lesson01 Backtrader是什么

[Backtrader]专题连载

Backtrader是什么？

Backtrader 是 2015 年开源的 Python 量化回测框架（支持实盘交易）。专注于为量化交易策略提供回测和实盘交易功能。它允许用户集中精力编写可复用的交易策略、指标和分析工具，而无需花费时间构建基础设施。

Backtrader 主要特点

丰富的功能：支持股票、期货、期权、外汇、数字货币等多种交易品种，以及从Ticks级到年度的不同时间周期
高效的性能：利用pandas的矢量运算和多策略并行运算，提供快速的回测能力
灵活的组件：内置了Ta-lib技术指标库、PyFlio分析模块、plot绘图模块和参数优化等工具
策略开发：用户可以创建策略类，编写策略逻辑，并通过Cerebro引擎运行回测
数据源：支持多种数据源，允许用户添加数据源到Cerebro引擎，并进行交易
指标和交易：Backtrader提供了大量的内置指标，用户可以在策略中使用这些指标，或自定义新的指标
可视化：Backtrader可以绘制策略的交易图表，帮助用户进行视觉检查

Backtrader 核心组件

在此，先了解 Backtrader 几个核心组件：

Cerebro：BackTrader的基石，所有的操作都是基于Cerebro的。
Feed：将运行策略所需的基础数据加载到Cerebro中，一般为K线数据。
Indicator：BackTader自带的指标，并集成了talib中的指标。我们也可以选择继承一个Indicator实现自己的指标。
Strategy：交易策略。这里是整个过程中最复杂的部分，需要我们计算买入/卖出信号。
Analyzer：分析器，以图形和风险收益等指标对交易策略的回测结果进行分析评价。
Order：订单，记录了与当前订单相关的所有数据。
Trader：交易，记录了与当前交易相关的所有数据。
Position：持仓，记录了与当前持仓相关的所有数据。
Broker：可以理解成经纪人，整个策略的初始资金、交易费率、滑点等参数需要通过Broker进行设置。
Observer：观察者，对数据进行监控观察，比如资金曲线等等。
Plotting：可视化组件

Backtrader 回测代码流程

Backtrader 以 cerebro 为统一的调度中心，数据、策略、回测条件等信息都会导入 cerebro 中，并由 cerebro 启动和完成回测，最后返回回测结果。

Backtrader 回测代码流程

Backtrader 第一个Demo

股票池：中证500成分股
回测区间：20190101-2021-01-28
持仓周期：月度调仓，每月第一个交易日，以开票价买入或卖出
持仓权重：流通市值占比
总资产：100万元
佣金：0.0003 双边
滑点：0.0001 双边
策略逻辑：假设已经在每个月最后一个交易日基于选股规则选出了中证500成分股中表现优异的前20%的股票作为下一个月的持仓成分股，然后在下个月的第一个交易日，卖出已持仓，买入新的持仓。

import backtrader as bt
import pandas as pd
import numpy as np
import datetime
from copy import deepcopy

准备数据

1、日度行情数据集

数据集 daily_price.csv，日度行情数据（后复权），共有 8 个字段，除 sec_code 字段外，其余 7 个字段是 Data Feeds 导入 DataFrame 数据时默认必须包含的字段。

导入多只股票的历史行情数据：

导入的 DataFrame 有默认的格式要求：
- 1）以交易日 ‘datetime’ 为 index；
- 2）列为 ‘open’、‘high’、‘low’、‘close’、‘volume’、‘openinterest’ 字段
采用的是循环导入的方式，每次循环导入一只股票的数据并将数据名称命名为股票名。

2、月末调仓成分股数据集

数据集 trade_info.csv，包含 3 个字段：trade_date 调仓期（每月最后一个交易日）、sec_code 持仓成分股代码、weight 持仓权重

daily_price = pd.read_csv('./data/daily_price.csv', parse_dates=['datetime'])
daily_price = daily_price.set_index(['datetime'])trade_info = pd.read_csv('./data/trade_info.csv',parse_dates=['trade_date'])

编写交易逻辑

选股策略

所有的交易策略都是写在自定义的策略类里，如下面的 TestStrategy 类，自定义的策略类名称可以任意取，但必须继承 Backtrader 内置的 Strategy 类，即 bt.Strategy 。

在TestStrategy 里至少需要定义 init() 和 next() 方法。其中， init() 用于初始化各类属性，next() 用于下单交易。

具体到选股策略：

1. trade_info.csv 里的调仓日和持仓列表就可以定义在 init() 里，方便 next() 函数调用；
1. 在 next() 里，判断每个交易日是否为调仓日，如果是调仓日就按调仓权重卖出旧股，买入新股。

打印回测日志

在 TestStrategy 里还可以定义许多打印日志的函数，常用的有 notify_order() 订单日志、notify_trade() 交易日志、notify_cashvalue() 资金信息、notify_store() 交易事件说明等等。

提取回测结果，首先要确保已经启动并完成回测，然后再从返回的 result 中提取事先配置好的回测结果。

import backtrader.indicators as btind # 导入策略分析模块
import backtrader.feeds as btfeeds # 导入数据模块class TestStrategy(bt.Strategy):# 可选，设置回测的可变参数：如移动均线的周期params = (('buy_stocks',None), # 传入各个调仓日的股票列表和相应的权重)def log(self, txt, dt=None):'''可选，构建策略打印日志的函数：可用于打印订单记录或交易记录等'''dt = dt or self.datas[0].datetime.date(0)print('{},{}'.format(dt.isoformat(),txt))def __init__(self):'''必选，初始化属性、计算指标等'''# 读取调仓日期，即每月的最后一个交易日，回测时，会在这一天下单，然后在下一个交易日，以开盘价买入self.trade_dates = pd.to_datetime(self.p.buy_stocks['trade_date'].unique()).to_list()# 保留调仓信息self.buy_stock = self.p.buy_stocks # 记录以往订单，在调仓日要全部取消未成交的订单self.order_list = []# 记录上一期持仓self.buy_stocks_pre = []# 订单日志def notify_order(self, order):# 未被处理的订单if order.status in [order.Submitted, order.Accepted]:return# 已被处理的订单if order.status in [order.Completed,order.Canceled,order.Margin]:if order.isbuy():self.log('Buy Executed, ref:%.0f, Price: %.2f, Cost: %.2f, Comm %.2f, Size: %.2f, Stock: %s' %(order.ref,order.executed.price,order.executed.value,order.executed.comm,order.executed.size,order.data._name))else:self.log('Sell Executed, ref:%.0f, Price: %.2f, Cost: %.2f, Comm %.2f, Size: %.2f, Stock: %s' %(order.ref,order.executed.price,order.executed.value,order.executed.comm,order.executed.size,order.data._name))def next(self):'''必选，编写交易策略逻辑'''# 获取当前的回测时间点dt = self.datas[0].datetime.date(0)# 打印当前时刻的总资产self.log('当前总资产 %.2f' %(self.broker.getvalue()))# 如果是调仓日，则进行调仓操作if dt in self.trade_dates:print('--{} 为调仓日---'.format(dt))# 1.取消之前所下的没成交也未到期的订单if len(self.order_list)>0:print('---撤销未完成的订单---')for order in self.order_list:self.cancel(order)self.order_list=[]# 2.提取当前调仓日的持仓列表buy_stocks_data = self.buy_stock.query(f"trade_date=='{dt}'")long_list = buy_stocks_data['sec_code'].tolist()print('long_list',long_list)# 3.对现有持仓中，调仓后不再继续持有的股票进行卖出平仓sell_stock = [i for i in self.buy_stocks_pre if i not in long_list]print('sell_stock',sell_stock)if len(sell_stock)>0:print('---对不再持有的股票进行平仓---')for stock in sell_stock:data = self.getdatabyname(stock)if self.getposition(data).size > 0:order = self.close(data=data)self.order_list.append(order)# 4.买入此次调仓的股票：多退少补原则print('---买入此次调仓的股票---')for stock in long_list:weight = buy_stocks_data.query(f"sec_code=='{stock}'")['weight'].iloc[0]data = self.getdatabyname(stock)order = self.order_target_percent(data=data,target=weight * 0.95)self.order_list.append(order)self.buy_stocks_pre = long_list

导入数据

# 实例化 cerebro
cerebro = bt.Cerebro()for stock in daily_price['sec_code'].unique():# 日期对齐data = pd.DataFrame(index=daily_price.index.unique())df = daily_price.query(f"sec_code=='{stock}'")[['open','high','low','close','volume','openinterest']]data_ = pd.merge(data, df, left_index=True, right_index=True, how='left')data_.loc[:,['volume','openinterest']] = data_.loc[:,['volume','openinterest']].fillna(0)data_.loc[:,['open','high','low','close']] = data_.loc[:,['open','high','low','close']].fillna(method='pad')data_.loc[:,['open','high','low','close']] = data_.loc[:,['open','high','low','close']].fillna(0)datafeed = bt.feeds.PandasData(dataname=data_, fromdate=datetime.datetime(2019,1,2),todate=datetime.datetime(2021,1,28))cerebro.adddata(datafeed,name=stock)

配置回测条件

# 通过经纪商设置初始资金
cerebro.broker.setcash(100000000.0)
# 佣金，双边各 0.0003
cerebro.broker.setcommission(commission=0.0003) 
# 滑点：双边各 0.0001
cerebro.broker.set_slippage_perc(perc=0.0001) # 添加策略
cerebro.addstrategy(TestStrategy, buy_stocks=trade_info)# 添加策略分析指标
cerebro.addanalyzer(bt.analyzers.TimeReturn, _name='pnl')
cerebro.addanalyzer(bt.analyzers.AnnualReturn, _name='_AnnualReturn')
cerebro.addanalyzer(bt.analyzers.SharpeRatio, riskfreerate=0.003, annualize=True, _name='_SharpeRatio')
cerebro.addanalyzer(bt.analyzers.DrawDown, _name='_DrawDown')# 添加观测器
cerebro.addobserver(bt.observers.Value)

运行回测

# 启动回测
result = cerebro.run()

提取回测结果

stats = result[0]
print('--AnnualReturn---')
print(stats.analyzers._AnnualReturn.get_analysis())
print('---SharpRatio---')
print(stats.analyzers._SharpeRatio.get_analysis())
print('--DrawDown---')
print(stats.analyzers._DrawDown.get_analysis())

--AnnualReturn---
OrderedDict([(2019, 0.2421668400755459), (2020, 0.2154227563253983), (2021, 0.017567210073598405)])
---SharpRatio---
OrderedDict([('sharperatio', 1.5512121051534205)])
--DrawDown---
AutoOrderedDict([('len', 136), ('drawdown', 6.655064560819013), ('moneydown', 10952970.349310696), ('max', AutoOrderedDict([('len', 206), ('drawdown', 20.374812759676267), ('moneydown', 27705182.493407518)]))])

# https://blog.csdn.net/weixin_42829932/article/details/128515915
# 可视化回测结果
%matplotlib inline
cerebro.plot(iplot=True)[0][0]

Q&A

在导入多只股票数据时需注意?

各股交易日不统一：上市日期不一致、退市日期不一致、回测区间内出现停牌等，都会使得不同股票各自的交易日数量不统一，所以要以回测区间内所有交易日为基础，对每只股票缺失的交易日进行补齐；
行情数据缺失：在补齐交易日过程中，会使得补充的交易日缺失行情数据，需对缺失数据进行填充。比如将缺失的 volume 填充为 0，表示股票无法交易的状态；将缺失的高开低收做前向填充；将上市前缺失的高开低收填充为 0 等；
股票与行情数据的匹配：通过设置 adddata() 方法中 name 参数，来实现数据集与股票的一一对应关系。