

 # 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10,000  
    
 startcash = 10000  
    
 cerebro.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)}’)

复制代码

 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：

复制代码

 初始资金: 10000  
    
 回测期间：20100331:20200331  
    
 总资金: 12065.36  
    
 净收益: 2065.36

05 可视化

复制代码

 %matplotlib inline #在jupyter notebook上运行  
    
 cerebro.plot(style='candlestick')

4 结语

参考资料：

backtrader官方文档：

https://www.backtrader.com/docu/

感谢作者分享-http://bjbsair.com/2020-04-07/tech-info/30880.html

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。

3回测应用实例

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。

复制代码

 class my_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 = None  
    
     self.buyprice = None  
    
     self.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)  
    
     def next(self):  
    
     if self.order: # 检查是否有指令等待执行,   
    
         return  
    
     # 检查是否持仓     
    
     if not self.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  
    
         if self.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  
    
         if self.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

复制代码

 #先引入后面可能用到的包（package）  
    
 import pandas as pd    
    
 from datetime import datetime  
    
 import backtrader as bt  
    
 import matplotlib.pyplot as plt  
    
 %matplotlib inline     
    
   
    
 #正常显示画图时出现的中文和负号  
    
 from pylab import mpl  
    
 mpl.rcParams['font.sans-serif']=['SimHei']使用tushare获取浦发银行（代码：600000）数据。

复制代码

 #使用tushare旧版接口获取数据  
    
 import tushare as ts   
    
 def get_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']=0  
    
     df=df[['open','high','low','close','volume','openinterest']]  
    
     return df

dataframe=get_data(‘600000’)

复制代码

 #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）

复制代码

 # 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10,000  
    
 startcash = 10000  
    
 cerebro.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)}’)

复制代码

 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：

复制代码

 初始资金: 10000  
    
 回测期间：20100331:20200331  
    
 总资金: 12065.36  
    
 净收益: 2065.36

05 可视化

复制代码

 %matplotlib inline #在jupyter notebook上运行  
    
 cerebro.plot(style='candlestick')

4 结语

参考资料：

backtrader官方文档：

https://www.backtrader.com/docu/

感谢作者分享-http://bjbsair.com/2020-04-07/tech-info/30880.html

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。

3回测应用实例

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。

复制代码

 class my_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 = None  
    
     self.buyprice = None  
    
     self.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)  
    
     def next(self):  
    
     if self.order: # 检查是否有指令等待执行,   
    
         return  
    
     # 检查是否持仓     
    
     if not self.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  
    
         if self.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  
    
         if self.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

复制代码

 #先引入后面可能用到的包（package）  
    
 import pandas as pd    
    
 from datetime import datetime  
    
 import backtrader as bt  
    
 import matplotlib.pyplot as plt  
    
 %matplotlib inline     
    
   
    
 #正常显示画图时出现的中文和负号  
    
 from pylab import mpl  
    
 mpl.rcParams['font.sans-serif']=['SimHei']使用tushare获取浦发银行（代码：600000）数据。

复制代码

 #使用tushare旧版接口获取数据  
    
 import tushare as ts   
    
 def get_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']=0  
    
     df=df[['open','high','low','close','volume','openinterest']]  
    
     return df

dataframe=get_data(‘600000’)

复制代码

 #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）

复制代码

 # 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10,000  
    
 startcash = 10000  
    
 cerebro.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)}’)

复制代码

 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：

复制代码

 初始资金: 10000  
    
 回测期间：20100331:20200331  
    
 总资金: 12065.36  
    
 净收益: 2065.36

05 可视化

复制代码

 %matplotlib inline #在jupyter notebook上运行  
    
 cerebro.plot(style='candlestick')

4 结语

参考资料：

backtrader官方文档：

https://www.backtrader.com/docu/

感谢作者分享-http://bjbsair.com/2020-04-07/tech-info/30880.html

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。

3回测应用实例

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。

复制代码

 class my_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 = None  
    
     self.buyprice = None  
    
     self.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)  
    
     def next(self):  
    
     if self.order: # 检查是否有指令等待执行,   
    
         return  
    
     # 检查是否持仓     
    
     if not self.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  
    
         if self.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  
    
         if self.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

复制代码

 #先引入后面可能用到的包（package）  
    
 import pandas as pd    
    
 from datetime import datetime  
    
 import backtrader as bt  
    
 import matplotlib.pyplot as plt  
    
 %matplotlib inline     
    
   
    
 #正常显示画图时出现的中文和负号  
    
 from pylab import mpl  
    
 mpl.rcParams['font.sans-serif']=['SimHei']使用tushare获取浦发银行（代码：600000）数据。

复制代码

 #使用tushare旧版接口获取数据  
    
 import tushare as ts   
    
 def get_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']=0  
    
     df=df[['open','high','low','close','volume','openinterest']]  
    
     return df

dataframe=get_data(‘600000’)

复制代码

 #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）

复制代码

 # 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10,000  
    
 startcash = 10000  
    
 cerebro.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)}’)

复制代码

 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：

复制代码

 初始资金: 10000  
    
 回测期间：20100331:20200331  
    
 总资金: 12065.36  
    
 净收益: 2065.36

05 可视化

复制代码

 %matplotlib inline #在jupyter notebook上运行  
    
 cerebro.plot(style='candlestick')

4 结语

参考资料：

backtrader官方文档：

https://www.backtrader.com/docu/

感谢作者分享-http://bjbsair.com/2020-04-07/tech-info/30880.html

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。

3回测应用实例

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。

复制代码

 class my_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 = None  
    
     self.buyprice = None  
    
     self.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)  
    
     def next(self):  
    
     if self.order: # 检查是否有指令等待执行,   
    
         return  
    
     # 检查是否持仓     
    
     if not self.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  
    
         if self.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  
    
         if self.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

复制代码

 #先引入后面可能用到的包（package）  
    
 import pandas as pd    
    
 from datetime import datetime  
    
 import backtrader as bt  
    
 import matplotlib.pyplot as plt  
    
 %matplotlib inline     
    
   
    
 #正常显示画图时出现的中文和负号  
    
 from pylab import mpl  
    
 mpl.rcParams['font.sans-serif']=['SimHei']使用tushare获取浦发银行（代码：600000）数据。

复制代码

 #使用tushare旧版接口获取数据  
    
 import tushare as ts   
    
 def get_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']=0  
    
     df=df[['open','high','low','close','volume','openinterest']]  
    
     return df

dataframe=get_data(‘600000’)

复制代码

 #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）

复制代码

 # 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10,000  
    
 startcash = 10000  
    
 cerebro.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)}’)

复制代码

 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：

复制代码

 初始资金: 10000  
    
 回测期间：20100331:20200331  
    
 总资金: 12065.36  
    
 净收益: 2065.36

05 可视化

复制代码

 %matplotlib inline #在jupyter notebook上运行  
    
 cerebro.plot(style='candlestick')

4 结语

参考资料：

backtrader官方文档：

https://www.backtrader.com/docu/

感谢作者分享-http://bjbsair.com/2020-04-07/tech-info/30880.html

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。

3回测应用实例

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。

复制代码

 class my_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 = None  
    
     self.buyprice = None  
    
     self.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)  
    
     def next(self):  
    
     if self.order: # 检查是否有指令等待执行,   
    
         return  
    
     # 检查是否持仓     
    
     if not self.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  
    
         if self.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  
    
         if self.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

复制代码

 #先引入后面可能用到的包（package）  
    
 import pandas as pd    
    
 from datetime import datetime  
    
 import backtrader as bt  
    
 import matplotlib.pyplot as plt  
    
 %matplotlib inline     
    
   
    
 #正常显示画图时出现的中文和负号  
    
 from pylab import mpl  
    
 mpl.rcParams['font.sans-serif']=['SimHei']使用tushare获取浦发银行（代码：600000）数据。

复制代码

 #使用tushare旧版接口获取数据  
    
 import tushare as ts   
    
 def get_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']=0  
    
     df=df[['open','high','low','close','volume','openinterest']]  
    
     return df

dataframe=get_data(‘600000’)

复制代码

 #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）

复制代码

 # 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10,000  
    
 startcash = 10000  
    
 cerebro.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)}’)

复制代码

 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：

复制代码

 初始资金: 10000  
    
 回测期间：20100331:20200331  
    
 总资金: 12065.36  
    
 净收益: 2065.36

05 可视化

复制代码

 %matplotlib inline #在jupyter notebook上运行  
    
 cerebro.plot(style='candlestick')

4 结语

参考资料：

backtrader官方文档：

https://www.backtrader.com/docu/

感谢作者分享-http://bjbsair.com/2020-04-07/tech-info/30880.html

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。

3回测应用实例

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。

复制代码

 class my_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 = None  
    
     self.buyprice = None  
    
     self.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)  
    
     def next(self):  
    
     if self.order: # 检查是否有指令等待执行,   
    
         return  
    
     # 检查是否持仓     
    
     if not self.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  
    
         if self.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  
    
         if self.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

复制代码

 #先引入后面可能用到的包（package）  
    
 import pandas as pd    
    
 from datetime import datetime  
    
 import backtrader as bt  
    
 import matplotlib.pyplot as plt  
    
 %matplotlib inline     
    
   
    
 #正常显示画图时出现的中文和负号  
    
 from pylab import mpl  
    
 mpl.rcParams['font.sans-serif']=['SimHei']使用tushare获取浦发银行（代码：600000）数据。

复制代码

 #使用tushare旧版接口获取数据  
    
 import tushare as ts   
    
 def get_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']=0  
    
     df=df[['open','high','low','close','volume','openinterest']]  
    
     return df

dataframe=get_data(‘600000’)

复制代码

 #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）

复制代码

 # 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10,000  
    
 startcash = 10000  
    
 cerebro.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)}’)

复制代码

 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：

复制代码

 初始资金: 10000  
    
 回测期间：20100331:20200331  
    
 总资金: 12065.36  
    
 净收益: 2065.36

05 可视化

复制代码

 %matplotlib inline #在jupyter notebook上运行  
    
 cerebro.plot(style='candlestick')

4 结语

参考资料：

backtrader官方文档：

https://www.backtrader.com/docu/

感谢作者分享-http://bjbsair.com/2020-04-07/tech-info/30880.html

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。

3回测应用实例

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。

复制代码

 class my_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 = None  
    
     self.buyprice = None  
    
     self.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)  
    
     def next(self):  
    
     if self.order: # 检查是否有指令等待执行,   
    
         return  
    
     # 检查是否持仓     
    
     if not self.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  
    
         if self.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  
    
         if self.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

复制代码

 #先引入后面可能用到的包（package）  
    
 import pandas as pd    
    
 from datetime import datetime  
    
 import backtrader as bt  
    
 import matplotlib.pyplot as plt  
    
 %matplotlib inline     
    
   
    
 #正常显示画图时出现的中文和负号  
    
 from pylab import mpl  
    
 mpl.rcParams['font.sans-serif']=['SimHei']使用tushare获取浦发银行（代码：600000）数据。

复制代码

 #使用tushare旧版接口获取数据  
    
 import tushare as ts   
    
 def get_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']=0  
    
     df=df[['open','high','low','close','volume','openinterest']]  
    
     return df

dataframe=get_data(‘600000’)

复制代码

 #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）

复制代码

 # 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10,000  
    
 startcash = 10000  
    
 cerebro.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)}’)

复制代码

 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：

复制代码

 初始资金: 10000  
    
 回测期间：20100331:20200331  
    
 总资金: 12065.36  
    
 净收益: 2065.36

05 可视化

复制代码

 %matplotlib inline #在jupyter notebook上运行  
    
 cerebro.plot(style='candlestick')

4 结语

参考资料：

backtrader官方文档：

https://www.backtrader.com/docu/

感谢作者分享-http://bjbsair.com/2020-04-07/tech-info/30880.html

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。

3回测应用实例

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。

复制代码

 class my_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 = None  
    
         self.buyprice = None  
    
         self.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)  
    
     def next(self):  
    
         if self.order: # 检查是否有指令等待执行,   
    
             return  
    
         # 检查是否持仓     
    
         if not self.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  
    
             if self.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  
    
             if self.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

复制代码

 #先引入后面可能用到的包（package）  
    
 import pandas as pd    
    
 from datetime import datetime  
    
 import backtrader as bt  
    
 import matplotlib.pyplot as plt  
    
 %matplotlib inline     
    
   
    
 #正常显示画图时出现的中文和负号  
    
 from pylab import mpl  
    
 mpl.rcParams['font.sans-serif']=['SimHei']使用tushare获取浦发银行（代码：600000）数据。

复制代码

 #使用tushare旧版接口获取数据  
    
 import tushare as ts   
    
 def get_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']=0  
    
     df=df[['open','high','low','close','volume','openinterest']]  
    
     return df

dataframe=get_data(‘600000’)

复制代码

 #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）

复制代码

 # 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10,000  
    
 startcash = 10000  
    
 cerebro.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)}’)

复制代码

 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：

复制代码

 初始资金: 10000  
    
 回测期间：20100331:20200331  
    
 总资金: 12065.36  
    
 净收益: 2065.36

05 可视化

复制代码

 %matplotlib inline #在jupyter notebook上运行  
    
 cerebro.plot(style='candlestick')

4 结语

参考资料：

backtrader官方文档：

https://www.backtrader.com/docu/

全部评论 (0)

还没有任何评论哟~

量化回归测试平台设计,python量化交易策略回测

大家好，小编来为大家解答以下问题，量化回归测试平台设计，python量化交易策略回测，现在让我们一起来看看吧！感谢作者分享http://bjbsair.com/20200407/techinfo/3...

量化回归测试平台设计,python量化交易策略回测

大家好，给大家分享一下量化回归测试平台设计，很多人还不知道这一点。下面详细解释一下。现在让我们来看看！欢迎大家订阅《教你用Python进阶量化交易》专栏！为了能够提供给大家更轻松的学习过程，笔者在专...

量化回归测试平台设计,python量化交易策略回测

大家好，小编为大家解答量化回归测试平台设计的问题。很多人还不知道python量化交易策略回测，现在让我们一起来看看吧！就选它 Backtrader是2015年开源的Python量化回测框架（支持实盘...

量化回归测试平台设计,python量化交易策略回测

大家好，小编来为大家解答以下问题，量化回归测试平台设计，python量化交易策略回测，现在让我们一起来看看吧！写在前面在本文中，我们将介绍使用PyTorch构建一个深度学习模型，并将其集成到bac...

量化回归测试平台设计,python量化交易策略回测

本篇文章给大家谈谈量化回归测试平台设计，以及python量化交易策略回测，希望对各位有所帮助，不要忘了收藏本站喔。导语 READ 我相信大家平时大多数时间肯定都是在电脑上面敲Python代码，有时...

量化回归测试平台设计,python量化交易策略回测

大家好，小编为大家解答量化回归测试平台设计的问题。很多人还不知道python量化交易策略回测，现在让我们一起来看看吧！文章目录写在前面 Zipline PyAlgoTrade BackTrader...

量化交易策略的设计与回测

有了akshare的数据集，我们可以利用历史数据设计简单的策略并进行回测。最简单的策略：下跌时买入，上涨时卖出。安装 !pip3installakshareupgrade这是akshare的 im...

Python量化交易策略及回测系统

目录前言：行文思路 1、模块导入 2、数据获取 3、股票数据类型转换 4、回测系统编写 5、策略编写 6、实例化策略非面向对象的编程分析总结 2022.12.3更新：由于一些因素不得不将文章中的...

python回测量化交易策略收益率

本篇我们将对比经典量化回测框架pyalgotrade与ailabx，二者同时实现均线策略。 “积木式”实现策略示例 “买入并持有”策略：buyandhold=Strategy[RunOnce, Pri...

python股票回测_Python量化交易-回测简单的交易策略

这篇文章主要介绍如何使用Python对一些简单的交易策略进行回测，对这块比较感兴趣的朋友可以看一看。 1.获取证券数据本文以A股市场为例，先获取A股近10年的数据并保存到数据库。

是否确定退出登录?

量化回归测试平台 设计,python量化交易策略回测

1引言

2backtrader简介

3回测应用实例

4 结语

1引言

2backtrader简介

3回测应用实例

4 结语

1引言

2backtrader简介

3回测应用实例

4 结语

1引言

2backtrader简介

3回测应用实例

4 结语

1引言

2backtrader简介

3回测应用实例

4 结语

1引言

2backtrader简介

3回测应用实例

4 结语

1引言

2backtrader简介

3回测应用实例

4 结语

1引言

2backtrader简介

3回测应用实例

4 结语

1引言

2backtrader简介

3回测应用实例

4 结语

1引言

2backtrader简介

3回测应用实例

4 结语

1引言

2backtrader简介

3回测应用实例

4 结语

1引言

2backtrader简介

3回测应用实例

4 结语

1引言

2backtrader简介

3回测应用实例

4 结语

1引言

2backtrader简介

3回测应用实例

4 结语

1引言

2backtrader简介

3回测应用实例

4 结语

1引言

2backtrader简介

3回测应用实例

4 结语

1引言

2backtrader简介

3回测应用实例

4 结语

1引言

2backtrader简介

3回测应用实例

4 结语

1引言

2backtrader简介

3回测应用实例

4 结语

1引言

2backtrader简介

量化回归测试平台设计,python量化交易策略回测

量化回归测试平台设计,python量化交易策略回测

量化回归测试平台设计,python量化交易策略回测

量化回归测试平台设计,python量化交易策略回测

量化回归测试平台设计,python量化交易策略回测

量化回归测试平台设计,python量化交易策略回测

量化回归测试平台设计,python量化交易策略回测