量化投资与机器学习公众号 独家撰写
今天，公众号将为全网读者带来Backtrader
系列！

公众号将为大家多维度、多策略、多场景来讲述Backtrader在量化投资领域的实践应用。同时，我们对每段代码都做了解读说明，愿你在Quant的道路上学有所获！
此系列将由浅入深，每周1~2期，大家敬请期待！
就选它

Backtrader 是 2015 年开源的 Python 量化回测框架（支持实盘交易），功能丰富，操作方便灵活：
  • 品种多：股票、期货、期权、外汇、数字货币；
  • 周期全：Ticks 级、秒级、分钟级、日度、周度、月度、年度；
  • 速度快：pandas 矢量运算、多策略并行运算；
  • 组件多：内置 Ta-lib 技术指标库、PyFlio 分析模块、plot 绘图模块、参数优化等；
  • 超灵活：即可以随意搭配组件，又支持扩展自己开发的功能，想怎么玩就怎么玩；
  • 社区活跃、帮助文档齐全，官网：https://www.backtrader.com/。
如果你想在本地通过 Python 尽可能“随心所欲”的进行策略回测和交易，选它！选它！选它！就选它！
Bcaktrader 的安装很简单，不依赖额外的库，除了绘图时依赖的 matplotlib 库（版本要求是 >=1.4.1）：
# 若已经安装了 matplotlib ，只需安装 backtrader
pip install backtrader


# 若没有安装 matplotlib，可将其与 backtrader 一起安装
pip install backtrader[plotting]

看图识 Backtrader

下图是 Bcaktrader 的主要模块，Backtrader 以“大脑”cerebro 为统一的调度中心，数据、策略、回测条件等信息都会导入 cerebro 中，并由 cerebro 启动和完成回测，最后返回回测结果：
QIML公众号独家绘制
Backtrader各模块各司其职，对模块进行灵活的配置可满足绝大部分的回测需求。通常的回测流程如下：
step 1：构建策略
  • 确定策略潜在的可调参数；
  • 计算策略中用于生成交易信号的指标；
  • 按需打印交易信息；
  • 编写买入、卖出的交易逻辑。
step 2：实例化策略引擎 cerebro，由 cerebro 来驱动回测
  • 由 DataFeeds 加载数据，再将加载的数据添加给 cerebro；
  • 将上一步生成的策略添加给 cerebro；
  • 按需添加策略分析指标或观测器；
  • 通过运行 cerebro.run() 来启动回测；
  • 回测完成后，按需运行 cerebro.plot() 进行回测结果可视化展示。
用一张图总结以上步骤：
QIML公众号独家绘制
Backtrader 回测代码编写流程如下：
import
 backtrader
as
 bt
# 导入 Backtrader
import
 backtrader.indicators
as
 btind
# 导入策略分析模块
import
 backtrader.feeds
as
 btfeeds
# 导入数据模块

# 创建策略
classTestStrategy(bt.Strategy):
# 可选，设置回测的可变参数：如移动均线的周期
    params = (

        (...,...),
# 最后一个“,”最好别删！
    )

deflog(self, txt, dt=None):
'''可选，构建策略打印日志的函数：可用于打印订单记录或交易记录等'''
        dt = dt
or
 self.datas[
0
].datetime.date(
0
)

        print(
'%s, %s'
 % (dt.isoformat(), txt))


def__init__(self):
'''必选，初始化属性、计算指标等'''
pass

defnotify_order(self, order):
'''可选，打印订单信息'''
pass

defnotify_trade(self, trade):
'''可选，打印交易信息'''
pass

defnext(self):
'''必选，编写交易策略逻辑'''
        sma = btind.SimpleMovingAverage(...)
# 计算均线
pass

# 实例化 cerebro
cerebro = bt.Cerebro()

# 通过 feeds 读取数据
data = btfeeds.BacktraderCSVData(...)

# 将数据传递给 “大脑”
cerebro.adddata(data)

# 通过经纪商设置初始资金
cerebro.broker.setcash(...)

# 设置单笔交易的数量
cerebro.addsizer(...)

# 设置交易佣金
cerebro.broker.setcommission(...)

# 添加策略
cerebro.addstrategy(TestStrategy)

# 添加策略分析指标
cerebro.addanalyzer(...)

# 添加观测器
cerebro.addobserver(...)

# 启动回测
cerebro.run()

# 可视化回测结果
cerebro.plot()

牛刀小试
策略说明

下面就参照上面的模板，一步步教大家如何用 Backtrader 进行选股回测 。本文省去了选股过程，直接提供最终的选股结果，然后对选股结果做回测，具体的回测条件如下：

数据说明

测试用到 2 个数据集，一个是日度历史行情数据，另一个是最终的选股结果数据集 。
1、日度行情数据集
测试用的数据集 daily_price.csv 对应的是 510 只股票各自从 2019-01-02 至 2021-01-28 的日度行情数据（后复权），共有 8 个字段，除 sec_code 字段外，其余 7 个字段是 Data Feeds 导入 DataFrame 数据时默认必须包含的字段：
daily_price = pd.read_csv(
"daily_price.csv"
, parse_dates=[
'datetime'
])

daily_price

        datetime sec_code open high low close volume openinterest

02019-01-02600466.
SH
33.06489133.49670931.95450332.386321106293520
12019-01-02603228.
SH
50.66023051.45851350.39413651.1207784261470
22019-01-02600315.
SH
148.258423150.480132148.258423149.55893521385560
32019-01-02000750.
SZ
49.51257953.15488348.71582551.5613752275576120
...
    ... ... ... ... ... ... ... ...

2559682021-01-28300558.
SZ
134.155888137.600704130.700970131.56975053303010
2559692021-01-28600171.
SH
39.77487339.83004038.86463038.947380123541830
2559702021-01-28600597.
SH
47.19020149.24302546.25035546.423484324099400
2559712021-01-28600584.
SH
204.725839210.226650199.225028199.799026688314810
255972
 rows ×
8
 columns

2、月末调仓成分股数据集

测试用的数据集 trade_info.csv 就是最终的选股结果，共包含 3 个字段：trade_date 调仓期（每月最后一个交易日）、sec_code 持仓成分股代码、weight 持仓权重 。
trade_info = pd.read_csv(
"trade_info.csv"
, parse_dates=[
'trade_date'
])

trade_info

            trade_date sec_code weight

02019-01-31000006.
SZ
0.007282
12019-01-31000008.
SZ
0.009783
22019-01-31000025.
SZ
0.006928
32019-01-31000090.
SZ
0.007234
...
    ... ... ...

24912021-01-28603737.
SH
0.019291
24922021-01-28603816.
SH
0.022646
24932021-01-28603866.
SH
0.018611
24942021-01-28688088.
SH
0.007600
2495
 rows ×
3
 columns

3、导入 backtrader，构建“大脑”

导入 backtrader 时，约定俗成的将其缩写为 bt 。由于回测用到的各种原材料都是需要被添加给“大脑” cerebro的，所以最开始可以先实例化大脑：
import
 backtrader
as
 bt
# 导入 Backtrader

# 实例化 cerebro
cerebro = bt.Cerebro()
如果没啥感觉，可以运行如下代码小试一下，若返回下面的结果，恭喜你！成功完成一个“空”回测 ~ 
import
 backtrader
as
 bt
# 导入 Backtrader

# 实例化 cerebro
cerebro = bt.Cerebro()

# 打印初始资金
print(
'Starting Portfolio Value: %.2f'
 % cerebro.broker.getvalue())

# 启动回测
cerebro.run()

# 打印回测完成后的资金
print(
'Final Portfolio Value: %.2f'
 % cerebro.broker.getvalue())

Starting Portfolio Value:
10000.00
Final Portfolio Value:
10000.00
4、如何导入多只股票的历史行情数据？
Backtrader 通过 DataFeeds 模块来导入各式各样的数据。由于读取 daily_price.csv 文件后就生成了 DataFrame 表格，所以选用 DataFeeds 的 PandasData() 方法来导入，导入的 DataFrame 有默认的格式要求：
  • 以交易日 'datetime' 为 index
  • 列为
    'open'、'high'、'low'、'close'、'volume'、'openinterest' 字段 
该如何导入本次回测用到的 510 只股票的数据，并让 Backtrader 知道这是哪只股票的数据？我们采用的是循环导入的方式，每次循环导入一只股票的数据并将数据名称命名为股票名，如下所示：
# 按股票代码，依次循环传入数据
for
 stock
in
 daily_price[
'sec_code'
].unique():

# 日期对齐
    data = pd.DataFrame(index=daily_price.index.unique())
# 获取回测区间内所有交易日
    df = daily_price.query(
f"sec_code=='{stock}'"
)[[
'open'
,
'high'
,
'low'
,
'close'
,
'volume'
,
'openinterest'
]]

    data_ = pd.merge(data, df, left_index=
True
, right_index=
True
, how=
'left'
)

# 缺失值处理：日期对齐时会使得有些交易日的数据为空，所以需要对缺失数据进行填充
    data_.loc[:,[
'volume'
,
'openinterest'
]] = data_.loc[:,[
'volume'
,
'openinterest'
]].fillna(
0
)

    data_.loc[:,[
'open'
,
'high'
,
'low'
,
'close'
]] = data_.loc[:,[
'open'
,
'high'
,
'low'
,
'close'
]].fillna(method=
'pad'
)

    data_.loc[:,[
'open'
,
'high'
,
'low'
,
'close'
]] = data_.loc[:,[
'open'
,
'high'
,
'low'
,
'close'
]].fillna(
0
)

# 导入数据
    datafeed = bt.feeds.PandasData(dataname=data_, fromdate=datetime.datetime(
2019
,
1
,
2
), todate=datetime.datetime(
2021
,
1
,
28
))

    cerebro.adddata(datafeed, name=stock)
# 通过 name 实现数据集与股票的一一对应
    print(
f"{stock} Done !"
)
在导入多只股票数据时需注意以下细节：
▪ 各股交易日不统一：上市日期不一致、退市日期不一致、回测区间内出现停牌等，都会使得不同股票各自的交易日数量不统一，所以要以回测区间内所有交易日为基础，对每只股票缺失的交易日进行补齐；
▪ 行情数据缺失：在补齐交易日过程中，会使得补充的交易日缺失行情数据，需对缺失数据进行填充。比如将缺失的 volume 填充为 0，表示股票无法交易的状态；将缺失的高开低收做前向填充；将上市前缺失的高开低收填充为 0 等；
▪ 股票与行情数据的匹配：通过设置 adddata() 方法中 name 参数，来实现数据集与股票的一 一对应关系。

5、如何配置回测条件？

Backtrader 通过 Broker 模块来模拟证券交易中的“经纪商”角色（比如大家熟悉的证券公司），所以像初始资金、手续费等与经纪商相关的各种信息是通过 Broker 模块来配置的：
# 初始资金 100,000,000
cerebro.broker.setcash(
100000000.0
)

# 佣金，双边各 0.0003
cerebro.broker.setcommission(commission=
0.0003
)

# 滑点：双边各 0.0001
cerebro.broker.set_slippage_perc(perc=
0.0001
)
此外，还可以通过 analyzers 策略分析模块和 observers 观测器模块提前配置好要返回的回测结果，比如想要返回策略的收益率序列、常规的策略评价指标，就可以提前将指标添加给大脑：
cerebro.addanalyzer(bt.analyzers.TimeReturn, _name=
'pnl'
)
# 返回收益率时序数据
cerebro.addanalyzer(bt.analyzers.AnnualReturn, _name=
'_AnnualReturn'
)
# 年化收益率
cerebro.addanalyzer(bt.analyzers.SharpeRatio, _name=
'_SharpeRatio'
)
# 夏普比率
cerebro.addanalyzer(bt.analyzers.DrawDown, _name=
'_DrawDown'
)
# 回撤
6、如何编写交易策略？
所有的交易策略都是写在自定义的策略类里，如下面的 TestStrategy 类，自定义的策略类名称可以任意取，但必须继承 Backtrader 内置的 Strategy 类，即 bt.Strategy 。相当于是给大家提供了一个策略接口，大家只需调用这个接口，专心编写自己的策略，而无需关心接口的具体内容。
classTestStrategy(bt.Strategy):# 类的名字可以随意取
    ...
那如何基于 trade_info.csv 的调仓信息在构建的 TestStrategy 里实现买卖操作呢？在TestStrategy 里至少需要定义 __init__() 和 next() 方法。其中， __init__() 用于初始化各类属性，next() 用于下单交易，如下所示：
# 通过继承 Strategy 基类，来构建自己的交易策略子类
classMyStrategy(bt.Strategy):
# 定义我们自己写的这个 MyStrategy 类的专有属性
def__init__(self):
'''必选，策略中各类指标的批量计算或是批量生成交易信号都可以写在这里'''
pass
# 构建交易函数: 策略交易的主体部分
defnext(self):
'''必选，在这里根据交易信号进行买卖下单操作'''
pass
具体到选股策略：1. trade_info.csv 里的调仓日和持仓列表就可以定义在 __init__() 里，方便 next() 函数调用；2. 在 next() 里，判断每个交易日是否为调仓日，如果是调仓日就按调仓权重卖出旧股，买入新股。具体代码如下：
# 回测策略
classTestStrategy(bt.Strategy):
'''选股策略'''
def__init__(self):
        self.buy_stock = trade_info
# 保留调仓列表
# 读取调仓日期，即每月的最后一个交易日，回测时，会在这一天下单，然后在下一个交易日，以开盘价买入
        self.trade_dates = pd.to_datetime(self.buy_stock[
'trade_date'
].unique()).tolist()

        self.order_list = []
# 记录以往订单，方便调仓日对未完成订单做处理
        self.buy_stocks_pre = []
# 记录上一期持仓
defnext(self):
        dt = self.datas[
0
].datetime.date(
0
)
# 获取当前的回测时间点
# 如果是调仓日，则进行调仓操作
if
 dt
in
 self.trade_dates:

            print(
"--------------{} 为调仓日----------"
.format(dt))

# 在调仓之前，取消之前所下的没成交也未到期的订单
if
 len(self.order_list) >
0
:

for
 od
in
 self.order_list:

                    self.cancel(od)
# 如果订单未完成，则撤销订单
                self.order_list = []
#重置订单列表
# 提取当前调仓日的持仓列表
            buy_stocks_data = self.buy_stock.query(
f"trade_date=='{dt}'"
)

            long_list = buy_stocks_data[
'sec_code'
].tolist()

            print(
'long_list'
, long_list)
# 打印持仓列表
# 对现有持仓中，调仓后不再继续持有的股票进行卖出平仓
            sell_stock = [i
for
 i
in
 self.buy_stocks_pre
if
 i
notin
 long_list]

            print(
'sell_stock'
, sell_stock)
# 打印平仓列表
if
 len(sell_stock) >
0
:

                print(
"-----------对不再持有的股票进行平仓--------------"
)

for
 stock
in
 sell_stock:

                    data = self.getdatabyname(stock)

if
 self.getposition(data).size >
0
 :

                        od = self.close(data=data)

                        self.order_list.append(od)
# 记录卖出订单
# 买入此次调仓的股票：多退少补原则
            print(
"-----------买入此次调仓期的股票--------------"
)

for
 stock
in
 long_list:

                w = buy_stocks_data.query(
f"sec_code=='{stock}'"
)[
'weight'
].iloc[
0
]
# 提取持仓权重
                data = self.getdatabyname(stock)

                order = self.order_target_percent(data=data, target=w*
0.95
)
# 为减少可用资金不足的情况，留 5% 的现金做备用
                self.order_list.append(order)


            self.buy_stocks_pre = long_list
# 保存此次调仓的股票列表

# 将编写的策略添加给大脑，别忘了 ！
cerebro.addstrategy(TestStrategy)
策略细节说明：
1、__init__() 函数在回测过程中只会在最开始的时候调用一次，而 next() 会每个交易日依次循环调用多次；
2、为了提高回测效率，对于策略用到的辅助数据、一次性就能计算完成的指标等，都建议在 __init__() 里生成或计算；对于复杂的选股策略，建议参考本文的方式，事先确定好调仓日期、成分、权重，再将结果导入 Backtrader 做回测；
3、Backtrader 默认情况下是：在 t 日运行下单函数，然后在  t+1 日以开盘价成交；
4、交易函数说明：
  • self.close() 平仓；
  • self.buy() 买入、做多；
  • self.sell() 卖出、做空；
  • self.cancel() 取消订单；
  • self.order_target_percent() 按持仓百分比下单，“多退少补”原则， 对于股票当前无持仓或持有的是多单（size>=0）的情况，若目标占比 target > 当前持仓占比，买入不够的部分；若目标占比 target < 当前持仓占比，卖出多余的部分。

7、如何打印回测日志？

在 TestStrategy 里还可以定义许多打印日志的函数，常用的有 notify_order() 订单日志、notify_trade() 交易日志、notify_cashvalue() 资金信息、notify_store() 交易事件说明等等。比如再往上面的 TestStrategy 里添加 notify_order() ，用于打印具体的订单信息：
defnotify_order(self, order):
# 未被处理的订单
if
 order.status
in
 [order.Submitted, order.Accepted]:

return
# 已经处理的订单
if
 order.status
in
 [order.Completed, order.Canceled, order.Margin]:

if
 order.isbuy():

            self.log(

'BUY EXECUTED, ref:%.0f，Price: %.2f, Cost: %.2f, Comm %.2f, Size: %.2f, Stock: %s'
 %

                    (order.ref,
# 订单编号
                     order.executed.price,
# 成交价
                     order.executed.value,
# 成交额
                     order.executed.comm,
# 佣金
                     order.executed.size,
# 成交量
                     order.data._name)）
# 股票名称
else
:
# Sell
            self.log(
'SELL EXECUTED, ref:%.0f, Price: %.2f, Cost: %.2f, Comm %.2f, Size: %.2f, Stock: %s'
 %

                        (order.ref,

                         order.executed.price,

                         order.executed.value,

                         order.executed.comm,

                         order.executed.size,

                         order.data._name))
打印的部分日志信息如下：
2019-02-01
, BUY EXECUTED, ref:
1
，Price:
177.31
, Cost:
697180.74
, Comm
209.15
, Size:
3932.00
, Stock:
000006.
SZ

2019-02-01
, BUY EXECUTED, ref:
2
，Price:
81.76
, Cost:
937090.98
, Comm
281.13
, Size:
11462.00
, Stock:
000008.
SZ

2019-02-01
, BUY EXECUTED, ref:
3
，Price:
46.15
, Cost:
662750.37
, Comm
198.83
, Size:
14360.00
, Stock:
000025.
SZ

2019-02-01
, BUY EXECUTED, ref:
4
，Price:
25.11
, Cost:
691557.36
, Comm
207.47
, Size:
27536.00
, Stock:
000090.
SZ

2019-02-01
, BUY EXECUTED, ref:
5
，Price:
6.13
, Cost:
333978.23
, Comm
100.19
, Size:
54439.00
, Stock:
000536.
SZ

2019-02-01
, BUY EXECUTED, ref:
6
，Price:
30.00
, Cost:
286969.07
, Comm
86.09
, Size:
9567.00
, Stock:
000587.
SZ

2019-02-01
, BUY EXECUTED, ref:
7
，Price:
103.05
, Cost:
1263876.16
, Comm
379.16
, Size:
12265.00
, Stock:
000598.
SZ

2019-02-01
, BUY EXECUTED, ref:
8
，Price:
36.84
, Cost:
451202.22
, Comm
135.36
, Size:
12247.00
, Stock:
000612.
SZ

2019-02-01
, BUY EXECUTED, ref:
9
，Price:
172.78
, Cost:
891370.87
, Comm
267.41
, Size:
5159.00
, Stock:
000636.
SZ
8、如何提取回测结果？
想要提取回测结果，首先要确保已经启动并完成回测，然后再从返回的 result 中提取事先配置好的回测结果：
# 启动回测
result = cerebro.run()

# 从返回的 result 中提取回测结果
strat = result[
0
]

# 返回日度收益率序列
daily_return = pd.Series(strat.analyzers.pnl.get_analysis())

# 打印评价指标
print(
"--------------- AnnualReturn -----------------"
)

print(strat.analyzers._AnnualReturn.get_analysis())

print(
"--------------- SharpeRatio -----------------"
)

print(strat.analyzers._SharpeRatio.get_analysis())

print(
"--------------- DrawDown -----------------"
)

print(strat.analyzers._DrawDown.get_analysis())
最终打印出来的原始结果如下所示，也可以按需对结果的数据结果做进一步的处理：
--------------- AnnualReturn -----------------

OrderedDict([(
2019
,
0.2421668400755459
), (
2020
,
0.21542275632539853
), (
2021
,
0.017567210073598405
)])

--------------- SharpeRatio -----------------

OrderedDict([(
'sharperatio'
,
1.5512121051534207
)])

--------------- DrawDown -----------------

AutoOrderedDict([(
'len'
,
136
), (
'drawdown'
,
6.655064560818994
), (
'moneydown'
,
10952970.349310666
), (
'max'
, AutoOrderedDict([(
'len'
,
206
), (
'drawdown'
,
20.374812759676267
), (
'moneydown'
,
27705182.493407518
)]))])
小结
本文先是整体介绍了 Backtrader 的功能和主要模块，然后教大家用 Backtrader 实现了一个简单的选股回测流程：
导入 Backtrader → 实例化大脑 → 导入数据 → 配置回测条件 → 编写交易逻辑 → 打印日志 → 运行回测 → 提取回测结果 
其实 Backtrader 的功能远不止这些，还有很多功能没有提及，也有很多细节未做深入讲解。如何可视化回测结果？如何对各模块的配置做修改？Backtrader 的数据调用规则是什么？支持的订单类型有哪些？订单撮合逻辑是怎样的？如何实现多策略回测？如何进行参数调优？如何对接实盘交易？...... 想要熟练的使用 Backtrader，还有很多内容要学。
最后问问自己：我打算放弃了么？放弃吧 ~ 不！放弃吧 ~ 不！放弃吧 ~ 不！
量化投资与机器学习微信公众号，是业内垂直于量化投资、对冲基金、Fintech、人工智能、大数据等领域的主流自媒体。公众号拥有来自公募、私募、券商、期货、银行、保险、高校等行业20W+关注者，连续2年被腾讯云+社区评选为“年度最佳作者”。
继续阅读
阅读原文
关键词
策略
代码
信息
参数
函数