用 backtrader 对算法交易进行量化回测

backtrader是基于Python的量化回测框架，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pyfolio、empyrical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。

（扫描本文最下方二维码获取全部完整源码和Jupyter Notebook 文件打包下载。）

我们将首先总结 backtrader 的关键概念，以阐明在此平台上的回测工作流程，然后演示回测的使用方法，并通过机器学习进行预测。

Cerebro 架构的关键概念

backtrader 的 Cerebro（西班牙语为“大脑”）架构将回测工作流的关键组件表示为（可扩展的）Python 对象。这些对象相互作用以促进处理输入数据和因子计算、制定和执行策略、接收和执行订单以及跟踪和测量性能。Cerebro 调度从收集输入、逐条执行回测和提供结果的整个过程。

下图概述了 Cerebro 架构中的关键元素：

Data feeds、lines 和 indicators

Data feeds 是策略的原材料，包含有关单个证券的信息，例如每次观察都带有时间戳的 OHLCV 市场数据，但您可以自定义可用字段。backtrader 可以从各种来源（包括 CSV 文件和 Pandas DataFrames）以及雅虎财经等在线来源获取数据。您还可以使用扩展程序连接到盈透证券等在线交易平台，以获取实时数据并执行交易。与 DataFrame 对象的兼容性意味着您可以从可访问的 Pandas 加载数据，范围从数据库到 HDF5 文件。

加载数据后，我们将 data feeds 添加到 Cerebro 实例，然后按照收到的顺序使其可用于一个或多个策略。您的策略的交易逻辑可以按名称（例如，股票代码）或序列号访问每个 data feed ，并检索 data feed 任何字段的当前和过去值。每个字段称为一行。

backtrader 带有 130 多个常用技术指标，让您可以根据每个 data feed 的 line 或其他指标计算新值，以运行您的策略。您还可以使用标准 Python 操作来派生新值。用法相当简单，并且在文档中得到了很好的解释。

从数据和信号到交易策略

Strategy 对象包含您的交易逻辑，该逻辑根据 Cerebro 实例在回测执行期间在每个呈现的 data feed 信息进行订单交易。您可以通过将策略配置为任意参数来轻松测试 Cerebro 。

对于回测的每个柱线，Cerebro 实例调用 Strategy 实例的 .prenext() 或 .next() 方法。 .prenext() 的作用是解决尚未包含所有 data feed 的完整数据的柱线，例如，在有足够的时间来计算内置移动平均线等指标之前，或者是否存在其他缺失数据。默认情况下什么都不做，但如果您的主要策略旨在处理缺失值，您可以添加您选择的交易逻辑或调用 next() 。

您还可以使用 backtrader 而不定义显式策略，而是使用简化的信号接口。不过，策略 API 为您提供了更多的控制权和灵活性；有关如何使用 Signals API 的详细信息，请参阅 backtrader 文档。

输出订单的策略：接下来让我们看看 backtrader 如何处理这些订单。

一旦您的策略评估了每个柱线的当前和过去数据点，它需要决定下哪些订单。backtrader 允许您创建几种标准订单类型，Cerebro 将这些订单类型传递给 Broker 实例以供执行，并在每个柱线的 line 处提供结果通知。

您可以使用策略方法 buy() 和 sell() 来下市价单、平仓单和限价单，以及止损单和止损限价单。执行工作如下：

• 市价单：在下一个打开的柱线处成交
• 关闭订单：在下一个闭合柱线处成交
• 限价单：仅在达到价格阈值时才执行（例如，最多只买入 特定价格）在（可选）有效期内
• 止损单：如果价格达到给定阈值，则成为市价单
• 止损限价单：触发止损后变为限价单

在实践中，止损订单不同于限价订单，因为它们在价格触发之前无法被市场看到。backtrader 还提供计算所需规模的目标订单，考虑到当前头寸以实现一定的投资组合分配，如股份数量、头寸价值或投资组合价值的百分比。此外，对于多头订单，还有一些括号订单将买入与两个限价卖出订单结合在一起，这些订单在买入执行时激活。如果其中一个卖单成交或取消，另一个卖单也会取消。

经纪人处理订单执行、跟踪投资组合、现金价值和通知，并实施佣金和滑点等交易成本。如果没有足够的现金，经纪商可能会拒绝交易；对买卖进行排序以确保流动性可能很重要。backtrader 还具有 cheat\_on\_open 功能，允许展望下一根柱线，以避免由于下一根柱线的不利价格变动而拒绝交易。当然，此功能会使您的结果产生偏差。

除了像绝对交易价值的固定金额或百分比金额这样的佣金计划外，您还可以实现自己的逻辑，如下所示，每股固定费用。

Cerebro 控制系统根据时间戳表示的柱线同步 data feed ，并相应地在逐个事件的基础上运行交易逻辑和经纪人操作。backtrader 对频率或交易日历没有任何限制，可以并行使用多个时间范围。

如果它可以预加载源数据，它还可以矢量化指标的计算。您可以使用多个选项从内存角度优化操作（有关详细信息，请参阅 Cerebro 文档）。

如何在实践中使用 backtrader

我们将创建 Cerebro 实例、加载数据、制定和添加策略、运行回测并查看结果。

我们需要确保买卖股票的所有日期的价格信息，而不仅仅是有预测的日子。为了从 Pandas DataFrame 加载数据，我们继承 backtrader 的 PandasData 类来定义我们将提供的字段：

          
class SignalData(PandasData):  
    """  
    Define pandas DataFrame structure  
    """  
    cols = OHLCV + ['predicted']  
  
    # create lines  
    lines = tuple(cols)  
  
    # define parameters  
    params = {c: -1 for c in cols}  
    params.update({'datetime': None})  
    params = tuple(params.items())  

      

然后我们实例化一个 Cerebro 类并使用 SignalData 类为我们从 HDF5 加载的数据集中的每个股票代码添加一个数据源：

          
cerebro = bt.Cerebro()  # create a "Cerebro" instance  
cash = 10000  
# comminfo = FixedCommisionScheme()  
# cerebro.broker.addcommissioninfo(comminfo)  
cerebro.broker.setcash(cash)  
  
idx = pd.IndexSlice  
data = pd.read_hdf('00\_data/backtest.h5', 'data').sort_index()  
tickers = data.index.get_level_values(0).unique()  
  
for ticker in tickers:  
    df = data.loc[idx[ticker, :], :].droplevel('ticker', axis=0)  
    df.index.name = 'datetime'  
    bt_data = SignalData(dataname=df)  
    cerebro.adddata(bt_data, name=ticker)  

      

现在，我们已准备好定义我们的策略。

如何制定交易逻辑

我们的 MLStrategy 子类化 backtrader 的 Strategy 类并定义我们可以用来修改其行为的参数。我们还创建了一个日志文件来创建交易记录：

          
class MLStrategy(bt.Strategy):  
    params = (('n\_positions', 10),  
              ('min\_positions', 5),  
              ('verbose', False),  
              ('log\_file', 'backtest.csv'))  
  
    def log(self, txt, dt=None):  
        """ Logger for the strategy"""  
        dt = dt or self.datas[0].datetime.datetime(0)  
        with Path(self.p.log_file).open('a') as f:  
            log_writer = csv.writer(f)  
            log_writer.writerow([dt.isoformat()] + txt.split(','))  

      

该策略的核心在于 .next() 方法。我们对具有最高正/最低负预测的 n\_position 股票进行做多/做空，只要至少有 min\_ 个头寸。我们总是卖出没有出现在新的多头和空头列表中的任何现有头寸，并使用 order\_target\_percent 在新目标中建立等权重头寸：

          
    def prenext(self):  
        self.next()  
  
    def next(self):  
        today = self.datas[0].datetime.date()  
#         if today.weekday() not in [0, 3]: # only trade on Mondays;  
#             return  
        positions = [d._name for d, pos in self.getpositions().items() if pos]  
        up, down = {}, {}  
        missing = not_missing = 0  
        for data in self.datas:  
            if data.datetime.date() == today:  
                if data.predicted[0] > 0:  
                    up[data._name] = data.predicted[0]  
                elif data.predicted[0] < 0:  
                    down[data._name] = data.predicted[0]  
  
        # sort dictionaries ascending/descending by value  
        # returns list of tuples  
        shorts = sorted(down, key=down.get)[:self.p.n_positions]  
        longs = sorted(up, key=up.get, reverse=True)[:self.p.n_positions]  
        n_shorts, n_longs = len(shorts), len(longs)  
          
        # only take positions if at least min\_n longs and shorts  
        if n_shorts < self.p.min_positions or n_longs < self.p.min_positions:  
            longs, shorts = [], []  
        for ticker in positions:  
            if ticker not in longs + shorts:  
                self.order_target_percent(data=ticker, target=0)  
                self.log(f'{ticker},CLOSING ORDER CREATED')  
  
        short_target = -1 / max(self.p.n_positions, n_shorts)  
        long_target = 1 / max(self.p.n_positions, n_longs)  
        for ticker in shorts:  
            self.order_target_percent(data=ticker, target=short_target)  
            self.log('{ticker},SHORT ORDER CREATED')  
        for ticker in longs:  
            self.order_target_percent(data=ticker, target=long_target)  
            self.log('{ticker},LONG ORDER CREATED')  

      

现在，我们需要配置我们的 Cerebro 实例并添加我们的策略。

如何配置 Cerebro 实例

我们使用自定义佣金计划，假设对于购买或出售的份额，我们支付每笔固定金额 0.02 美元：

          
class FixedCommisionScheme(bt.CommInfoBase):  
    """  
    Simple fixed commission scheme for demo  
    """  
    params = (  
        ('commission', .02),  
        ('stocklike', True),  
        ('commtype', bt.CommInfoBase.COMM_FIXED),  
    )  
  
    def _getcommission(self, size, price, pseudoexec):  
        return abs(size) * self.p.commission  

      

然后，我们定义起始现金金额并相应地配置佣金：

          
cash = 10000  
cerebro.broker.setcash(cash)  
comminfo = FixedCommisionScheme()  
cerebro.broker.addcommissioninfo(comminfo)  

      

现在，缺少的只是将 MLStrategy 添加到我们的 Cerebro 实例，为所需的头寸数量和最少的多头/空头数量提供参数。我们还将添加一个 pyfolio 分析器：

          
cerebro.addanalyzer(bt.analyzers.PyFolio, _name='pyfolio')  
cerebro.addstrategy(MLStrategy, n_positions=25, min_positions=20,   
                    verbose=True, log_file='bt\_log.csv')  
start = time()  
results = cerebro.run()  
ending_value = cerebro.broker.getvalue()  
duration = time() - start  
  
print(f'Final Portfolio Value: {ending\_value:,.2f}')  
print(f'Duration: {format\_time(duration)}')  

      

回测使用 869 个交易日，运行时间约为 45 秒。下图显示了累积回报和投资组合价值的演变，以及多头和空头头寸的每日价值。

性能看起来与之前的矢量化测试有些相似，上半年表现优于标准普尔 500 指数，之后表现不佳。

backtrader 是一个非常简单，但具有灵活且高性能特性的本地回测工具。 由于 Pandas 的兼容性，您可以从各种来源以您希望的频率加载任何数据集。 策略可以让您定义任意交易逻辑； 您只需要确保根据需要访问不同的数据源。 它还能与 pyfolio 很好地集成，以进行快速而全面的性能评估。

在演示中，我们将交易逻辑应用于预训练模型的预测。我们还可以在回测期间训练模型，因为我们可以访问当前柱线之前的数据。然而，通常将模型训练与策略选择分离并避免重复模型训练更有效。

E N D

扫描本文最下方二维码获取全部完整源码和Jupyter Notebook 文件打包下载。

↓**↓ 长按扫码获取完整源码↓↓******