【手把手教你】入门量化回测最强神器backtrader(一)

1 引言

目前基于Python的量化回测框架有很多,开源框架有zipline、vnpy、pyalgotrader和backtrader等,而量化平台有Quantopian(国外)、聚宽、万矿、优矿、米筐、掘金等,这些量化框架或平台各有优劣。就个人而言,比较偏好用backtrader,因为它功能十分完善,有完整的使用文档,安装相对简单(直接pip安装即可)。优点是运行速度快,支持pandas的矢量运算;支持参数自动寻优运算,内置了talib股票分析技术指标库;支持多品种、多策略、多周期的回测和交易;支持pyflio、empyrica分析模块库、alphalens多因子分析模块库等;扩展灵活,可以集成TensorFlow、PyTorch和Keras等机器学习、神经网络分析模块。而不足之处在于,backtrader学习起来相对复杂,编程过程中使用了大量的元编程(类class),如果Python编程基础不扎实(尤其是类的操作),学起来会感到吃力。本文作为backtrader的入门系列之一,对其运行框架进行简要介绍,并以实际案例展示量化回测的过程。

2 backtrader简介

如果将backtrader包分解为核心组件,主要包括以下组成部分:

(1)数据加载(Data Feed):将

交易策略的数据加载到回测框架中。  

(2)交易策略(Strategy):该模块是编程过程中最复杂的部分,需要设计交易决策,得出买入/卖出信号。

(3)回测框架设置( Cerebro):需要设置(i)初始资金(ii)佣金(iii)数据馈送(iv)交易策略(v)交易头寸大小。

(4)运行回测:运行Cerebro回测并打印出所有已执行的交易。

(5)评估性能(Analyzers):以图形和风险收益等指标对交易策略的回测结果进行评价。

“Lines”是backtrader回测的数据,由一系列的点组成,通常包括以下类别的数据:Open(开盘价), High(最高价), Low(最低价), Close(收盘价), Volume(成交量), OpenInterest(无的话设置为0)。Data Feeds(数据加载)、Indicators(技术指标)和Strategies(策略)都会生成 Lines。价格数据中的所有”Open” (开盘价)按时间组成一条 Line。所以,一组含有以上6个类别的价格数据,共有6条 Lines。如果算上“DateTime”(时间,可以看作是一组数据的主键),一共有7条 Lines。当访问一条 Line 的数据时,会默认指向下标为 0 的数据。最后一个数据通过下标 -1 来访问,在-1之后是索引0,用于访问当前时刻。因此,在回测过程中,无需知道已经处理了多少条/分钟/天/月,”0”一直指向当前值,下标 -1 来访问最后一个值。

3 回测应用实例

量化回测说白了是使用历史数据去验证交易策略的性能,因此回测的第一步是搭建交易策略,这也是backtrader要设置的最重要和复杂的部分,策略设定好后,其余部分的代码编写是手到擒来。

01 构建策略(Strategy)

交易策略类代码包含重要的参数和用于执行策略的功能,要定义的参数或函数名如下:

(1)params-全局参数,可选:更改交易策略中变量/参数的值,可用于参数调优。 

(2)log:日志,可选:记录策略的执行日志,可以打印出该函数提供的日期时间和txt变量。

(3) __init__:用于初始化交易策略的类实例的代码。 

(4)notify_order,可选:跟踪交易指令(order)的状态。order具有提交,接受,买入/卖出执行和价格,已取消/拒绝等状态。 

(5)notify_trade,可选:跟踪交易的状态,任何已平仓的交易都将报告毛利和净利润。 

(6)next,必选:制定交易策略的函数,策略模块最核心的部分。

下面以一个简单的单均线策略为例,展示backtrader的使用过程,即当收盘价上涨突破20日均线买入(做多),当收盘价下跌跌穿20日均线卖出(做空)。为简单起见,不报告交易回测的日志,因此log、notify_order和notify_trade函数省略不写。

classmy_strategy1(bt.Strategy):

#全局设定交易策略的参数

params=(

('maperiod',20),

)

def__init__(self):

#指定价格序列

self.dataclose=self.datas[0].close

# 初始化交易指令、买卖价格和手续费

self.order =None

self.buyprice =None

self.buycomm =None

#添加移动均线指标,内置了talib模块

self.sma = bt.indicators.SimpleMovingAverage(

self.datas[0], period=self.params.maperiod)

defnext(self):

ifself.order:# 检查是否有指令等待执行, 

return

# 检查是否持仓   

ifnotself.position:# 没有持仓

#执行买入条件判断:收盘价格上涨突破20日均线

ifself.dataclose[0] > self.sma[0]:

#执行买入

self.order = self.buy(size=500)

else:

#执行卖出条件判断:收盘价格跌破20日均线

ifself.dataclose[0] < self.sma[0]:

#执行卖出

self.order = self.sell(size=500)

02 数据加载(Data Feeds)

策略设计好后,第二步是数据加载,backtrader提供了很多数据接口,包括quandl(美股)、yahoo、pandas格式数据等,我们主要分析A股数据。

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

#正常显示画图时出现的中文和负号

frompylabimportmpl

mpl.rcParams['font.sans-serif']=['SimHei']

使用tushare获取浦发银行(代码:600000)数据。

#使用tushare旧版接口获取数据

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')

#回测期间

start=datetime(2010, 3, 31)

end=datetime(2020, 3, 31)

# 加载数据

data = bt.feeds.PandasData(dataname=dataframe,fromdate=start,todate=end)

03 回测设置(Cerebro)

回测设置主要包括几项:回测系统初始化,数据加载到回测系统,添加交易策略, broker设置(如交易资金和交易佣金),头寸规模设置作为策略一部分的交易规模等,最后显示执行交易策略时积累的总资金和净收益。 

# 初始化cerebro回测系统设置                           

cerebro = bt.Cerebro()

#将数据传入回测系统

cerebro.adddata(data)

# 将交易策略加载到回测系统中

cerebro.addstrategy(my_strategy1)

# 设置初始资本为10,000

startcash =10000

cerebro.broker.setcash(startcash)

# 设置交易手续费为 0.2%

cerebro.broker.setcommission(commission=0.002)

04 执行回测

输出回测结果。

print(f'净收益:{round(pnl,2)}')

d1=start.strftime('%Y%m%d')

d2=end.strftime('%Y%m%d')

print(f'初始资金:{startcash}\n回测期间:{d1}:{d2}')

#运行回测系统

cerebro.run()

#获取回测结束后的总资金

portvalue = cerebro.broker.getvalue()

pnl = portvalue - startcash

#打印结果

print(f'总资金:{round(portvalue,2)}')

结果如下:

初始资金: 10000

回测期间:20100331:20200331

总资金: 12065.36

净收益: 2065.36

05 可视化

对上述结果进行可视化,使用内置的matplotlib画图。至此,简单的单均线回测就完成了。下面图形展示了浦发银行在回测期间的价格走势、买卖点和交易总资金的变化等。当然,本文着重以最简化的例子展示backtrader的框架和运行过程,要想更详细的展示回测过程和结果,还需要加入其他函数和模块,关于Analyzers分析模块的应用请留意下一篇推文。

%matplotlib inline #在jupyter notebook上运行

cerebro.plot(style='candlestick')

4 结语

backtrader是目前功能最完善的Python量化回测框架之一(单机版),得到欧洲很多银行、基金等金融机构的青睐,并应用于实盘交易中。作为入门序列之一,本文简单介绍了backtrader框架的各个组成部分,然后以20日单均线策略为例,展示了回测系统的编程和运行。公众号接下来将以专题的形式为大家全面介绍backtrader的应用。学习没有捷径,要想全面而深入地学习backtrader回测框架,最好的方法是研读其官方文档。

参考资料:

backtrader官方文档:

https://www.backtrader.com/docu/


关于Python金融量化

专注于分享Python在金融量化领域的应用。加入知识星球,可以免费获取量化投资视频资料、量化金融相关PDF资料、公众号文章Python完整源码、量化投资前沿分析框架,与博主直接交流、结识圈内朋友等。

推荐阅读更多精彩内容