這個問題或多或少地出現了幾次：這樣：
- backtrader如何最好/規範地實現這一點或那樣？
作為 backtrader 的目標之一，可以靈活地 支援盡可能多的情況和用例，答案很簡單：“至少在幾種方式上”。針對指標進行匯總，對於這些問題最常發生的情況：
-
方法中
__init__100% 聲明性 -
100%逐步
next的方法 -
對於聲明性部分無法涵蓋所有必需計算的複雜方案，混合上述兩者
快速查看 backtrader 中的內置指標可發現所有這些指標都是以聲明性方式實現的。原因
-
更容易做到
-
更易於閱讀
-
更優雅
-
自動管理矢量化和基於偶數的實現
什麼?!?!自動實現的矢量化？？
是的。如果指標完全在方法內部__init_ 實現，那麼Python中元類和運算元重載的魔力將提供以下內容
-
向量化實現（運行回溯測試時的預設設定）
-
基於事件的實現（例如，用於即時交易）
另一方面，如果在方法中next 實現的指標的任何部分：
-
這是直接用於基於事件的運行的代碼。
-
矢量化將通過在每個數據點的
next後台調用方法來類比注意
這意味著，即使特定指標沒有矢量化實現，所有其他擁有它的指標仍將以矢量化方式運行。
資金流量指數：一個例子
社區使用者@Rodrigo Brito 發佈了一個版本的「資金流量指數」 指標，該指標使用該 next 方法進行實施。
代碼
class MFI(bt.Indicator):
lines = ('mfi', 'money_flow_raw', 'typical', 'money_flow_pos', 'money_flow_neg')
plotlines = dict(
money_flow_raw=dict(_plotskip=True),
money_flow_pos=dict(_plotskip=True),
money_flow_neg=dict(_plotskip=True),
typical=dict(_plotskip=True),
)
params = (
('period', 14),
)
def next(self):
typical_price = (self.data.close[0] + self.data.low[0] + self.data.high[0]) / 3
money_flow_raw = typical_price * self.data.volume[0]
self.lines.typical[0] = typical_price
self.lines.money_flow_raw[0] = money_flow_raw
self.lines.money_flow_pos[0] = money_flow_raw if self.lines.typical[0] >= self.lines.typical[-1] else 0
self.lines.money_flow_neg[0] = money_flow_raw if self.lines.typical[0] <= self.lines.typical[-1] else 0
pos_period = math.fsum(self.lines.money_flow_pos.get(size=self.p.period))
neg_period = math.fsum(self.lines.money_flow_neg.get(size=self.p.period))
if neg_period == 0:
self.lines.mfi[0] = 100
return
self.lines.mfi[0] = 100 - 100 / (1 + pos_period / neg_period)
注意
保持原樣，包括長 lines ，必須水平滾動
@Rodrigo布里托已經注意到，臨時lines的使用（除了mfi）lines除外）可能是承認優化的東西。確實，但以作者*的拙見，實際上一切都承認一些優化。
為了有共同的工作基礎，可以使用StockCharts的「資金流量指數」定義，並看到上面的實現是好的。這是連結：
有了這個，指標的快速規範實現MFI
class MFI_Canonical(bt.Indicator):
lines = ('mfi',)
params = dict(period=14)
def __init__(self):
tprice = (self.data.close + self.data.low + self.data.high) / 3.0
mfraw = tprice * self.data.volume
flowpos = bt.ind.SumN(mfraw * (tprice > tprice(-1)), period=self.p.period)
flowneg = bt.ind.SumN(mfraw * (tprice < tprice(-1)), period=self.p.period)
mfiratio = bt.ind.DivByZero(flowpos, flowneg, zero=100.0)
self.l.mfi = 100.0 - 100.0 / (1.0 + mfiratio)
人們應該能夠立即注意到
-
定義了單個 line
mfi。沒有臨時工。 -
事情看起來更乾淨，不需要
[0]陣列索引 -
這裡或那裡沒有單曲
if -
更緊湊，更易讀
如果一個人繪製一個圖表，兩者都針對相同的數據集運行，它看起來像這樣
該圖表顯示，規範版本和非規範版本顯示相同的值和發展，除了在開頭。
-
非規範版本從一開始就提供價值
-
它傳遞的是無意義的值（100.0 直到它傳遞 1 個額外的值，這也是不好的），因為它不能正確傳遞
相比之下：
-
規範版本在達到最小預熱期 后自動開始提供值。
-
不需要人工干預（它必須肯定是「人工智慧」或「機器學習」,...雙關語 ）
查看受影響區域的 close圖片
注意
當然，在非規範版本中，可以通過這樣做來緩解這種情況：
- 子類化，其中
bt.ind.PeriodN已經有一個period參數，並且知道如何處理它（並在 期間__init__調用super）
另請注意，規範版本也考慮了公式中可能的零除情況的分步next 代碼。
if neg_period == 0:
self.lines.mfi[0] = 100
return
self.lines.mfi[0] = 100 - 100 / (1 + pos_period / neg_period)
而這是另一種方式
mfiratio = bt.ind.DivByZero(flowpos, flowneg, zero=100.0)
self.l.mfi = 100.0 - 100.0 / (1.0 + mfiratio)
沒有許多lines，一個return語句和對輸出line的不同賦值，有計算的單個聲明mfiratio和單個賦值（遵循StockCharts公式）到輸出linemfi。
結論
希望這能揭示一些在以規範（即：聲明性__init_）或非規範方式（逐步與陣列索引） next實現某些內容時的差異。