量化回测框架Backtrader【2】-数据导入(附:Tushare介绍)
目录
一,通用参数
二,通用CSV格式数据导入
三,panda数据导入
四,导入扩展数据类别
量化回测的第一步就是导入数据,Backtrader中称这个为data feeds,支持多种数据导入方式
- 通用CSV格式
- panda数据
- Backtrader CSV Backtrader 为测试自创的格式,
- 一系列的第三方数据包括(yahoo等)
由于后面两种方式暂时还不会用到,所以只介绍前面两种方式。
一,通用参数
由于所有的数据导入类都派生于同一个基类,所以所有的数据导入类都支持通用参数。
- dataname (默认值: 无) 必须提供
含义随数据类型(文件位置,代码,…)而异。 - name (默认值: ‘’)
用于绘图。 如果未指定,则会从数据名派生(例如:文件路径的最后一部分) - fromdate (默认值: 最早的时间)
Python datetime对象,忽略最早时间之前的任何时间 - todate (默认值: 最晚的时间)
Python datetime对象,忽略最晚时间之后的任何时间 - timeframe (默认值: TimeFrame.Days)
时间间隔,可选值:Ticks
,Seconds
,Minutes
,Days
,Weeks
,Months
andYears
- compression (默认值: 1)
每个bar里面实际包含的bar数量(bar是时间的颗粒度,相当于k线图上的一个柱子),仅在数据重采样/回放中有效。 - sessionstart (默认值: None)
指示数据的会话开始时间。 可能被类用于诸如重采样之类的目的 - sessionend (默认值: None)
指示数据的会话结束时间。 可能被类用于诸如重采样之类的目的
二,通用CSV格式数据导入
函数名:GenericCSVData
独有参数:
- dataname 数据文件名
- datetime (默认值: 0) 日期数据所在列
- time (默认值: -1) 时间数据所在列(-1代表没有)
- open (默认值: 1) , high (默认值: 2), low (默认值: 3), close (默认值: 4), volume (默认值: 5), openinterest (默认值: 6)
分别表示开盘,最高价,最低价,收盘价,交易量,持仓量所在列(-1代表没有) - nullvalue (默认值: float(‘NaN’))
用来替换缺失值的值 - dtformat (默认值: %Y-%m-%d %H:%M:%S)
日期格式 - tmformat (默认值: %H:%M:%S)
时间格式
再举例子前先介绍一个可以获取股票行情数据的平台,tushare。
Tushare是一个免费、开源的python财经数据接口包。主要实现对股票等金融数据从 数据采集、 清洗加工到 数据存储的过程,能够为金融分析人员提供快速、整洁、和多样的便于分析的数据,为他们在数据获取方面极大地减轻工作量,使他们更加专注于策略和模型的研究与实现上。考虑到Python pandas包在金融量化分析中体现出的优势,Tushare返回的绝大部分的数据格式都是pandas DataFrame类型,非常便于用pandas/NumPy/Matplotlib进行数据分析和可视化。当然,如果您习惯了用Excel或者关系型数据库做分析,您也可以通过Tushare的数据存储功能,将数据全部保存到本地后进行分析。应一些用户的请求,从0.2.5版本开始,Tushare同时兼容Python 2.x和Python 3.x,对部分代码进行了重构,并优化了一些算法,确保数据获取的高效和稳定。
我对比了一下网上其他的数据源,相对来说这个平台的数据还是比较齐全的,日线数据是免费的,对于入门级的基础研究也够用了,高级一点的数据可能就需要去赚积分了。具体可以看他们的官网
https://tushare.pro/
欢迎大家通过我的推荐去注册,谢谢!https://tushare.pro/register?reg=427104
下面举个从tushare获取日线数据的例子:
import tushare as ts
import pandas as pdpro = ts.pro_api(token='your token id')
df = pro.daily(ts_code='000001.SZ', start_date='20110101', end_date='20210101').iloc[::-1]
df.to_csv('stock_data.csv', index=False )
tushare的pro版本是需要注册使用的,注册成功以后会获得一个token id,用你申请到的token id替换代码中的‘your token id’。
获取日线数据的api是pro.daily(), 参数:
- ts_code:股票代码
- start_date:数据开始日期
- end_date:数据结束日期
返回的是一个pandas的dataframe。由于tushare返回的数据是时间反序的,即最新的日期在最前面,这跟BackTrader对数据的要求正好相反,所以用‘iloc[::-1]’使它颠倒一下顺序。最后一行代码就是调用pandas的转存为csv的接口保存为csv文件供以后使用。
最终应该可以在notebook的根目录(如果运行在jupyter上)下生成名为‘stock_data.csv’的中国平安(股票代码:000001.SZ)从20110101到20210101的日线数据文件。
接下来我们就可以用这个数据文件测试BackTrader的数据导入接口。
from datetime import datetime
import backtrader as bt
import backtrader.feeds as btfeedsclass SmaCross(bt.SignalStrategy):def __init__(self):sma1, sma2 = bt.ind.SMA(period=10), bt.ind.SMA(period=30)crossover = bt.ind.CrossOver(sma1, sma2)self.signal_add(bt.SIGNAL_LONG, crossover)cerebro = bt.Cerebro()
cerebro.addstrategy(SmaCross)data = btfeeds.GenericCSVData(dataname='stock_data.csv',fromdate=datetime(2011, 1, 1),todate=datetime(2012, 12, 31),nullvalue=0.0,dtformat=('%Y%m%d'),datetime=1,open=2,high=3,low=4, close=5,volume=9,openinterest=-1
)cerebro.adddata(data)cerebro.run()
cerebro.plot(iplot=False)
在上一讲的代码的基础上修改了数据导入的接口
上图显示了我们从tushare下载到的数据,
日期格式是‘年月日’且没有分割,所以dtformat为'%Y%m%d'
‘datetime’,‘open’,‘high’,‘low’,‘close’,‘volume’分别是对应的列序(第一列的列序为0)
如果运行没有问题的话应该会输出如下的图表
三,panda数据导入
独有参数:
- nocase (默认值:True) 匹配列名时不区分大小写
参数dataname 传入Pandas DataFrame变量
参数datetime,open , high , low , close , volume, openinterest 用列名或列序指定
如果索引列是日期,则参数datetime可以不提供
例子如下:
from datetime import datetime
import backtrader as bt
import backtrader.feeds as btfeeds
import tushare as ts
import pandas as pdclass SmaCross(bt.SignalStrategy):def __init__(self):sma1, sma2 = bt.ind.SMA(period=10), bt.ind.SMA(period=30)crossover = bt.ind.CrossOver(sma1, sma2)self.signal_add(bt.SIGNAL_LONG, crossover)cerebro = bt.Cerebro()
cerebro.addstrategy(SmaCross)pro = ts.pro_api(token='936d1029be68a59a3e77eeb9e4eb1ea3c36502bd4b4bf9e1aae91bd8')
df = pro.daily(ts_code='000001.SZ', start_date='20110101', end_date='20210101').iloc[::-1]
df.trade_date=pd.to_datetime(df.trade_date) #由于trade_date是字符串,BackTrader无法识别,需要转一下
data = btfeeds.PandasData(dataname=df,fromdate=datetime(2011, 1, 1),todate=datetime(2012, 12, 31),datetime='trade_date',open='open',high='high',low='low', close='close',volume='vol',openinterest=-1
)cerebro.adddata(data)cerebro.run()
cerebro.plot(iplot=False)
由于tushare返回的就是pandas的dataframe,所以这里可以直接使用,只是trade_date列需要转成datatime格式,输出跟上个例子一样就不重复贴了。
四,导入扩展数据类别
BackTrader的data feeds默认导入的数据类别是datetime,open , high , low , close , volume, openinterest。除了这些基本的数据,我们可能会使用其他的数据类别作为策略的依据,BackTrader也支持数据类别的扩展,方法如下:
from backtrader.feeds import GenericCSVDataclass GenericCSV_extend(GenericCSVData):# 添加change数据lines = ('change',)# 添加参数,由于openinterest默认是index 7 所以我们默认index 8params = (('change', 8),)
从GenericCSVData类继承创建新类,新类里添加lines(下一讲会介绍这个lines),再为这个数据类别添加新的参数。使用这个新创的类就可以导入新的数据了,示例如下:
from datetime import datetime
import backtrader as bt
from backtrader.feeds import GenericCSVData
import backtrader.indicators as btindclass GenericCSV_extend(GenericCSVData):# 添加change数据lines = ('change',)# 添加参数,由于openinterest默认是index 7 所以我们默认index 8params = (('change', 8),)class SmaCross(bt.SignalStrategy):def __init__(self):sma1, sma2 = bt.ind.SMA(period=10), bt.ind.SMA(period=30) crossover = bt.ind.CrossOver(sma1, sma2)self.signal_add(bt.SIGNAL_LONG, crossover)#为了显示新加的change添加一个change的移动均值btind.SMA(self.data.change, period=1, subplot=True)cerebro = bt.Cerebro()
cerebro.addstrategy(SmaCross)data = GenericCSV_extend(dataname='stock_data.csv',fromdate=datetime(2011, 1, 1),todate=datetime(2012, 12, 31),nullvalue=0.0,dtformat=('%Y%m%d'),datetime=1,open=2,high=3,low=4, close=5, change=7, #新导入数据changevolume=9,openinterest=-1
)cerebro.adddata(data)cerebro.run()
cerebro.plot(iplot=False)
依然是基于上面的例子,我们添加了原本没有被导入的每日价格涨跌数据,另外添加了显示新数据的代码,输出应该是这样的
通过比较可以看到新的数据显示在了最下面。
量化回测框架Backtrader【2】-数据导入(附:Tushare介绍)相关推荐
- 量化回测框架Backtrader【3】-核心概念Lines
目录 一,什么是Lines 二,Lines的声明 三,Lines的访问 四,Lines的长度 五,Lines和参数的继承机制 题外话 这讲介绍BackTrader的一个贯穿框架始终的核心概念-line ...
- 【python量化】国内外基于python开发的量化回测框架
文章目录 写在前面 Zipline PyAlgoTrade BackTrader Catalyst Vn.py 总结 写在前面 在进行量化策略开发时,必不可少的就是策略回测,虽然有很多量化回测平台如三 ...
- 量化回测平台Backtrader实战-陆一潇-专题视频课程
量化回测平台Backtrader实战-240人已学习 课程介绍 课程通过学习Backtrader这一功能丰富的开源回测平台来逐步实现多个量化cta策略的回测实现.Backtrader是 ...
- 手把手教你用Python搭建自己的量化回测框架【均值回归策略】
1 引言 大部分量化策略都可以归类为均值回归与动量策略.事实上,只有当股票价格是均值回归或趋势的,交易策略才能盈利.否则,价格是随机游走的,交易将无利可图.均值回归是金融学的一个重要概念,指股票价格无 ...
- python量化回测框架_股票量化交易回测框架pyalgotrade源码阅读(一)
PyAlgoTrade是什么呢? 一个股票量化交易的策略回测框架. 而作者的说明如下. To make it easy to backtest stock trading strategies. 简单 ...
- pyalgotrade量化回测框架简单试用
持续行动1期 40/100,"AI技术应用于量化投资研资"之可转债投资. 今天要讲一个量化的传统"科目"--回测. 很多人一提及量化,第一个想到的就是回测系统, ...
- python量化策略源码_Python量化交易进阶讲堂-创建自定义量化回测框架
欢迎大家订阅<Python实战-构建基于股票的量化交易系统>小册子,小册子会陆续推出与小册内容相关的专栏文章,对涉及到的知识点进行更全面的扩展介绍,并且会有选择地收录至小册中,更便于广大读 ...
- 金融平台(掘金量化)量化PYTHON(二)-量化回测框架介绍
策略创建运行流程 1.创建运行策略 1.1创建策略 打开"掘金量化3.0"客户端,进入"我的策略"-"新建策略",如下所示: 平台本身提供了 ...
- 量化回测框架设计之交易篇(一)
背景介绍 目前回测中报单模式可分为普通限价下单.拆单限价下单(TWAP及VWAP)及智能优化下单(只限定报单量,由算法自动根据当前市场状态优化报单价格),普通限价下单主要用于普通的策略回测,拆单限价下 ...
最新文章
- “大厂平均年龄 29.6 岁”:不是我们选择了年龄焦虑,是大厂焦虑了我们
- SourceInsight-显示文件完整路径
- 聊聊前端国际化文案该如何处理
- 使用Redis实现最近N条数据的决策
- anguarjs 上传图片预览_MIUI12 20.10.29更新,新版「模糊预览图」
- Android版‘音乐一点通’音乐播放器详情
- 20159320《网络攻防实践》第5周教材总结
- 树上10只鸟,开枪打死1只,还剩几只?
- C++ ::什么意思
- Java思维导图(1)
- 电商运营数据分析常用分析指标--交易数据指标、品类分析数据指标与内容分析数据指标
- 使用Python分析统计《大秦帝国》人物及七国的出场次数 的顺序(前20)
- 终端进入服务器,mac使用Shell(终端)SSH连接远程服务器的方法
- 华为云对象存储obs文件上传
- Delphi CxGrid 用法详解
- 熊厂远程办公!聊一聊我在家办公的真实体验!
- 高中数学怎么学好如何轻松学好高中数学
- 两个hc05蓝牙模块在两块单片机上通信(附完整代码)
- 【STM32】STM32之DRV8834电机驱动(IO方式)
- Android Things:用户驱动-输入驱动
热门文章
- “同性”交友平台,出大事了...
- Java的双亲委派机制
- android动画 - 收藏集 - 掘金
- WIN10图片jfif解决+批量改后缀
- 计算机公共教学平台 用户登录,教学平台(电脑网页端)
- 科技云报道:实现元宇宙,英伟达从打造基础建设平台开始
- Linux 系统下用C进行进程管理(生产者-消费者问题)
- mybatisplus之Wrappers.lambdaQuery常用写法
- iframe.contentWindow 属性:关于contentWindow和contentDocument区分
- office、Excel、PPT学习笔记