时间已经过去，针对完全角成和封闭的柱线测试策略是好的，但它可能会更好。
这就是 Data Replay 的用武之地。如果：
- 该策略对时间范围 X 的数据进行操作（例如：每日）
和
- 更小时间范围 Y（例如：1 分钟）的数据可用
数据重放正如其名称所暗示的那样：
- 使用 1 分钟数据重播每日柱
这当然不完全是市场的发展方式，但它比孤立地查看每日完全角成和封闭的柱线要好得多：
如果策略在每日柱形的形成过程中实时运行，则柱形的近似值提供了在真实条件下拷贝策略的实际行为的机会
将数据重放付诸行动遵循backtrader的常规使用模式
加载数据馈送
使用
replaydata将数据传递给cerebro添加策略
笔记
重播数据时不支持预加载，因为每个条实际上都是实时构建的。它会在任何Cerebro实例中自动禁用。
可以传递给replaydata的参数：
timeframe（默认：bt.TimeFrame.Days）有用的目标时间范围必须等于或大于源
compression（默认值：1）将所选值“n”压缩为 1 bar
扩展参数（如果不是真的需要，请勿触摸）：
bar2edge（默认值： True ）使用时间边界作为封闭柱的目标重播。例如，使用“ticks -> 5 seconds”，生成的 5 秒条将对齐到 xx:00、xx:05、xx:10 …
adjbartime（默认值： False ）使用边界处的时间来调整交付的重采样柱的时间，而不是最后看到的时间戳。如果重新采样到“5 秒”，则柱的时间将调整为例如 hh:mm:05，即使最后看到的时间戳是 hh:mm:04.33
注意：仅当“bar2edge”为True时才会调整时间。如果条未与边界对齐，则调整时间没有意义
rightedge（默认值： True ）使用时间边界的右边缘设置时间。
如果False并压缩到 5 秒，则在 hh:mm:00 和 hh:mm:04 之间重新采样的条形的时间将是 hh:mm:00（起始边界
如果为True ，则使用的时间边界将是 hh:mm:05（结束边界）
为了使用示例，将每周重播标准的 2006 年每日数据。意思是：
最终将有 52 个酒吧，每周一个
Cerebro将调用
prenext和next共 255 次，这是每日柱的原始计数
诀窍：
当周柱形成时，策略的长度 (
len(self)) 将保持不变。每个新的一周，长度将增加一
下面是一些示例，但首先是测试脚本的调味汁，其中数据被加载并使用replaydata ......然后run .
# Load the Data
datapath = args.dataname or '../../datas/2006-day-001.txt'
data = btfeeds.BacktraderCSVData(dataname=datapath)
# Handy dictionary for the argument timeframe conversion
tframes = dict(
daily=bt.TimeFrame.Days,
weekly=bt.TimeFrame.Weeks,
monthly=bt.TimeFrame.Months)
# First add the original data - smaller timeframe
cerebro.replaydata(data,
timeframe=tframes[args.timeframe],
compression=args.compression)
示例 - 每天到每周重播
脚本的调用：
$ ./replay-example.py --timeframe weekly --compression 1
不幸的是，图表无法向我们展示后台发生的真实情况，所以让我们看一下控制台输出：
prenext len 1 - counter 1 prenext len 1 - counter 2 prenext len 1 - counter 3 prenext len 1 - counter 4 prenext len 1 - counter 5 prenext len 2 - counter 6 ... ... prenext len 9 - counter 44 prenext len 9 - counter 45 ---next len 10 - counter 46 ---next len 10 - counter 47 ---next len 10 - counter 48 ---next len 10 - counter 49 ---next len 10 - counter 50 ---next len 11 - counter 51 ---next len 11 - counter 52 ---next len 11 - counter 53 ... ... ---next len 51 - counter 248 ---next len 51 - counter 249 ---next len 51 - counter 250 ---next len 51 - counter 251 ---next len 51 - counter 252 ---next len 52 - counter 253 ---next len 52 - counter 254 ---next len 52 - counter 255
正如我们所见，内部self.counter变量正在跟踪对prenext或next的每次调用。前者在应用的简单移动平均线产生一个值之前被调用。后者在简单移动平均线产生值时调用。
钥匙：
- 策略的长度 (len(self)) 每 5 个柱变化一次（一周中的 5 个交易日）
该策略有效地看到：
每周栏如何在 5 次拍摄中发展。
同样，这并不能复制市场的实际逐笔交易（甚至不是一分钟、一小时）的发展，但它比实际看到一根柱线要好。
视觉输出是每周图表的输出，这是系统再次测试的最终结果。
示例 2 - 每天到每天都有压缩
当然，“重播”可以应用于相同的时间范围，但需要进行压缩。
控制台：
$ ./replay-example.py --timeframe daily --compression 2 prenext len 1 - counter 1 prenext len 1 - counter 2 prenext len 2 - counter 3 prenext len 2 - counter 4 prenext len 3 - counter 5 prenext len 3 - counter 6 prenext len 4 - counter 7 ... ... ---next len 125 - counter 250 ---next len 126 - counter 251 ---next len 126 - counter 252 ---next len 127 - counter 253 ---next len 127 - counter 254 ---next len 128 - counter 255
这次我们得到了预期的一半，因为因素 2 要求压缩。
图表：
结论
重建市场发展是可能的。通常可以使用较小的时间范围数据集，并可用于离散地重放系统运行的时间范围。
测试脚本。
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
class SMAStrategy(bt.Strategy):
params = (
('period', 10),
('onlydaily', False),
)
def __init__(self):
self.sma = btind.SMA(self.data, period=self.p.period)
def start(self):
self.counter = 0
def prenext(self):
self.counter += 1
print('prenext len %d - counter %d' % (len(self), self.counter))
def next(self):
self.counter += 1
print('---next len %d - counter %d' % (len(self), self.counter))
def runstrat():
args = parse_args()
# Create a cerebro entity
cerebro = bt.Cerebro(stdstats=False)
cerebro.addstrategy(
SMAStrategy,
# args for the strategy
period=args.period,
)
# Load the Data
datapath = args.dataname or '../../datas/2006-day-001.txt'
data = btfeeds.BacktraderCSVData(dataname=datapath)
# Handy dictionary for the argument timeframe conversion
tframes = dict(
daily=bt.TimeFrame.Days,
weekly=bt.TimeFrame.Weeks,
monthly=bt.TimeFrame.Months)
# First add the original data - smaller timeframe
cerebro.replaydata(data,
timeframe=tframes[args.timeframe],
compression=args.compression)
# Run over everything
cerebro.run()
# Plot the result
cerebro.plot(style='bar')
def parse_args():
parser = argparse.ArgumentParser(
description='Pandas test script')
parser.add_argument('--dataname', default='', required=False,
help='File Data to Load')
parser.add_argument('--timeframe', default='weekly', required=False,
choices=['daily', 'weekly', 'monhtly'],
help='Timeframe to resample to')
parser.add_argument('--compression', default=1, required=False, type=int,
help='Compress n bars into 1')
parser.add_argument('--period', default=10, required=False, type=int,
help='Period to apply to indicator')
return parser.parse_args()
if __name__ == '__main__':
runstrat()