配置数据#

本文具体讲讲如何在 Backtrader 中配置数据源，也就是 DataFeed。

我会先演示如何给 Backtrader 添加 CSV 数据源。然后，再介绍 Backtrader 中最常用的两种 DataFeed 的使用。

添加数据#

给 Backtrader 加载数据源分为两步：创建 DataFeed，然后通过 cerebro.adddata 加载到系统。

data = bt.feeds.{DataFeedClass}
cerebro.adddata(data)

Backtrader 提供了种类繁多的 DataFeedClass，可用于对接处理不同的数据源，如 CSV 文件、Pandas DataFrame 或者其他自定义的数据类。

下面用 CSV 数据文件作为演示。先从 Backtrader 仓库下载 Oracle 1995 年至 2014 年的行情数据文件 orcl-1995-2014.csv。

开始编写代码吧。

使用 bt.feeds.GenericCSVData 读取 CSV 文件：

data = bt.feeds.GenericCSVData(
    dataname="./orcl-1995-2014.txt",
    dtformat="%Y-%m-%d",
)

指定数据文件的路径和设置日期格式。

GenericCSVData 能适应各种格式的 CSV 文件，是一个通用的读取 CSV 行情数据的 DataFeed 类。

创建 DataFeed 后，通过 cerebro.adddata(data) 将其加载到回测引擎中。

cerebro.adddata(data)

完整脚本：

import backtrader as bt


def main():
    cerebro = bt.Cerebro()

    data = bt.feeds.GenericCSVData(
        dataname="./orcl-1995-2014.txt", dtformat="%Y-%m-%d",
    )
    cerebro.adddata(data)

    cerebro.run()
    cerebro.plot()


if __name__ == "__main__":
    main()

运行代码后，图表中就能看到价格行情了。

Pandas 数据源#

前面通过 GenericCSVData 加载远程 CSV 文件。Backtrader 还支持其他数据获取方式，最常用的是基于 Pandas DataFrame 创建 DataFeed。

依赖 pandas 的灵活性，这种方式能极大扩展数据渠道，无论是本地文件、关系型数据库还是远程 API（如 yfinance、tushare、akshare）都能搞定。

好，我们直接来看代码。

现在用 yfinance 下载 BTC-USD 从 2024-01-01 到 2025-11-10 的行情数据：

cerebro = bt.Cerebro()
df = yf.download("BTC-USD", start="2024-01-01", end='2025-11-10', multi_level_index=False)
data = bt.feeds.PandasData(dataname=df)
cerebro.adddata(data)
cerebro.run()
cerebro.plot(style='bar')

注：使用新版 yfinance 时需设置 multi_level_index=False，否则多级索引可能导致加载失败。

输出绘图如下所示：

如上所示，先用 yfinance 获取指定品种和时间段的数据得到 DataFrame，然后传递给 PandasData 即可创建 Backtrader 可用的数据源。

PandasData 对传入的数据有一定要求：索引为时间，数据列需包含 open、high、low、close、volume 等。列名大写（如 Open、High、Low、Close）也可，PandasData 内部会自动转为小写。

准备工作做完后，就可以用 bt.feeds.PandasData 包装 DataFrame，然后通过 cerebro.adddata() 添加到回测系统中。

小结#

Backtrader 的数据能力非常强大，本文只是简单介绍了创建和添加数据。除此，Backtrader 还提供了其他丰富的数据源类。

大部分情况下，GenericCSVData 和 PandasData 已能满足需求。如有自定义数据列的需求，Backtrader 也支持自定义数据。

添加数据部分，除了 cerebro.adddata 直接添加，还可以重放、重采样数据，模拟实际交易环境。

下一节，我们学习如何编写交易策略。