实际交易中常需要结合多个时间框架来制定决策，如在周线评估趋势、在日线执行入场，或基于 5 分钟与 60 分钟数据的对比进行交易。在 Backtrader 中需要将不同时间框架的数据组合在一起。
本节介绍如何在 Backtrader 中实现多周期策略。
基本规则#
Backtrader 原生支持多时间框架的数据组合，只需遵循几个简单的规则。
第一步，最小时间框架的数据必须最先加载。较小时间框架（数据条数最多）应首先加载到 Cerebro 实例中。
第二步，数据必须按日期时间对齐，以确保平台能正确解析并执行策略。
第三步，使用 resampledata 将数据重采样到较大时间框架。cerebro.resample 函数可以轻松实现。
在此基础上，可以在较短和较长时间框架上使用不同的指标。注意，大时间框架的指标产生的信号较少，且 Backtrader 会考虑大时间框架的最小周期以确保数据准确性。
示例：如何使用多个时间框架#
下面演示在 Backtrader 中实现多时间周期的步骤。
加载数据#
首先，加载较小时间框架的数据。
data = btfeeds.BacktraderCSVData(dataname=datapath)将数据添加到Cerebro#
将较小时间框架数据添加到 Cerebro 实例中。
cerebro.adddata(data)重采样数据#
使用 cerebro.resampledata 将数据重采样到较大的时间框架。
cerebro.resampledata(data, timeframe=tframes[args.timeframe], compression=args.compression)运行策略#
执行策略并生成结果。
cerebro.run()示例#
先演示每日和每周时间框架。假设要在一个策略中同时使用每日和每周数据，通过命令行指定时间框架为每周并进行重采样：
$ ./multitimeframe-example.py --timeframe weekly --compression 1此时，程序会加载每日数据，并将其重采样为每周数据。最终输出将包括每周和每日数据的合成图表。
继续用每日时间框架压缩。如果希望将每日数据压缩为每两天一条，可以使用以下命令：
$ ./multitimeframe-example.py --timeframe daily --compression 2此时，Backtrader会将每日数据压缩为每两天一条数据，并生成合成图表。
还可以加入 SMA 指标来展示不同时间框架的影响。SMA 将在大小时间框架上分别应用，产生不同的信号。
- 在较小时间框架（如每日）上，SMA 在第 10 个数据点后首次计算。
- 在较大时间框架（如每周）上，SMA 的计算会延迟，需要 10 个周期才产生有效信号。
由于 Backtrader 的多时间框架支持，较大时间框架会消耗多个较小时间框架的数据条目来计算指标。
使用 SMA 时，如果数据点来自较大时间框架，nextstart 方法的调用可能延迟。例如在每周框架下，SMA 需要 10 周的数据，过程中会多次触发 nextstart，因为 Backtrader 会等待所有数据齐全后才执行策略逻辑。
代码示例#
# 导入必要的库
from __future__ import (absolute_import, division, print_function,
unicode_literals)
import argparse
import backtrader as bt
import backtrader.feeds as btfeeds
import backtrader.indicators as btind
# 创建SMA策略
class SMAStrategy(bt.Strategy):
params = (
('period', 10), # SMA的周期
('onlydaily', False), # 是否只在每日时间框架上应用
)
def __init__(self):
# 为较小时间框架添加SMA
self.sma_small_tf = btind.SMA(self.data, period=self.p.period)
# 如果选择不只应用于每日时间框架
if not self.p.onlydaily:
# 为较大时间框架（如每周）添加SMA
self.sma_large_tf = btind.SMA(self.data1, period=self.p.period)
# nextstart方法，用于输出调试信息
def nextstart(self):
print('--------------------------------------------------')
print('nextstart called with len', len(self))
print('--------------------------------------------------')
super(SMAStrategy, self).nextstart()
# 运行策略
def runstrat():
args = parse_args()
# 创建Cerebro实例
cerebro = bt.Cerebro(stdstats=False)
# 根据用户选择的策略参数加载相应策略
if not args.indicators:
cerebro.addstrategy(bt.Strategy)
else:
cerebro.addstrategy(SMAStrategy, period=args.period, onlydaily=args.onlydaily)
# 加载数据文件
datapath = args.dataname or '../../datas/2006-day-001.txt'
data = btfeeds.BacktraderCSVData(dataname=datapath)
cerebro.adddata(data) # 添加较小时间框架的数据
tframes = dict(daily=bt.TimeFrame.Days, weekly=bt.TimeFrame.Weeks, monthly=bt.TimeFrame.Months)
# 根据需要重采样数据到较大时间框架
if args.noresample:
datapath = args.dataname2 or '../../datas/2006-week-001.txt'
data2 = btfeeds.BacktraderCSVData(dataname=datapath)
cerebro.adddata(data2)
else:
cerebro.resampledata(data, timeframe=tframes[args.timeframe], compression=args.compression)
# 执行策略并生成结果
cerebro.run()
# 绘制结果
cerebro.plot(style='bar')
# 解析命令行参数
def parse_args():
parser = argparse.ArgumentParser(description='Multitimeframe test')
parser.add_argument('--dataname', default='', required=False, help='数据文件路径')
parser.add_argument('--dataname2', default='', required=False, help='第二个数据文件路径')
parser.add_argument('--noresample', action='store_true', help='不进行数据重采样')
parser.add_argument('--timeframe', default='weekly', choices=['daily', 'weekly', 'monthly'], help='重采样时间框架')
parser.add_argument('--compression', default=1, type=int, help='压缩数据条数')
parser.add_argument('--indicators', action='store_true', help='是否使用带指标的策略')
parser.add_argument('--onlydaily', action='store_true', help='仅在每日时间框架上应用指标')
parser.add_argument('--period', default=10, type=int, help='指标周期')
return parser.parse_args()
if __name__ == '__main__':
runstrat()结论#
Backtrader 的多时间框架支持让你轻松结合不同时间框架的数据，实现更灵活的交易策略。按照上述规则，即可在多个时间框架上应用不同指标，并调整策略执行逻辑。
此外，Backtrader 还提供 nextstart 方法精确控制每个周期的数据，方便跟踪和调试。