Backtrader教程：操作平臺

Backtrader Backtrader教程   |   2022年6月19日

Line 反覆運算器

為了參與操作，plaftorm使用 line 反覆運算器的概念。它們已經鬆散地模仿了Python的反覆運算器，但實際上與它們無關。

策略和指標是 line 反覆運算器。

line反覆運算器概念試圖描述以下內容：

  • Line反覆運算器踢從line反覆運算器，告訴他們反覆運算

  • 然後， Line 反覆運算器循環訪問其自己聲明的命名 lines 設置值

反覆運算的關鍵，就像常規的Python迭代器一樣，是：

  • 方法next

    它將在每次反覆運算時調用。datasline反覆運算器具有並用作邏輯/計算基礎的陣列已經被平臺移動到下一個索引（數據重放除外）

    在滿足line反覆運算器的最小週期時調用。下面對此進行更多介紹。

但是由於它們不是常規反覆運算器，因此存在兩種其他方法：

  • prenext

    在滿足line反覆運算器“的最小期限之前調用。

  • nextstart

    在滿足line反覆運算器“的最小週期時正好調用一次。

    默認行為是將呼叫next轉接到，但如果需要，當然可以覆蓋。

指標的額外方法

為了加快操作速度，指標支援批處理操作模式，該模式被稱為 runonce。它不是嚴格需要的（一next 種方法就足夠了），但它大大減少了時間。

runonce 方法規則使索引為 0 的 get/set 點失效，並依賴於對保存數據的基礎陣列的直接訪問，併為每個狀態傳遞正確的索引。

定義的方法遵循下一個族的命名：

  • once(self, start, end)

    在達到最小期限時調用。內部數位必須在開始和結束之間進行處理，從內部數位的開始開始為零

  • preonce(self, start, end)

    在達到最小期限之前調用。

  • oncestart(self, start, end)

    在滿足最小期限時正好調用一次 。

    默認行為是將呼叫once轉接到，但如果需要，當然可以覆蓋。

最短期限

一張圖片勝過千言萬語，在這種情況下，也可能是一個例子。一個簡單的移動Average能夠解釋它：

class SimpleMovingAverage(Indicator):
    lines = ('sma',)
    params = dict(period=20)

    def __init__(self):
        ...  # Not relevant for the explanation

    def prenext(self):
        print('prenext:: current period:', len(self))

    def nextstart(self):
        print('nextstart:: current period:', len(self))
        # emulate default behavior ... call next
        self.next()

    def next(self):
        print('next:: current period:', len(self))

實例化可能如下所示：

sma = btind.SimpleMovingAverage(self.data, period=25)

簡要說明：

  • 假設傳遞到移動平均線的數據是標準 data feed 其預設週期是1 ： data feed 產生一個沒有初始延遲的柱。

  • 然後，“period=25” 實例化移動平均線將調用其方法，如下所示：

    • prenext 24 次

    • nextstart 1次（依次通話 next）

    • next 再增加 n 次，直到 data feed 用盡

讓我們來看看殺手級指標：一個 SimpleMovingAverage over 另一個 SimpleMovingAverage。實例化可能如下所示：

sma1 = btind.SimpleMovingAverage(self.data, period=25)

sma2 = btind.SimpleMovingAverage(sma1, period=20)

現在發生了什麼：

  • 同上sma1

  • sma2 正在接收一個 data feed ，其最短期限為25，這是我們 sma1 ，因此

  • 這些sma2 方法的調用方式如下：

    • prenext 前 25 + 18 次，共 43 次

    • 25次讓sma1 其產生1st 合理值

    • 18次累積額外sma1 價值

    • 總共 19 個值（25 次呼叫后為 1，之後為 18 次）

    • nextstart 然後1次（依次呼叫 next）

    • next 再增加 n 次，直到 data feed 用盡

當系統已經處理了 44 根柱線時，平臺正在調用next 。

最小週期已根據傳入數據自動調整。

策略和指標遵循以下行為：

  • 僅當達到自動計算的最小週期時，才會 next 調用（除了對 nextstart） 的初始鉤子調用

注意

相同的規則適用於preonceoncestart運行批處理操作模式，once

注意

可以操縱最小周期 行為，但不建議這樣做。是否希望在策略或指標中使用該 setminperiod(minperiod) 方法

啟動並運行

啟動與執行至少涉及3個 Lines 物件：

  • Data feed

  • 策略（實際上是從策略派生的類）

  • 一 Cerebro （西班牙文中的大腦）

Data Feeds

顯然，這些物件提供的數據將通過應用計算（直接和/或指標）進行回溯測試

該平臺提供了幾個 data feeds：

  • 幾種 CSV 格式和一個通用 CSV 閱讀器

  • 雅虎在線獲取器

  • 支援接收熊貓數據幀和火焰物件

  • 與Interacive Brokers，Visual Chart和Oanda進行即時Data Feeds

該平臺對 data feed 的內容（例如時間幀和壓縮）不做任何假設。這些值與名稱一起可以提供，用於提供資訊和高級操作，例如 Data Feed 重新採樣（例如，將5分鐘的 Data Feed 轉換為每日 Data Feed）

設置雅虎財經 Data Feed的示例：

import backtrader as bt
import backtrader.feeds as btfeeds

...

datapath = 'path/to/your/yahoo/data.csv'

data = btfeeds.YahooFinanceCSVData(
    dataname=datapath,
    reversed=True)

顯示 Yahoo 的可選reversed 參數，因為直接從 Yahoo 下載的 CSV 檔以最晚的日期開頭，而不是以最舊的日期開頭。

如果您的資料跨越了較大的時間範圍，則可以按如下方式限制實際載入的數據：

data = btfeeds.YahooFinanceCSVData(
    dataname=datapath,
    reversed=True
    fromdate=datetime.datetime(2014, 1, 1),
    todate=datetime.datetime(2014, 12, 31))

如果 data feed中存在，則起始日期和截止日期都將包括在內。

如前所述，可以添加壓縮和名稱：

data = btfeeds.YahooFinanceCSVData(
    dataname=datapath,
    reversed=True
    fromdate=datetime.datetime(2014, 1, 1),
    todate=datetime.datetime(2014, 12, 31)
    timeframe=bt.TimeFrame.Days,
    compression=1,
    name='Yahoo'
   )

如果繪製了數據，則將使用這些值。

策略（派生）類

注意

在繼續之前，對於更簡化的方法，如果不希望對策略進行子類化，請查看文檔的“信號”部分。

使用該平臺的任何人都的目標是回溯測試數據，這是在策略（派生類）內完成的。

有2種方法至少需要自定義：

  • __init__

  • next

在初始化期間，將創建數據和其他計算的指示器，以便為以後應用邏輯做好準備。

稍後調用下一個方法來為數據的每個條形應用邏輯。

注意

如果傳遞了不同時間幀的data feeds（因此傳遞了next不同的柱計數），則將為主數據調用方法（傳遞給cerebro的第一個，見下文），該方法必須是具有較小時間幀的數據

注意

如果使用數據重播功能，則在next 重放柱的開發時，將為同一柱線多次調用該方法。

基本策略派生類：

class MyStrategy(bt.Strategy):

    def __init__(self):

        self.sma = btind.SimpleMovingAverage(self.data, period=20)

    def next(self):

        if self.sma > self.data.close:
            self.buy()

        elif self.sma < self.data.close:
            self.sell()

策略還有其他可以覆蓋的方法（或挂鉤點）：

class MyStrategy(bt.Strategy):

    def __init__(self):

        self.sma = btind.SimpleMovingAverage(self.data, period=20)

    def next(self):

        if self.sma > self.data.close:
            submitted_order = self.buy()

        elif self.sma < self.data.close:
            submitted_order = self.sell()

    def start(self):
        print('Backtesting is about to start')

    def stop(self):
        print('Backtesting is finished')

    def notify_order(self, order):
        print('An order new/changed/executed/canceled has been received')

start和 stop 方法應該是不言自明的。正如預期的那樣，在列印函數中的文本之後，notify_order當策略需要通知時，將調用該方法。用例：

  • 請求買入或賣出（如下圖所示）

    買入/賣出將返回提交給經紀商的訂單。保留對此提交訂單的引用由調用方決定。

    例如，它可用於確保在訂單仍處於待處理狀態時不會提交新訂單。

  • 如果訂單被接受/執行/取消/更改，經紀人將通過 notify 方法將狀態更改（例如執行大小）通知回策略

快速入門指南在該方法中notify_order 提供了訂單管理的完整功能示例。

其他策略類可以做更多工作：

  • buy / sell / close

    使用基礎經紀商和 sizer 向經紀商發送買入/賣出訂單

    同樣可以通過手動創建訂單並將其傳遞給經紀人來完成。但該平臺旨在使使用它的人變得容易。

    close 將獲得當前的市場地位並立即 close 。

  • getposition （或屬性“位置”）

    返回當前市場位置

  • setsizer/getsizer （或財產“sizer”）

    這些允許設置/獲取標的權益 Sizer。可以對照 Sizers 檢查相同的邏輯，這些為相同情況提供不同的賭注（固定大小，與資本成比例，指數）

    有很多文學作品，但Van K. Tharp有關於這個主題的優秀書籍。

策略是一個 Lines 對象和這些支持參數，這些參數是使用標準的 Python kwargs 參數收集的：

class MyStrategy(bt.Strategy):

    params = (('period', 20),)

    def __init__(self):

        self.sma = btind.SimpleMovingAverage(self.data, period=self.params.period)

    ...
    ...

請注意，不再SimpleMovingAverage 使用固定值 20 實例化 ，而是使用為策略定義的參數“period” 實例化。

Cerebro

一旦 Data Feeds 可用並且定義了戰略， Cerebro 實例就是將所有內容整合在一起並執行操作。實例化一個很容易：

cerebro = bt.Cerebro()

如果不希望有任何特殊情況，則預設會處理。

  • 創建缺省代理

  • 無傭金

  • Data Feeds 將被預載入

  • 默認執行模式為runonce（批處理操作），這是更快的

    所有指標必須支援runonce 全速模式。平臺中包含的那些確實如此。

    自定義指標不需要實現 runonce 功能。Cerebro 將類比它，這意味著那些與runonce不相容的指標將運行得更慢。但是，大多數系統仍將以批處理模式運行。

由於 Data feed 已經可用，並且策略也（更早創建）將其放在一起並使其啟動並運行的標準方法是：

cerebro.adddata(data)
cerebro.addstrategy(MyStrategy, period=25)
cerebro.run()

請注意以下幾點：

  • 添加了 Data Feed “實例”

  • MyStrategy“類”與將傳遞給它的參數（kwargs）一起添加。

    MyStrategy的實例化將由後台 cerebro 完成，並且“addstrategy”中的任何kwargs都將傳遞給它。

用戶可以根據需要添加任意數量的策略和 Data Feeds 。策略如何相互溝通以實現協調（如果願意的話）不受平台的執行/限制。

當然， Cerebro 還提供了更多的可能性：

  • 確定預載入與操作模式：

    cerebro = bt.Cerebro(runonce=True, preload=True)

    這裡有一個約束：runonce 需要預載入（如果沒有，則無法運行批處理操作）當然，預載入 Data Feeds 不會強制 runonce

  • setbroker / getbroker （和經紀人財產）

    如果需要，可以設置自定義代理。也可以訪問實際的代理實例

  • 標圖。在正常情況下，就像這樣簡單：

    cerebro.run()
cerebro.plot()

    plot 為自定義取一些參數

    • numfigs=1

      如果情節太密集，可能會分解為幾個情節

    • plotter=None

      可以傳遞客戶繪圖儀實例，並且 cerebro 不會實例化默認繪圖儀實例

    • **kwargs - 標準關鍵字參數

      這將傳遞給繪圖儀。

    有關詳細資訊，請參閱繪圖部分。

  • 策略優化。

    如上所述， Cerebro 獲取一個 Strategy 派生類（不是實例）和關鍵字參數，這些參數將在實例化時傳遞給它，這將在調用“run”時發生。

    這是為了實現優化。同一個 Strategy 類將根據需要使用新參數實例化多次。如果實體已傳遞給 cerebro ...這是不可能的。

    優化請求如下：

    cerebro.optstrategy(MyStrategy, period=xrange(10, 20))

    該方法optstrategy 具有與相同的簽名， addstrategy 但會執行額外的內務處理，以確保優化按預期運行。策略可能期望一個範圍作為策略的正常參數，並且 addstrategy 不會對傳遞的參數做出任何假設。

    另一方面，optstrategy 將理解可反覆運算是一組值，必須按順序傳遞給 Strategy 類的每個實例化。

    請注意，傳遞的值範圍不是單個值。在這個簡單的情況下，將為此策略嘗試 10 個值 10 -> 19（20 是上限）。

    如果使用額外的參數開發更複雜的策略，則可以將它們全部傳遞給選擇策略。不得進行優化的參數可以直接傳遞，而無需最終用戶創建一個僅可反覆運算一個值的虛擬參數。例：

    cerebro.optstrategy(MyStrategy, period=xrange(10, 20), factor=3.5)

    該optstrategy 方法看到因數，並在後台為具有單個元素的因數創建（所需的）可反覆運算的虛擬（在示例 3.5 中）

    注意

    互動式Python shell和Windows下某些類型的凍結可執行檔在Pythonmultiprocessing 模組中存在問題

    請閱讀 Python 文件multiprocessing。

推薦閱讀

相關文章

Backtrader按日線交易

似乎在世界某個地方有一種权益(Interest)可以總結如下： 使用每日柱線引入訂單，但使用開盤價 這來自工單#105订单执行逻辑与当前数据和#101动态投注计算中的對話 backtrader 嘗試盡可能保持現實，並且在處理每日柱線時適用以下前提： 當每日柱被評估時，柱線已經結束 這是有道理的，

Backtrader教程：安裝

要求和版本 backtrader 是獨立的，沒有外部依賴關係（除非要繪圖） 基本要求是： Python 2.7 Python 3.2 / 3.3/ 3.4 / 3.5 pypy/pypy3 如果需要繪圖，則其他要求： Matplotlib >= 1.4.

Backtrader期貨補償與現貨補償

版本1.9.32.116 增加了對社區中呈現的有趣用例 的支援 以期貨開始交易，包括實物交割 讓一個指標告訴你一些事情 如果需要， close 現貨價格操作，有效地取消實物交割，無論是為了接收貨物還是為了必須交付貨物（並希望獲利）來頭寸。

Backtrader教程：操作平臺

Line 反覆運算器 為了參與操作，plaftorm使用 line 反覆運算器的概念。它們已經鬆散地模仿了Python的反覆運算器，但實際上與它們無關。 策略和指標是 line 反覆運算器。

Backtrader教程：日誌記錄 - 編寫器

將以下內容寫出到流中： csv 流，

Backtrader教程：數據饋送 - 擴展 (Extending DataFeed)

GitHub 中的問題實際上是在推動文檔部分的完成，或者説明我瞭解我是否backtrader 具有我從一開始就設想的易用性和靈活性以及在此過程中做出的決定。 在本例中為問題 #9。

Backtrader跨越數位

《backtrader》的發佈1.9.27.105糾正了一個疏忽。這是一個疏忽，因為拼圖的所有部分都已到位，但啟動並不是在所有角落都進行的。 該機制使用一個名為的屬性_mindatas，因此讓我們將其稱為： mindatas。 社區問了這個問題，答案並不是很到位。

Backtrader數據多時間幀

有時投資決策是使用不同的時間框架做出的： 每周評估趨勢 每天執行條目 或者5分鐘對60分鐘。 這意味著需要將多個時間幀的數據組合在 backtrader 中以支援此類組合。 對它的本機支持已經內置。

Backtrader多數據範例

社區中的幾個主題似乎以如何跟蹤訂單為導向，特別是當幾個data feeds在起作用時，還包括當多個訂單一起工作時，

Backtrader信貸利息

在某些情況下，真實經紀人的現金金額可能會減少，因為資產操作包括利率。例子： 賣空股票 交易所買賣基金包括多頭和空頭 這意味著不僅交易構成了系統的盈利能力，因為信貸上的利息在帳戶上佔有一席之地。 為了涵蓋這種情況， backtrader 包括（從發佈1.8.8.96開始）功能來考慮這一點。