1 引言
目前基于Python的量化回測框架有很多，開源框架有zipline、vnpy、pyalgotrader和backtrader等，而量化平臺有Quantopian（國外）、聚寬、萬礦、優(yōu)礦、米筐、掘金等，這些量化框架或平臺各有優(yōu)劣。就個人而言，比較偏好用backtrader，因為它功能十分完善，有完整的使用文檔，安裝相對簡單（直接pip安裝即可）。優(yōu)點是運行速度快，支持pandas的矢量運算；支持參數(shù)自動尋優(yōu)運算，內(nèi)置了talib股票分析技術指標庫；支持多品種、多策略、多周期的回測和交易；支持pyflio、empyrica分析模塊庫、alphalens多因子分析模塊庫等；擴展靈活，可以集成TensorFlow、PyTorch和Keras等機器學習、神經(jīng)網(wǎng)絡分析模塊。而不足之處在于，backtrader學習起來相對復雜，編程過程中使用了大量的元編程（類class），如果Python編程基礎不扎實（尤其是類的操作），學起來會感到吃力。本文作為backtrader的入門系列之一，對其運行框架進行簡要介紹，并以實際案例展示量化回測的過程。
2 backtrader簡介
如果將backtrader包分解為核心組件，主要包括以下組成部分：
（1）數(shù)據(jù)加載（Data Feed）：將
交易策略的數(shù)據(jù)加載到回測框架中。??
（2）交易策略（Strategy）：該模塊是編程過程中最復雜的部分，需要設計交易決策，得出買入/賣出信號。
（3）回測框架設置（?Cerebro）：需要設置（i）初始資金（ii）傭金（iii）數(shù)據(jù)饋送（iv）交易策略（v）交易頭寸大小。
（4）運行回測：運行Cerebro回測并打印出所有已執(zhí)行的交易。
（5）評估性能（Analyzers）:以圖形和風險收益等指標對交易策略的回測結果進行評價。
“Lines”是backtrader回測的數(shù)據(jù)，由一系列的點組成，通常包括以下類別的數(shù)據(jù)：Open（開盤價）, High（最高價）, Low（最低價）, Close（收盤價）, Volume（成交量）, OpenInterest（無的話設置為0）。Data Feeds（數(shù)據(jù)加載）、Indicators（技術指標）和Strategies（策略）都會生成 Lines。價格數(shù)據(jù)中的所有”O(jiān)pen” (開盤價)按時間組成一條 Line。所以，一組含有以上6個類別的價格數(shù)據(jù)，共有6條 Lines。如果算上“DateTime”（時間，可以看作是一組數(shù)據(jù)的主鍵），一共有7條 Lines。當訪問一條 Line 的數(shù)據(jù)時，會默認指向下標為 0 的數(shù)據(jù)。最后一個數(shù)據(jù)通過下標 -1 來訪問，在-1之后是索引0，用于訪問當前時刻。因此，在回測過程中，無需知道已經(jīng)處理了多少條/分鐘/天/月，”0”一直指向當前值，下標 -1 來訪問最后一個值。
3 回測應用實例
量化回測說白了是使用歷史數(shù)據(jù)去驗證交易策略的性能，因此回測的第一步是搭建交易策略，這也是backtrader要設置的最重要和復雜的部分，策略設定好后，其余部分的代碼編寫是手到擒來。
01 構建策略（Strategy）
交易策略類代碼包含重要的參數(shù)和用于執(zhí)行策略的功能，要定義的參數(shù)或函數(shù)名如下：
（1）params-全局參數(shù)，可選：更改交易策略中變量/參數(shù)的值，可用于參數(shù)調(diào)優(yōu)。?
（2）log：日志，可選：記錄策略的執(zhí)行日志，可以打印出該函數(shù)提供的日期時間和txt變量。
（3） __init__：用于初始化交易策略的類實例的代碼。?
（4）notify_order，可選：跟蹤交易指令（order）的狀態(tài)。order具有提交，接受，買入/賣出執(zhí)行和價格，已取消/拒絕等狀態(tài)。?
（5）notify_trade，可選：跟蹤交易的狀態(tài)，任何已平倉的交易都將報告毛利和凈利潤。?
（6）next，必選：制定交易策略的函數(shù)，策略模塊最核心的部分。
下面以一個簡單的單均線策略為例，展示backtrader的使用過程，即當收盤價上漲突破20日均線買入（做多），當收盤價下跌跌穿20日均線賣出（做空）。為簡單起見，不報告交易回測的日志，因此log、notify_order和notify_trade函數(shù)省略不寫。
classmy_strategy1(bt.Strategy):
#全局設定交易策略的參數(shù)
params=(
('maperiod',20),
)
def__init__(self):
#指定價格序列
self.dataclose=self.datas[0].close
#?初始化交易指令、買賣價格和手續(xù)費
self.order?=None
self.buyprice?=None
self.buycomm?=None
#添加移動均線指標，內(nèi)置了talib模塊
self.sma?=?bt.indicators.SimpleMovingAverage(
self.datas[0],?period=self.params.maperiod)
defnext(self):
ifself.order:#?檢查是否有指令等待執(zhí)行,?
return
#?檢查是否持倉???
ifnotself.position:#?沒有持倉
#執(zhí)行買入條件判斷：收盤價格上漲突破20日均線
ifself.dataclose[0]?>?self.sma[0]:
#執(zhí)行買入
self.order?=?self.buy(size=500)
else:
#執(zhí)行賣出條件判斷：收盤價格跌破20日均線
ifself.dataclose[0]?<?self.sma[0]:
#執(zhí)行賣出
self.order?=?self.sell(size=500)
02 數(shù)據(jù)加載（Data Feeds）
策略設計好后，第二步是數(shù)據(jù)加載，backtrader提供了很多數(shù)據(jù)接口，包括quandl（美股）、yahoo、pandas格式數(shù)據(jù)等，我們主要分析A股數(shù)據(jù)。
mpl.rcParams['axes.unicode_minus']=False
#先引入后面可能用到的包（package）
importpandasaspd
fromdatetimeimportdatetime
importbacktraderasbt
importmatplotlib.pyplotasplt
%matplotlib?inline
#正常顯示畫圖時出現(xiàn)的中文和負號
frompylabimportmpl
mpl.rcParams['font.sans-serif']=['SimHei']
使用tushare獲取浦發(fā)銀行（代碼：600000）數(shù)據(jù)。
#使用tushare舊版接口獲取數(shù)據(jù)
importtushareasts
defget_data(code,start='2010-01-01',end='2020-03-31'):
df=ts.get_k_data(code,autype='qfq',start=start,end=end)
df.index=pd.to_datetime(df.date)
df['openinterest']=0
df=df[['open','high','low','close','volume','openinterest']]
returndf
dataframe=get_data('600000')
#回測期間
start=datetime(2010,?3,?31)
end=datetime(2020,?3,?31)
#?加載數(shù)據(jù)
data?=?bt.feeds.PandasData(dataname=dataframe,fromdate=start,todate=end)
03 回測設置（Cerebro）
回測設置主要包括幾項：回測系統(tǒng)初始化，數(shù)據(jù)加載到回測系統(tǒng)，添加交易策略， broker設置（如交易資金和交易傭金），頭寸規(guī)模設置作為策略一部分的交易規(guī)模等，最后顯示執(zhí)行交易策略時積累的總資金和凈收益。?
#?初始化cerebro回測系統(tǒng)設置???????????????????????????
cerebro?=?bt.Cerebro()
#將數(shù)據(jù)傳入回測系統(tǒng)
cerebro.adddata(data)
#?將交易策略加載到回測系統(tǒng)中
cerebro.addstrategy(my_strategy1)
#?設置初始資本為10,000
startcash?=10000
cerebro.broker.setcash(startcash)
#?設置交易手續(xù)費為?0.2%
cerebro.broker.setcommission(commission=0.002)
04 執(zhí)行回測
輸出回測結果。
print(f'凈收益:{round(pnl,2)}')
d1=start.strftime('%Y%m%d')
d2=end.strftime('%Y%m%d')
print(f'初始資金:{startcash}\n回測期間：{d1}:{d2}')
#運行回測系統(tǒng)
cerebro.run()
#獲取回測結束后的總資金
portvalue?=?cerebro.broker.getvalue()
pnl?=?portvalue?-?startcash
#打印結果
print(f'總資金:{round(portvalue,2)}')
結果如下：
初始資金:?10000
回測期間：20100331:20200331
總資金:?12065.36
凈收益:?2065.36
05 可視化
對上述結果進行可視化，使用內(nèi)置的matplotlib畫圖。至此，簡單的單均線回測就完成了。下面圖形展示了浦發(fā)銀行在回測期間的價格走勢、買賣點和交易總資金的變化等。當然，本文著重以最簡化的例子展示backtrader的框架和運行過程，要想更詳細的展示回測過程和結果，還需要加入其他函數(shù)和模塊，關于Analyzers分析模塊的應用請留意下一篇推文。
%matplotlib?inline?#在jupyter notebook上運行
cerebro.plot(style='candlestick')
4 結語
backtrader是目前功能最完善的Python量化回測框架之一（單機版），得到歐洲很多銀行、基金等金融機構的青睞，并應用于實盤交易中。作為入門序列之一，本文簡單介紹了backtrader框架的各個組成部分，然后以20日單均線策略為例，展示了回測系統(tǒng)的編程和運行。公眾號接下來將以專題的形式為大家全面介紹backtrader的應用。學習沒有捷徑，要想全面而深入地學習backtrader回測框架，最好的方法是研讀其官方文檔。
參考資料：
backtrader官方文檔：
https://www.backtrader.com/docu/
關于Python金融量化
專注于分享Python在金融量化領域的應用。加入知識星球，可以免費獲取量化投資視頻資料、量化金融相關PDF資料、公眾號文章Python完整源碼、量化投資前沿分析框架，與博主直接交流、結識圈內(nèi)朋友等。
