启动和运行#

Backtrader 的启动和运行过程主要依赖于三个核心组件：

数据源：提供市场数据，用于回测或实时交易。
策略：定义交易逻辑（基于类继承实现）。
Cerebro：核心管理器，负责整合数据源、策略，并启动回测或实时交易。

数据源#

数据源是回测和策略运行的基础，它为策略提供价格数据（如开盘价、高价、低价、收盘价）及其他市场信息。

支持的数据源#

本地数据文件：

支持多种 CSV 格式（如 Yahoo Finance 数据）。
支持从 Pandas DataFrame 加载数据。

在线数据提取：

提供内置的 Yahoo Finance 在线数据提取功能。

实时数据源：

支持 Interactive Brokers (IB)、Visual Chart 和 Oanda 等实时数据源。

平台支持通过 时间框架（如日线、5分钟线）和 压缩级别（如1天、5分钟）自定义数据，以适配不同交易策略。

数据源设置示例#

加载 Yahoo Finance 格式的 CSV 数据#

以下是一个基本的 CSV 数据加载示例：

import backtrader as bt
import datetime

datapath = 'path/to/your/yahoo/data.csv'

data = bt.feeds.YahooFinanceCSVData(
    dataname=datapath,
    reversed=True  # 如果数据是从最新日期到最早日期排列，需要设置为 True
)

如果数据跨越时间范围较长，可限制按时间限制加载的数据：

data = bt.feeds.YahooFinanceCSVData(
    dataname=datapath,
    reversed=True,  # 如果数据是从最新日期到最早日期排列，需要设置为 True
    fromdate=datetime.datetime(2014, 1, 1),  # 数据起始日期
    todate=datetime.datetime(2014, 12, 31),  # 数据结束日期
    timeframe=bt.TimeFrame.Days,  # 时间框架设置为日线
    compression=1,  # 每 1 天作为一个数据单位
    name='Yahoo Data'  # 数据源命名（可选）
)

从 Pandas DataFrame 加载数据#

如果你的数据存储在 Pandas DataFrame 中，可以使用以下方式加载：

import pandas as pd
import backtrader as bt

df = pd.read_csv('path/to/your/data.csv', index_col='Date', parse_dates=True)

data = bt.feeds.PandasData(
    dataname=df,
    fromdate=datetime.datetime(2020, 1, 1),
    todate=datetime.datetime(2020, 12, 31),
    timeframe=bt.TimeFrame.Days
)

设置多时间框架#

如果你需要同时加载 5 分钟和日线数据，可以分别加载不同时间框架的数据源：

data_5min = bt.feeds.GenericCSVData(
    dataname='path/to/5min_data.csv',
    timeframe=bt.TimeFrame.Minutes,
    compression=5
)

data_daily = bt.feeds.GenericCSVData(
    dataname='path/to/daily_data.csv',
    timeframe=bt.TimeFrame.Days,
    compression=1
)

cerebro.adddata(data_5min, name='5min')
cerebro.adddata(data_daily, name='daily')

策略（派生类）#

策略是交易逻辑的核心，它定义了如何根据数据进行买卖操作。Backtrader 中的策略通过继承 bt.Strategy 类实现。

策略的基本方法#

策略类至少需要实现以下两个方法：

__init__：初始化方法，用于定义指标和变量。
next：逐条处理数据，用于执行交易逻辑。

当传递不同时间框架（条数不同）的数据源时，next 方法将基于主数据源迭代（即第一个传递给 Cerebro 的数据），主数据源应是时间框架最小的数据源。

对于 ReplayData，next 方法会被多次调用，特别是当数据跨时间框架时，Backtrader 会在每个数据条上执行 next，模拟数据的发展。

示例策略#

以下是一个简单的策略示例，基于 20 日简单移动平均线（SMA）进行交易：

class MyStrategy(bt.Strategy):
    def __init__(self):
        # 定义简单移动平均线（SMA）
        self.sma = bt.indicators.SimpleMovingAverage(self.data.close, period=20)

    def next(self):
        # 如果收盘价高于 SMA，则买入
        if self.data.close[0] > self.sma[0]:
            self.buy()
        # 如果收盘价低于 SMA，则卖出
        elif self.data.close[0] < self.sma[0]:
            self.sell()

扩展功能#

策略还可以覆盖以下方法，为回测和实时交易添加更多功能：

start：回测开始时调用（用于初始化资源）。
stop：回测结束时调用（用于清理资源或总结）。
notify_order：当订单状态发生变化时调用。
notify_trade：当交易状态发生变化时调用。

演示策略如下所示：

class MyStrategy(bt.Strategy):
    def __init__(self):
        self.sma = bt.indicators.SimpleMovingAverage(self.data.close, period=20)

    def start(self):
        print('回测开始！')

    def stop(self):
        print('回测结束！')

    def notify_order(self, order):
        if order.status in [order.Completed]:
            print(f"订单完成: {order.info}")

    def next(self):
        if self.data.close[0] > self.sma[0]:
            self.buy()
        elif self.data.close[0] < self.sma[0]:
            self.sell()

其他操作#

在 Backtrader 中，策略类还提供各种交易操作。

买入 / 卖出 / 平仓（buy / sell / close）：通过这些方法，策略可以向经纪人发送买入、卖出或平仓订单。平台也允许您手动创建订单并将其传递给经纪人，但通过这些内建的方法，可以让操作变得更简单和高效。
close：立即关闭当前市场头寸。
getposition（或属性 position）：返回当前的市场头寸。通过这个方法，您可以查看当前持有的仓位情况。
setsizer / getsizer（或属性 sizer）：这些方法允许您设置或获取底层的股份定量器（Sizer）。定量器负责计算每次交易的仓位大小，您可以根据需要选择不同的定量器类型，如固定大小、与资本成比例或指数等策略。

策略类本身是一个 Line 对象，支持配置参数。

class MyStrategy(bt.Strategy):

    params = (('period', 20),)

    def __init__(self):
        self.sma = btind.SimpleMovingAverage(self.data, period=self.params.period)
    ...

现在，SimpleMovingAverage 指标不再是固定的 20，而是根据策略中定义的 period 参数动态设置，这提高了策略的灵活性。

Cerebro#

一旦数据源可用并定义了策略，Cerebro 实例会将所有内容整合并执行。创建一个 Cerebro 实例非常简单：

cerebro = bt.Cerebro()

如果没有特别的需求，默认配置会自动处理以下内容：

创建一个默认经纪人；
操作不收取佣金；
数据源会被预加载；
默认执行模式为 runonce（批处理模式），这是最优的执行方式。

需要注意的是，所有指标都必须支持 runonce 模式，以确保执行速度达到最佳。平台中已经包含的指标大多都支持此模式。

典型流程#

创建 Cerebro 实例

cerebro = bt.Cerebro()

添加数据源

cerebro.adddata(data)

添加策略

cerebro.addstrategy(MyStrategy)

配置经纪人

设置初始资金、佣金等。

cerebro.broker.set_cash(100000)  # 设置初始资金
cerebro.broker.setcommission(commission=0.001)  # 设置佣金

运行回测

cerebro.run()

绘制回测结果

cerebro.plot()

plot接受一些参数用于自定义：

numfigs=1

如果绘图过于密集，可以将其分成多个图

plotter=None

可以传递一个绘图器实例给，cerebro 将不按默认绘图。

策略优化#

Backtrader 支持对策略参数进行优化。例如，我们可以测试不同的 SMA 周期参数对策略的影响：

cerebro.optstrategy(MyStrategy, period=range(10, 50, 5))

在上例中，period 参数会从 10 到 45（每次递增 5）进行测试，平台会自动运行每个参数组合的回测。

完整代码示例#

以下是一个完整的代码示例，整合了数据源、策略和 Cerebro：

import backtrader as bt
from datetime import datetime

# 定义策略
class MyStrategy(bt.Strategy):
    def __init__(self):
        self.sma = bt.indicators.SimpleMovingAverage(self.data.close, period=20)

    def next(self):
        if self.data.close[0] > self.sma[0]:
            self.buy()
        elif self.data.close[0] < self.sma[0]:
            self.sell()

# 初始化 Cerebro
cerebro = bt.Cerebro()

# 加载数据
data = bt.feeds.YahooFinanceCSVData(
    dataname='path/to/your/data.csv',
    fromdate=datetime(2020, 1, 1),
    todate=datetime(2021, 1, 1)
)
cerebro.adddata(data)

# 添加策略
cerebro.addstrategy(MyStrategy)

# 配置初始资金和佣金
cerebro.broker.setcash(100000)
cerebro.broker.setcommission(commission=0.001)

# 启动回测
cerebro.run()

# 绘制结果
cerebro.plot()

通过这些核心组件的整合，Backtrader 提供了一个高度灵活的框架，适用于各种回测和实时交易需求。希望这部分的补充对你有所帮助！