Backtrader 策略回测初探
Backtrader 策略回测初探
这篇介绍简单的回测流程,主要的内容如下:
回测函数介绍
单股回测
多股回测
回测函数
回测策略类很简洁,直接继承 bt.Strategy ,复写父类的方法,最后把回测策略类添加到大脑即可。
回测参数 回测类参数添加通过属性变量 params 记录,可以是元组形式,也可以是字典形式。
定义参数
# 元组形式,注意最后一个,逗号别删除params = ( ('maperiod', 20), )
或# 字典形式params = {'maperiod': 20}
使用
通过 self.p.maperiod 访问提取。
bt.ind.SMA(self.data, period=self.p.maperiod)
传参
将策略类传入大脑时,传入参数
cerebro.addstrategy(TestStrategy, maperiod=5)
函数
因为继承了策略类 bt.Strategy ,运行策略时会回调这些函数,需要搞的事情是在相应的函数调用买卖逻辑即可。
先说下 lines 线对象概念,每个指标都是一条 line 线对象,贯穿所有的回测日期。bar 概念是每个日期对应所有的指标。简单理解就是 excel 表的中的列和行,line 线对象相当于 excel 的列,bar 概念相当于 excel 表的行。
函数名 | 函数说明 | 调用时机 |
---|---|---|
__init__()
|
初始化时调用,只调用一次 | 初始化 |
next() |
每条 bar 调用一次, 直到所有 bar 回测完毕, 有效的bar |
每条bar都回调 |
prenext() |
不在next()函数调用的bar, 就调用到这函数 |
不在next()回调的bar |
notify_order() |
当执行 self.buy() 、self.order_target_percent()、 self.sell()等时触发回调 |
订单状态发生变化回调 |
notify_trade() | 交易改变是 | 交易发生时回调 |
log() | 日志打印函数,打印一些交易信息 | 自己调用 |
还有其他一些函数,这里不一一介绍了,不是很重要的。
指标简介
指标在代码层面上的表示形式就是以 line 线对象的方式存在,贯穿整个回测周期,一般在测类类的 __init__
函数里面构建好
在数据篇,有展示过在 feeds.Data 上直接扩展指标,下面介绍的是通过 backtrader 的指标对象来构建新的指标,新的指标也是 line 对象,贯穿整个回测周期。
下面例子构建 20 日移动平均线 SMA:
def __init__(self): self.sma = bt.ind.SMA(self.data, period=20)
注意: 这种形式构建的指标是基于数据篇里面所说的第一个表数据的指标,并不是针对所有表的。而且会影响到 next 回调时机。20 日移动平均线的指标,前 20 日个回测 bar 是无效的,不会在 next() 函数回调,但回调到 prenext() 函数。
下图所示:
关于指标在这里不细说,后面会写一篇详细点的介绍。
回测简易配置
只是做一个简单回测测试,所以简易配置下经纪商,setcash() 配置了一小目标资产 1亿 ,设置佣金 setcommission() 千分之一,addstrategy() 添加策略并设置自定义的参数。
# 设置资产cerebro.broker.setcash(100000000.0)# 设置佣金cerebro.broker.setcommission(commission=0.001)# 添加回测策略,设置自定义参数数值cerebro.addstrategy(SingleTestStrategy, maperiod=20)# 执行策略cerebro.run()# 画图cerebro.plot()
这里不细说这配置了,后面再详细说一篇。
单股回测
下面进入主题,搞一个策略,回测下能不能赚钱,这里只是介绍使用方法,实际应用肯定不能只靠一个指标。
策略 这策略很简单,当当日收盘价高于 20 日平均线时买买买!当当日收盘价低于 20 日移动平均线时卖卖卖。
注意:
该策略是以收盘价下单,以下单后的下一日开盘价作为交割价。
最后一日不做任何的买卖。所以在回测的最后一日的前一天必须下单卖出股票,以便在最后一根 bar 的开盘价做为交割价卖出,不然出现未来函数。
买卖常用函数:
self.order_target_percent(secu_data, target_pct, name=secu)
self.order_target_value(secu_data, target_val, name=secu)
self.buy(secu_data, order_amount, name=secu)
self.sell(secu_data, order_amount, name=secu)
代码胜过千言万语,直接上完整代码:
import datetime
import backtrader as btimport pandas as pd
import stock_db as sdb
class SingleTestStrategy(bt.Strategy): params = ( ('maperiod', 20), )
def __init__(self): self.order = None self.sma = bt.ind.SMA(self.data, period=self.p.maperiod) pass
def downcast(self, amount, lot): return abs(amount // lot * lot)
# 可以不要,但如果你数据未对齐,需要在这里检验 def prenext(self): print('prenext 执行 ', self.datetime.date(), self.getdatabyname('300015')._name , self.getdatabyname('300015').close[0]) pass
def next(self): # 检查是否有指令执行,如果有则不执行这bar if self.order: return # 回测如果是最后一天,则不进行买卖 if pd.Timestamp(self.data.datetime.date(0)) == end_date: return 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; # 不要在股票剔除日前一天进行买入 if self.datas[0].close > self.sma and pd.Timestamp(self.data.datetime.date(1)) < end_date: # 永远不要满仓买入某只股票 order_value = self.broker.getvalue() * 0.98 order_amount = self.downcast(order_value / self.datas[0].close[0], 100) self.order = self.buy(self.datas[0], order_amount, name=self.datas[0]._name)
else: # 执行卖出条件判断:收盘价格跌破20日均线,或者股票剔除 if self.datas[0].close < self.sma or pd.Timestamp(self.data.datetime.date(1)) >= end_date: # 执行卖出 self.order = self.order_target_percent(self.datas[0], 0, name=self.datas[0]._name) self.log(f'卖{self.datas[0]._name},price:{self.datas[0].close[0]:.2f},pct: 0') pass
def notify_order(self, order): if order.status in [order.Submitted, order.Accepted]: # Buy/Sell order submitted/accepted to/by broker - Nothing to do return
# Check if an order has been completed # Attention: broker could reject order if not enough cash if order.status in [order.Completed, order.Canceled, order.Margin]: if order.isbuy(): self.log( f"买入{order.info['name']}, 成交量{order.executed.size},成交价{order.executed.price:.2f} 订单状态:{order.status}") self.log('买入后当前资产:%.2f 元' % self.broker.getvalue()) elif order.issell(): self.log( f"卖出{order.info['name']}, 成交量{order.executed.size},成交价{order.executed.price:.2f} 订单状态:{order.status}") self.log('卖出后当前资产:%.2f 元' % self.broker.getvalue()) self.bar_executed = len(self)
# Write down: no pending order self.order = None
def log(self, txt, dt=None): """ 输出日期 :param txt: :param dt: :return: """ dt = dt or self.datetime.date(0) # 现在的日期 print('%s , %s' % (dt.isoformat(), txt))
pass
def notify_trade(self, trade): '''可选,打印交易信息''' pass
# 开始查询时间start_query = '2019-01-01'end_query = '2022-09-01'
# 开始回测时间from_date = datetime.datetime(2022, 1, 1)to_date = datetime.datetime(2022, 10, 10)cerebro = bt.Cerebro()# 添加几个股票数据codes = [ '300015', # '300347', # '300760', # '603127', # '600438']
# 添加多个股票回测数据end_date = 0for code in codes: data = sdb.stock_daily(code, start_query, end_query) data.index.names = ['datetime'] data_feed = bt.feeds.PandasData(dataname=data, fromdate=from_date, todate=to_date) cerebro.adddata(data_feed, name=code) end_date = data.index[-1] # 股票剔除日 print('添加股票数据:code: %s' % code)
cerebro.broker.setcash(100000000.0)cerebro.broker.setcommission(commission=0.001)cerebro.addstrategy(SingleTestStrategy, maperiod=20)cerebro.run()cerebro.plot()
if __name__ == '__main__': pass
结果:
em em ... 一个亿的资产,亏了接近 1000w, 策略失败!!!!
来看看回测图,backtrader 的回测图的确有点丑哈,后面会有重构可视化篇的。
最上面是资产分析图,行情数据区域的绿色三角形是买入,红色三角形是卖出。
多股回测
单股回测,上面已经介绍了,那如何多个股同时回测呢?在这个问题上,我们首先要解决的是多个股的指标计算并存储起来。
策略逻辑和上面的相同。 计算均线的时候用了dict循环计算每只股票的指标。
self.getdatanames()按顺序返回所有股票的名称list
self.getdatabyname(secu_name):返回该股票的data
所以,在给大脑塞数据时,需要指定 feedData 的 name ,统一用股票代码赋值,这样方便后面的索引。
直接上图说下整个流程逻辑:
代码只是再单股回测的基础下添加多股指标和多股持仓买卖判断,策略和单股相同。
代码如下:
import datetime
import backtrader as btimport pandas as pd
import stock_db as sdb
class MultiTestStrategy(bt.Strategy): params = ( ('maperiod', 20), )
def prenext(self): pass
def downcast(self, amount, lot): return abs(amount // lot * lot)
def __init__(self): # 初始化交易指令 self.order = None self.buy_list = [] # 添加移动平均线指标,循环计算每个股票的指标 self.sma = {x: bt.ind.SMA(self.getdatabyname(x), period=self.p.maperiod) for x in self.getdatanames()}
def next(self): if self.order: # 检查是否有指令等待执行 return # 如果是最后一天,不进行买卖 if pd.Timestamp(self.datas[0].datetime.date(0)) == end_dates[self.datas[0]._name]: return # 是否持仓 if len(self.buy_list) < 2: # 没有持仓 # 没有购买的票 for secu in set(self.getdatanames()) - set(self.buy_list): data = self.getdatabyname(secu) # 如果突破 20 日均线买买买,不要在最后一根bar的前一天买 if data.close > self.sma[secu] and pd.Timestamp(data.datetime.date(1)) < end_dates[secu]: # 买买买 order_value = self.broker.getvalue() * 0.48 order_amount = self.downcast(order_value / data.close[0], 100) self.order = self.buy(data, size=order_amount, name=secu) self.log(f"买{secu}, price:{data.close[0]:.2f}, amout: {order_amount}") self.buy_list.append(secu) elif self.position: now_lst = [] for secu in self.buy_list: data = self.getdatabyname(secu) # 执行卖出条件判断:收盘价格跌破20日均线,或者股票最后一根bar 的前一天之剔除日 if data.close[0] < self.sma[secu] or pd.Timestamp(data.datetime.date(1)) >= end_dates[secu]: # 卖卖卖 self.order = self.order_target_percent(data, 0, name=secu) self.log(f"卖{secu}, price:{data.close[0]:.2f}, pct: 0") continue now_lst.append(secu) self.buy_list = now_lst
def notify_order(self, order): if order.status in [order.Submitted, order.Accepted]: # Buy/Sell order submitted/accepted to/by broker - Nothing to do return
# Check if an order has been completed # Attention: broker could reject order if not enough cash if order.status in [order.Completed, order.Canceled, order.Margin]: if order.isbuy(): self.log(f"""买入{order.info['name']}, 成交量{order.executed.size},成交价{order.executed.price:.2f}""") self.log( f'资产:{self.broker.getvalue():.2f} 持仓:{[(x, self.getpositionbyname(x).size) for x in self.buy_list]}') elif order.issell(): self.log(f"""卖出{order.info['name']}, 成交量{order.executed.size},成交价{order.executed.price:.2f}""") self.log( f'资产:{self.broker.getvalue():.2f} 持仓:{[(x, self.getpositionbyname(x).size) for x in self.buy_list]}') self.bar_executed = len(self)
# Write down: no pending order self.order = None
def log(self, txt, dt=None): """ 输出日期 :param txt: :param dt: :return: """ dt = dt or self.datetime.date(0) # 现在的日期 print('%s , %s' % (dt.isoformat(), txt))
# 开始查询时间start_query = '2019-01-01'end_query = '2022-09-01'
# 开始回测时间from_date = datetime.datetime(2022, 1, 1)to_date = datetime.datetime(2022, 10, 10)cerebro = bt.Cerebro()# 添加几个股票数据codes = [ '300015', '300347', # '300760', # '603127', # '600438']
# 添加多个股票回测数据end_dates = {}end_date = 0for code in codes: data = sdb.stock_daily(code, start_query, end_query) data.index.names = ['datetime'] data_feed = bt.feeds.PandasData(dataname=data, fromdate=from_date, todate=to_date) cerebro.adddata(data_feed, name=code) end_dates[code] = data.index[-1] # 股票剔除日 end_date = data.index[-1] # 股票剔除日 print('添加股票数据:code: %s' % code)
cerebro.broker.setcash(100000000.0)cerebro.broker.setcommission(commission=0.001)cerebro.addstrategy(MultiTestStrategy, maperiod=20)cerebro.run()# 获取回测结束后的总资金portvalue = cerebro.broker.getvalue()# 打印结果print(f'结束资金: {round(portvalue, 2)}')cerebro.plot()
if __name__ == '__main__': pass
看下日志:
enen ,居然赚钱了,小赚接近 1000w.
看下 backtracder 的买卖点:
后面日期好像没触发买卖逻辑,这后面再看看是咋回事。
写于 2022 年 10 月 23 日 10:27:29
本文由 mdnice 多平台发布
Backtrader 策略回测初探相关推荐
- python 策略回测期货_量化投资实战教程(1)—基于backtrader的简单买入卖出策略
都说Python可以用于量化投资,但是很多人都不知道该怎么做,甚至觉得是非常高深的知识,其实并非如此,任何人都可以在只有一点Python的基础上回测一个简单的策略. Backtrader是一个基于Py ...
- backtrader程序介绍-策略回测用法
backtrader的策略回测初尝 前言 backtrader作为能够在自己的python环境运行的回测程序之一,不得不说很好用.今天进行了初步的学习,稍微进行分享. 一.回测基础步骤 应用backt ...
- 【手把手教你】Ichimoku云图指标可视化与交易策略回测
01 引言 Ichimoku Kinko Hyo,简称Ichimoku,是一名日本报纸作家提出的,用于衡量动量以及未来价格支撑和阻力区域的技术分析指标,目前被广泛用于判断外汇.期货.股票.黄金等投资品 ...
- Python双均线策略回测(2021-10-12)
Python双均线策略回测 1.择时策略简介 根据百度百科的解释,择时交易是指利用某种方法来判断大势的走势情况,是上涨还是下跌或者是盘整.如果判断是上涨,则买入持有:如果判断是下跌,则卖出清仓,如果是 ...
- Excel-VBA 股票网格交易策略回测
大家好,我是陈小虾,是一名自动化方向的IT民工.写博客是为了记录自己的学习过程,通过不断输出倒逼自己加速成长.功能说明:由于水平有限,博客中难免会出现一些BUG,或者有更优方案恳请各位大佬不吝赐教!微 ...
- 可转债网格交易策略回测
什么是网格交易策略:基于股票波动高抛低吸策略,自动化反复买卖赚取差价.投资者借助条件单,把资金分成多份,从基准价开始,每跌x%就自动买入一份,每涨y%就自动卖掉一份.股价越波动高抛低吸的机会越多 什么 ...
- 用趋势突破策略回测CTA
以下是小哥用趋势突破策略回测CTA的代码和结果,错误的地方还请大家提出来. 标的是螺纹钢的主力连续合约 #%% 趋势突破策略 # 导入包 import pandas as pd import matp ...
- python 股票回测书籍推荐_python实现马丁策略回测3000只股票
python实现马丁策略回测3000只股票 批量爬取股票数据 这里爬取数据继续使用tushare,根据股票代码来遍历,因为爬取数据需要一定时间,不妨使用多线程来爬取,这里要注意tushare规定每分钟 ...
- python 量化策略回测_在python中创建和回测对交易策略
python 量化策略回测 Pairs trading is one of the many mean-reversion strategies. It is considered non-direc ...
最新文章
- AC日记——小书童——刷题大军 洛谷 P1926
- 最全总结!聊聊 Python 操作PDF的几种方法
- java.lang.NoSuchMethodException: tk.mybatis.mapper.provider.base.BaseSelectProvider.<init>()的问题解决
- 【已解决】surefire-reports for the individual test results.
- mysql_install_db卸载_MySQL数据库的卸载与安装
- 在Qt Creator以外编写Qt程序
- 《Spark与Hadoop大数据分析》一一1.1 大数据分析以及 Hadoop 和 Spark 在其中承担的角色...
- Qt5 QtQuick系列----QtQuick的Secne Graph剖析(1)
- FastDFS入门一篇就够
- Atitit import sql fun 重要的sql功能扩展 ext 目录 1.1. Insert merge	1 1.2. Insert set	1 1.2.1. 13.2.5. LOAD
- 设置Windows系统双网卡同时上内外网
- [FOI2020WC模拟]看上去很简单
- bugly怎么读_Bugly迁入
- 浙江大学【面板数据分析与STATA应用】——第四讲动态面板数据类型
- 学大数据一定要会Java开发吗?
- 计算机发展简史的ppt教程,计算机发展简史PPT.ppt
- 普通人有没有必要学python,什么样的人适合学python
- L1-051 打折 (5 分)
- Arduino+NRF24L01制作遥控器
- Ntrip协议访问千寻位置服务
热门文章
- 智能汽车“三国杀”,哪种模式即将突围?
- TISS与HashQuark达成战略合作 | TokenInsight
- 大班防暴安全安全教案
- 【GlobalMapper精品教程】048:空间操作(5)——对称差集(Symmetrical Difference)
- 传统目标跟踪——光流法
- 计算机专业创业实践课论文,计算机专业创业论文.doc
- 因为计算机中丢失dui,修复WmpDui.dll
- citra linux安装教程,Citra3ds模拟器配置需求说明
- golang 运行命令行进行图片格式转换(jpg转png)
- Python绘制股票日K图(十)汇总日K图、柱状图、折线图