分析器#

无论是回测还是交易，分析交易系统的表现至关重要：不仅要看是否获利，还要看实现利润的过程中是否承担了过多风险，或者与参考资产（或无风险资产）相比是否真的值得。

这就是分析器的作用：提供对已发生或当前情况的分析。

分析器的设计参照了线条对象（例如具有 next 方法），但有一个主要区别：分析器不包含线条。

这意味着它们不太消耗内存，即使在分析了成千上万个价格柱之后，可能仍然只在内存中保存单个结果。

在生态系统中的位置#

分析器（如同策略、观察者和数据）通过 cerebro 实例添加到系统中：

addanalyzer(ancls, *args, **kwargs)

但在 cerebro.run 期间，对于系统中的每个策略，会发生以下情况：

• ancls 会用 *args 和 **kwargs 实例化
• 实例会附加到策略上

这意味着：

如果回测运行包含 3 个策略，将创建 3 个 ancls 实例，每个实例附加到不同的策略上。

结论：分析器分析的是单个策略的表现，而非整个系统。

附加位置#

某些分析器可能会使用其他分析器来完成其工作。例如：SharpeRatio 使用 TimeReturn 的输出进行计算。

这些子分析器也会插入到创建它们的策略中，但对用户是完全不可见的。

属性#

分析器提供了一些自动设置的默认属性，方便使用：

• self.strategy：对当前运行策略的引用。策略能访问的任何内容，分析器也能访问。
• self.datas[x]：策略中的数据源数组。虽然可以通过策略引用访问，但快捷方式更方便。
• self.data：self.datas[0] 的快捷方式。
• self.dataX：对应 self.datas[x] 的快捷方式。

还有一些其他别名可用：

• self.dataX_Y，其中 X 对应 self.datas[X]，Y 对应线条，最终指向 self.datas[X].lines[Y]。 如果线条有名称，还可以使用以下方式：

• self.dataX_Name，解析为 self.datas[X].Name，按名称而非索引返回线条。 对于第一个数据，最后两个快捷方式可以省略 X 数字。例如：

• self.data_2 指 self.datas[0].lines[2]。

• self.data_close 指 self.datas[0].close。

返回分析结果#

Analyzer 基类创建了 self.rets（类型为 collections.OrderedDict）成员属性来返回分析结果。这是在 create_analysis 方法中完成的，子类可以覆盖该方法。

操作模式#

虽然分析器不是线条对象，不迭代线条，但它们遵循相同的操作模式。

• 在系统启动前实例化（调用 __init__）。
• 使用 start 信号表示操作开始。
• prenext / nextstart / next 方法会根据策略的计算最小周期被调用。
• prenext 和 nextstart 的默认行为是调用 next，因为分析器可能从系统启动的第一刻就开始分析。
• 在线条对象中通常调用 len(self) 检查实际条数。这在分析器中同样适用，返回 self.strategy 的值。
• 订单和交易通过 notify_order 和 notify_trade 进行通知，与策略相同。
• 现金和价值通过 notify_cashvalue 方法通知，与策略相同。
• 现金、价值、基金价值和基金份额通过 notify_fund 方法通知，与策略相同。
• 使用 stop 信号表示操作结束。
• 常规操作周期完成后，分析器提供额外的提取/输出方法：
  • get_analysis：通常（非强制）返回包含分析结果的字典样对象。
  • print：使用标准的 backtrader.WriterFile（除非被覆盖）输出 get_analysis 的结果。
  • pprint：使用 Python 的 pprint 模块打印 get_analysis 结果。

最后：

get_analysis 创建一个类型为 collections.OrderedDict 的成员属性 self.ret，分析器将结果写入其中。

子类可以覆盖此方法以改变行为。

分析器模式#

在 backtrader 中开发分析器揭示了两种不同的使用模式：

• 通过 notify_xxx 和 next 方法在执行过程中收集信息，并在 next 中生成当前分析。
  • 例如，TradeAnalyzer 仅使用 notify_trade 方法生成统计数据。
• 按上述方式收集信息（或不收集），但在 stop 方法中进行一次性分析。
  • SQN（系统质量编号）在 notify_trade 中收集交易信息，但在 stop 方法中生成统计数据。

快速示例#

尽可能简单：

from __future__ import (absolute_import, division, print_function, unicode_literals)
import datetime
import backtrader as bt
import backtrader.analyzers as btanalyzers
import backtrader.feeds as btfeeds
import backtrader.strategies as btstrats

cerebro = bt.Cerebro()

# 数据
dataname = '../datas/sample/2005-2006-day-001.txt'
data = btfeeds.BacktraderCSVData(dataname=dataname)

cerebro.adddata(data)

# 策略
cerebro.addstrategy(btstrats.SMA_CrossOver)

# 分析器
cerebro.addanalyzer(btanalyzers.SharpeRatio, _name='mysharpe')

thestrats = cerebro.run()
thestrat = thestrats[0]

print('Sharpe Ratio:', thestrat.analyzers.mysharpe.get_analysis())

执行它（已将其存储在 analyzer-test.py 中）：

$ ./analyzer-test.py
Sharpe Ratio: {'sharperatio': 11.647332609673256}

没有绘图，因为 SharpeRatio 是计算结束时的单一值。

分析器解析#

重申一下，分析器不是线条对象，但为了无缝集成到 backtrader 生态系统中，遵循了线条对象的内部 API 约定（实际上是混合模式）。

注意

SharpeRatio 的代码已经演变，例如考虑了年化，此版本仅供参考。

请查看分析器参考。

此外，SharpeRatio_A 直接以年化形式返回值，而不受时间范围影响。

SharpeRatio 的基础代码（简化版本）：

from __future__ import (absolute_import, division, print_function, unicode_literals)
import operator
from backtrader.utils.py3 import map
from backtrader import Analyzer, TimeFrame
from backtrader.mathsupport import average, standarddev
from backtrader.analyzers import AnnualReturn

class SharpeRatio(Analyzer):
    params = (('timeframe', TimeFrame.Years), ('riskfreerate', 0.01),)

    def __init__(self):
        super(SharpeRatio, self).__init__()
        self.anret = AnnualReturn()

    def start(self):
        # Not needed ... but could be used
        pass

    def next(self):
        # Not needed ... but could be used
        pass

    def stop(self):
        retfree = [self.p.riskfreerate] * len(self.anret.rets)
        retavg = average(list(map(operator.sub, self.anret.rets, retfree)))
        retdev = standarddev(self.anret.rets)
        self.ratio = retavg / retdev

    def get_analysis(self):
        return dict(sharperatio=self.ratio)

代码分解说明：

• params 声明
  • 虽然声明的参数没有使用（作为示例），但分析器像大多数其他对象一样支持参数。
• __init__ 方法
  • 就像策略在 __init__ 中声明指标一样，分析器声明辅助对象。
  • 这里：SharpeRatio 使用年度回报计算。计算会自动进行，结果可供 SharpeRatio 使用。
• next 方法
  • SharpeRatio 不需要它，但此方法会在父策略每次调用 next 后被调用。
• start 方法
  • 在回测开始前调用，可用于额外的初始化任务。

SharpeRatio 不需要它。

• stop 方法
  • 在回测结束后调用。如 SharpeRatio 所做的那样，可用于完成计算。
• get_analysis 方法（返回字典）
  • 为外部调用者提供分析结果。

返回：包含分析结果的字典。

参考#

class backtrader.Analyzer()

Analyzer 基类。所有分析器都是此类的子类。

分析器实例在策略的框架内运行，为该策略提供分析。

自动设置的成员属性：

• self.strategy（提供对策略及其可访问内容的访问）
• self.datas[x] 提供对系统中数据源数组的访问，也可通过策略引用访问
• self.data 提供对 self.datas[0] 的访问
• self.dataX -> self.datas[X]
• self.dataX_Y -> self.datas[X].lines[Y]
• self.dataX_name -> self.datas[X].name
• self.data_name -> self.datas[0].name
• self.data_Y -> self.datas[0].lines[Y]

这不是线条对象，但方法和操作遵循相同的设计：

• __init__：实例化和初始设置
• start / stop：表示操作的开始和结束
• prenext / nextstart / next：方法家族，遵循策略中相同方法的调用
• notify_trade / notify_order / notify_cashvalue / notify_fund：接收与策略等效方法相同的通知

操作模式是开放的，没有首选模式。分析可以通过 next 调用生成，在 stop 期间生成，或通过单个方法如 notify_trade 生成。

关键是覆盖 get_analysis 以返回包含分析结果的字典样对象（实际格式取决于实现）。

• start()
  • 调用以指示操作开始，给分析器时间设置所需内容。
• stop()
  • 调用以指示操作结束，给分析器时间关闭所需内容。
• prenext()
  • 在策略的每次 prenext 调用期间调用，直到达到策略的最小周期。
  • 分析器的默认行为是调用 next。
• nextstart()
  • 在策略的 nextstart 调用时调用一次，当首次达到最小周期时。
• next()
  • 在策略的每次 next 调用期间调用，一旦达到策略的最小周期。
• notify_cashvalue(cash, value)
  • 在每个 next 周期之前接收现金/价值通知。
• notify_fund(cash, value, fundvalue, shares)
  • 接收当前现金、价值、基金价值和基金份额。
• notify_order(order)
  • 在每个 next 周期之前接收订单通知。
• notify_trade(trade)
  • 在每个 next 周期之前接收交易通知。
• get_analysis()
  • 返回包含分析结果的字典样对象。
  • 字典中分析结果的键和值的格式取决于实现。
  • 甚至不强制结果是字典样对象，只是一种约定。
  • 默认实现返回由默认 create_analysis 方法创建的默认 OrderedDict rets。
• create_analysis()
  • 供子类覆盖。提供创建保存分析结果的结构的机会。
  • 默认行为是创建名为 rets 的 OrderedDict。
• print(*args, **kwargs)
  • 使用标准 Writerfile 对象打印 get_analysis 返回的结果，默认写入标准输出。
• pprint(*args, **kwargs)
  • 使用 Python 的 pprint 模块打印 get_analysis 返回的结果。
• len()
  • 支持在分析器上调用 len，实际上返回分析器运行的策略的当前长度。