Backtrader 基本使用教程 — 量化投资实战教程(1)
都说Python可以用于量化投资，但是很多人都不知道该怎么做，甚至觉得是非常高深的知识，其实并非如此，任何人都可以在只有一点Python的基础上回测一个简单的策略。
Backtrader是一个基于Python的自动化回溯测试框架，作者是德国人 Daniel Rodriguez，是一个易懂、易上手的量化投资框架。今天我们就来试试用Backtrader进行简单的量化策略回溯。
当然，第一篇文章将会使用最简单的投资策略给大家起个头。通过学习这一篇文章，你将能学会以下这个简单的量化策略：
买入：五日价格移动平均线(MA5)和十日价格移动平均线(MA10)形成均线金叉（MA5上穿MA10）原理：最近处于涨势
卖出： 五日价格移动平均线(MA5)和十日价格移动平均线(MA10)形成均线死叉（MA10下穿MA5）原理：最近处于跌势
这个策略真的有用吗？普通人可能要炒一辈子股才能发现它的实际作用，而使用Python进行量化验证，则能迅速得到答案。
1.准备
开始之前，你要确保Python和pip已经成功安装在电脑上，如果没有，请访问这篇文章：超详细Python安装指南 进行安装。
Windows环境下打开Cmd(开始—运行—CMD)，苹果系统环境下请打开Terminal(command+空格 输入Terminal)，准备开始输入命令安装依赖。
当然，我更推荐大家用VSCode编辑器，把本文代码Copy下来，在编辑器下方的终端装依赖模块，多舒服的一件事啊：Python 编程的最好搭档—VSCode 详细指南。
输入以下命令安装本文所需要的依赖模块:
pip install backtrader
看到 Successfully installed xxx 则说明安装成功。本文完整数据和源代码可在公众号后台回复 量化投资一 进行下载。
2.基础使用
在开始之前，你必须要知道backtrader的数据结构特点：
self.dataclose[0] # 当日的收盘价 self.dataclose[-1] # 昨天的收盘价 self.dataclose[-2] # 前天的收盘价
这一点我在一开始使用的时候也被作者的逻辑震惊了，原来还能这么玩，总而言之，请记住这个特点，否则你可能会完全看不懂策略。
2.1 资金与佣金
Backtrader 初始化模型后，即可通过broker(经纪人)来设定初始资金，如下所示：
# -*- coding:utf-8 -*-
# Python 实用宝典
# 量化投资原来这么简单(1)
# 2020/04/12
import backtrader as bt
if __name__ == '__main__':
# 初始化模型
cerebro = bt.Cerebro()
# 设定初始资金
cerebro.broker.setcash(100000.0)
# 策略执行前的资金
print('Starting Portfolio Value: %.2f' % cerebro.broker.getvalue())
cerebro.run()
# 策略执行后的资金
print('Final Portfolio Value: %.2f' % cerebro.broker.getvalue())
现实生活中的股票交易里，每次交易都需要支付一定的佣金，比如万五（交易额每满一万元收取5元佣金）万三等，在Backtrader里你只需要这么设定即可：
cerebro.broker.setcommission(0.005)
设定需要设定每次交易买入的股数，可以这样
cerebro.addsizer(bt.sizers.FixedSize, stake=100)
2.2 加载数据
Backtrader 将数据集称作为 Data Feeds，默认的数据集是yahoo的股票数据，通过以下方式可以加载：
data = bt.feeds.YahooFinanceCSVData(
dataname='数据文件所在位置',
fromdate=datetime.datetime(2000, 1, 1),
todate=datetime.datetime(2000, 12, 31)
)
当然，载入自己的数据也是可以的，只不过你需要设定每个列的含义，比如开盘价在第4列，则open=3（从0开始算起），如下所示:
data = bt.feeds.GenericCSVData(
dataname='数据文件所在位置',
datetime=2,
open=3,
high=4,
low=5,
close=6,
volume=10,
dtformat=('%Y%m%d'),
fromdate=datetime(2010, 1, 1),
todate=datetime(2020, 4, 12)
)
下面，咱会使用自己的数据进行回测，这样才够有代入感。
2.3 构建策略
使用backtrader构建策略是一件很简单的事情，你只需要继承backtrader的策略类，并重写部分方法，就能实现策略。比如说重写属于我们自己的log函数：
class TestStrategy(bt.Strategy):
'''
继承并构建自己的bt策略
'''
def log(self, txt, dt=None, doprint=False):
''' 日志函数，用于统一输出日志格式 '''
if doprint:
dt = dt or self.datas[0].datetime.date(0)
print('%s, %s' % (dt.isoformat(), txt))
最重要的是，重写我们自己的交易策略，比如咱在开头提到的均线金叉死叉策略 ：
class TestStrategy(bt.Strategy):
'''
继承并构建自己的bt策略
'''
def next(self):
# 记录收盘价
self.log('Close, %.2f' % self.dataclose[0])
# 是否正在下单，如果是的话不能提交第二次订单
if self.order:
return
# 是否已经买入
if not self.position:
# 还没买，如果 MA5 > MA10 说明涨势，买入
if self.sma5[0] > self.sma10[0]:
self.log('BUY CREATE, %.2f' % self.dataclose[0])
self.order = self.buy()
else:
# 已经买了，如果 MA5 < MA10 ，说明跌势，卖出
if self.sma5[0] < self.sma10[0]:
self.log('SELL CREATE, %.2f' % self.dataclose[0])
self.order = self.sell()
有用吗？待会儿我们回测后就知道了。
2.4 添加指标
backtrader内置了许多指标的计算方法，比如移动平均线、MACD、RSI等等，我们这一篇文章仅需要移动平均线MA，设置方法如下：
self.sma5 = bt.indicators.SimpleMovingAverage(
self.datas[0], period=5)
其中，datas[0]是第一个数据集，period是指多少天的移动平均线，比如5，则返回MA5的相关数据。
3.策略回测
为了验证我们开头提到的策略，咱使用了 贵州茅台600519.SH 在2020年1月1日至今(2020/04/12)的股票数据，完整数据和源代码可在公众号后台回复 量化投资一 进行下载。
将数据命名为600519.csv，保存在当前文件夹下，主函数如下：
if __name__ == '__main__':
# 初始化模型
cerebro = bt.Cerebro()
# 构建策略
strats = cerebro.addstrategy(TestStrategy)
# 每次买100股
cerebro.addsizer(bt.sizers.FixedSize, stake=100)
# 加载数据到模型中
data = bt.feeds.GenericCSVData(
dataname='600519.csv',
fromdate=datetime.datetime(2010, 1, 1),
todate=datetime.datetime(2020, 4, 12),
dtformat='%Y%m%d',
datetime=2,
open=3,
high=4,
low=5,
close=6,
volume=10
)
cerebro.adddata(data)
# 设定初始资金和佣金
cerebro.broker.setcash(1000000.0)
cerebro.broker.setcommission(0.005)
# 策略执行前的资金
print('启动资金: %.2f' % cerebro.broker.getvalue())
# 策略执行
cerebro.run()
最后补全策略就完成了，我们的backtrader策略如下，为了公众号的可读性，这里去掉了部分不重要的代码，详细的代码可阅读原文或后台回复量化投资一下载：
class TestStrategy(bt.Strategy):
'''
继承并构建自己的bt策略
'''
def log(self, txt, dt=None, doprint=False):
''' 日志函数，用于统一输出日志格式 '''
if doprint:
dt = dt or self.datas[0].datetime.date(0)
print('%s, %s' % (dt.isoformat(), txt))
def __init__(self):
# 初始化相关数据
self.dataclose = self.datas[0].close
self.order = None
self.buyprice = None
self.buycomm = None
# 五日移动平均线
self.sma5 = bt.indicators.SimpleMovingAverage(
self.datas[0], period=5)
# 十日移动平均线
self.sma10 = bt.indicators.SimpleMovingAverage(
self.datas[0], period=10)
def notify_order(self, order):
'''
订单状态处理
Arguments:
order {object} -- 订单状态
'''
if order.status in [order.Submitted, order.Accepted]:
# 如订单已被处理，则不用做任何事情
return
# 检查订单是否完成
if order.status in [order.Completed]:
if order.isbuy():
self.buyprice = order.executed.price
self.buycomm = order.executed.comm
self.bar_executed = len(self)
# 订单因为缺少资金之类的原因被拒绝执行
elif order.status in [order.Canceled, order.Margin, order.Rejected]:
self.log('Order Canceled/Margin/Rejected')
# 订单状态处理完成，设为空
self.order = None
def notify_trade(self, trade):
'''
交易成果
Arguments:
trade {object} -- 交易状态
'''
if not trade.isclosed:
return
# 显示交易的毛利率和净利润
self.log('OPERATION PROFIT, GROSS %.2f, NET %.2f' %
(trade.pnl, trade.pnlcomm), doprint=True)
def next(self):
''' 下一次执行 '''
# 记录收盘价
self.log('Close, %.2f' % self.dataclose[0])
# 是否正在下单，如果是的话不能提交第二次订单
if self.order:
return
# 是否已经买入
if not self.position:
# 还没买，如果 MA5 > MA10 说明涨势，买入
if self.sma5[0] > self.sma10[0]:
self.order = self.buy()
else:
# 已经买了，如果 MA5 < MA10 ，说明跌势，卖出
if self.sma5[0] < self.sma10[0]:
self.order = self.sell()
def stop(self):
self.log(u'(金叉死叉有用吗) Ending Value %.2f' %
(self.broker.getvalue()), doprint=True)
这份代码看起来很长，但其实把注释去掉后，实现的是很简单的逻辑。效果如何？看下图就知道了：
可以看到，我们初始资金是100万，每次交易100股，虽然偶尔有盈利，如果严格按照这个策略执行十年，最后会亏损5万元。当然，现实生活中，有时候情形好你肯定会加仓，情形差你会减仓，而这里暂时只是一个简单的买入卖出策略。
但是这种简单的实现方式，往往最能帮助你理性地分析该策略的合理性，如果说一个策略总是需要你主观地去加仓、减仓，那该策略势必存在问题。真正好的策略，从概率上来讲，简单回测的结果总会是盈利的。
所以这种单纯的、简单的均线金叉死叉策略有用吗？ 我认为效果有限。网上策略很多，大家也可以试试别的策略，如果有好用的，记得告诉我（滑稽）。
我们的文章到此就结束啦，如果你希望我们今天的Python 实战教程，请持续关注我们，如果对你有帮助，麻烦在下面点一个赞/在看哦，有任何问题都可以在下方留言区留言，我们都会耐心解答的！