量化投资与机器学习公众号 独家撰写
公众号为全网读者带来Backtrader系列自推出第一期以来，受到了众多读者的喜爱与点赞，QIML也会继续把这个系列做好。
让那些割韭菜的课程都随风而去吧！！！
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！

预定系列
此系列将由浅入深，每期1~2周，大家敬请期待！
QIML Github已上线！
https://github.com/QIML
希望大家给我们的项目打 ★
公众号今天正式对宣布，我们的官方Github已在今天正式上线！后面我们会把相关推文的数据、代码一并进行同步。
同时，我们会在今后的日子里，在全网发布一系列好用、实用、你绝对爱不释手的量化开源工具包！

公众号希望给国内量化投资圈贡献一份自己的力量。希望影响更多人了解量化、学习量化、找到属于一条属于自己的路！
前言
今天的《可视化篇》先会介绍与可视化相关的观测器模块 observers ，然后介绍 Backtrader 自带的绘图函数 plot() ，在介绍的过程中会指出如何修改图形的样式；最后直接基于回测返回的收益序列 TimeReturn，结合pyfolio和matplotlib工具，自定义了一个可视化图形。
获取完整代码+数据，见文末链接

observers 观测器
observers 是 Backtrader 的“观测器模块”，主要用于统计回测信息，并在 plot() 的帮助下实现信息的可视化展示，如下图所示：
最常用的观测器
下面是对最常用的观测器的介绍，其他观测器可以参考Backtrader 官方文档 ~ Observers - Reference：
  • backtrader.observers.Broker：记录了经纪商 broker 中各时间点的可用资金和总资产；可视化时，会同时展示 cash 和 values 曲线；如果想各自单独展示 cash 和 values，可以分别调用 backtrader.observers.Cash 和 backtrader.observers.Value；
  • backtrader.observers.BuySell：记录了回测过程中的买入和卖出信号；可视化时，会在价格曲线上标注买卖点；
  • backtrader.observers.Trades：记录了回测过程中每次交易的盈亏（从买入建仓到卖出清仓算一次交易）；可视化时，会绘制盈亏点；
  • backtrader.observers.TimeReturn：记录了回测过程中的收益序列；可视化时，会绘制 TimeReturn 收益曲线；
  • backtrader.observers.DrawDown：记录了回测过程的回撤序列；可视化时，绘制回撤曲线；
  • backtrader.observers.Benchmark：记录了业绩基准的收益序列，业绩基准的数据必须事先通过 adddata、resampledata、replaydata 等数据添加函数添加进大脑中 cerebro；可视化时，会同时绘制策略本身的收益序列（即：backtrader.observers.TimeReturn 绘制的收益曲线）和业绩基准的收益曲线。
如何添加 observers
observers 观测器是通过 addobserver() 添加给大脑 cerebro 的：addobserver(obscls, *args, **kwargs)，其中，参数 obscls 对应 observers 类下的观测器、*args, **kwargs 对应观测器支持设置的参数，具体如下所示：
import
 backtrader
as
 bt

...

cerebro = bt.Cerebro(stdstats=
False
)

cerebro.addobserver(bt.observers.Broker)

cerebro.addobserver(bt.observers.Trades)

cerebro.addobserver(bt.observers.BuySell)

cerebro.addobserver(bt.observers.DrawDown)

cerebro.addobserver(bt.observers.TimeReturn)

# 添加业绩基准时，需要事先将业绩基准的数据添加给 cerebro
banchdata = bt.feeds.PandasData(dataname=data, fromdate=st_date, todate=ed_date)

cerebro.adddata(banchdata, name=
'xxxx'
)

cerebro.addobserver(bt.observers.Benchmark, data=banchdata)
对于 Broker、Trades、BuySell 3个观测器，默认是自动添加给 cerebro 的，可以在实例化大脑时，通过 stdstats 来控制：bt.Cerebro(stdstats=False) 表示可视化时，不展示 Broker、Trades、BuySell 观测器；反之，自动展示；默认情况下是自动展示。
如何读取 observers 中的数据
observers  中记录了各种回测数据，可以将其看作是一个支持可视化展示的数据存储器，所以 observers 属于 lines 对象。如果想在 Strategy 中读取 observers 中的数据，就会用到 line 的相关操作，具体可以参考《Backtrader 数据篇》的内容，observers 的数据通过 self.stats 对象 来连接：
classMyStrategy(bt.Strategy):
defnext(self):
# 当前时点的前一天的可用现金
        self.stats.broker.cash[
0
]

# 当前时点的前一天的总资产
        self.stats.broker.value[
0
]

# 获取当前时刻前一天的收益
        self.stats.timereturn.line[
0
]

# observers 取得[0]值，对应的 next 中 self.data.datetime[-1] 这一天的值
observers 是在所有指标被计算完之后、在执行 Strategy 的 next 方法之后才运行并统计数据的，所以读取的最新数据 [0] 相对与 next 的当前时刻是晚一天的。比如 2019-04-08 的总资产为 99653.196672，2019-04-09 的总资产为 99599.008652，2019-04-09 这一天的收益为 -0.0005437，如果在 next 通过 self.stats.timereturn.line[0] 提取，取值为 -0.0005437 时，对应的 next 的当前时间是  2019-04-10。
如果想要将 observers  中的数据保存到本地，可以通过 writer  写入本地文件，如下面的读写到本地 CSV 文件：
import
 csv


classTestStrategy(bt.Strategy):
    ...

defstart(self):
        self.mystats = csv.writer(open(
"mystats.csv"
,
"w"
))

        self.mystats.writerow([
'datetime'
,

'drawdown'
,
'maxdrawdown'
,

'timereturn'
,

'value'
,
'cash'
])

defnext(self):
        self.mystats.writerow([self.data.datetime.date(
-1
).strftime(
'%Y-%m-%d'
),

'%.4f'
 % self.stats.drawdown.drawdown[
0
],

'%.4f'
 % self.stats.drawdown.maxdrawdown[
0
],

'%.4f'
 % self.stats.timereturn.line[
0
],

'%.4f'
 % self.stats.broker.value[
0
],

'%.4f'
 % self.stats.broker.cash[
0
]])

defstop(self):
        self.mystats.writerow([self.data.datetime.date(
0
).strftime(
'%Y-%m-%d'
),

'%.4f'
 % self.stats.drawdown.drawdown[
0
],

'%.4f'
 % self.stats.drawdown.maxdrawdown[
0
],

'%.4f'
 % self.stats.broker.value[
0
],

'%.4f'
 % self.stats.broker.cash[
0
]])


# 当运行到最后一根 bar 后， next 中记录的是上一根 bar 的收益
# stop 是在 next 运行完后才运行的，此时 observers 已经计算完 最后一根 bar 的收益了
# 所以可以在 stop 中获取最后一根 bar 的收益
自定义 observers 
和之前各种自定义一致，自定义 observers 同样是在继承父类  bt.observer.Observer 的基础上，自定义新的的observers。下面是 Backtrader 官网提供的例子，用于统计已成功创建的订单的价格和到期订单的价格：
classOrderObserver(bt.observer.Observer):
    lines = (
'created'
,
'expired'
,)


    plotinfo = dict(plot=
True
, subplot=
True
, plotlinelabels=
True
)


    plotlines = dict(

        created=dict(marker=
'*'
, markersize=
8.0
, color=
'lime'
, fillstyle=
'full'
),

        expired=dict(marker=
's'
, markersize=
8.0
, color=
'red'
, fillstyle=
'full'
)

    )


defnext(self):
for
 order
in
 self._owner._orderspending:

if
 order.data
isnot
 self.data:

continue

ifnot
 order.isbuy():

continue

# Only interested in "buy" orders, because the sell orders
# in the strategy are Market orders and will be immediately
# executed

if
 order.status
in
 [bt.Order.Accepted, bt.Order.Submitted]:

                self.lines.created[
0
] = order.created.price


elif
 order.status
in
 [bt.Order.Expired]:

                self.lines.expired[
0
] = order.created.price
  • observers 本身是 Lines 对象，所以构建逻辑与自定义 Indicator 类似，将要统计的数据指定为相应的 line，然后随着回测的进行依次存入数据；
  • 作为 Lines 对象的 Observers 和 Indicator ，类内部都有 plotinfo = dict(...)、plotlines = dict(...) 属性，用于回测结束后通过 cerebro.plot() 方法进行可视化展示；
  • 有时候如果想修改 Backtrader 已有观测器的相关属性，可以直接继承该观测器，然后设置属性取值进行修改。如下面在原始 bt.observers.BuySell 的基础上，修改买卖点的样式。
classmy_BuySell(bt.observers.BuySell):
    params = ((
'barplot'
,
True
), (
'bardist'
,
0.02
))

    plotlines = dict(

    buy=dict(marker=
r'$\Uparrow$'
, markersize=
10.0
, color=
'#d62728'
 ),

    sell=dict(marker=
r'$\Downarrow$'
, markersize=
10.0
, color=
'#2ca02c'
))

# 将 三角形改为箭头

# 突然感受到了继承的强大！
plot() 图形绘制
cerebro.plot() 写在 cerebro.run() 后面，用于回测的可视化。总的来说，cerebro.plot() 支持回测如下 3 大内容：
  • Data Feeds：即在回测开始前，通过 adddata、replaydata、resampledata 等方法导入大脑的原始数据；
  • Indicators ：即回测时构建的各类指标，比如在 strategy 中构建的指标、通过 addindicator 添加的；
  • Observers ：即上文介绍的观测器对象；
  • 在绘制图形时，默认是将 Data Feeds 绘制在主图上；Indicators 有的与 Data Feeds 一起绘制在主图上，比如均线，有的以子图形式绘制；Observers 通常绘制在子图上。
plot() 中的参数
plot() 中的参数主要用于系统性的配置图形，具体参数如下所示：
plot(plotter=
None
,
# 包含各种绘图属性的对象或类，如果为None，默认取 PlotScheme 类，如下所示
     numfigs=
1
,
# 是否将图形拆分成多幅图展示，如果时间区间比较长，建议分多幅展示
     iplot=
True
,
# 在 Jupyter Notebook 上绘图时是否自动 plot inline
     **kwargs)
# 对应 PlotScheme 中的各个参数

# PlotScheme 中的参数如下所示
classPlotScheme(object):
def__init__(self):
# to have a tight packing on the chart wether only the x axis or also
# the y axis have (see matplotlib)
        self.ytight =
False

# y-margin (top/bottom) for the subcharts. This will not overrule the
# option plotinfo.plotymargin
        self.yadjust =
0.0
# Each new line is in z-order below the previous one. change it False
# to have lines paint above the previous line
        self.zdown =
True
# Rotation of the date labes on the x axis
        self.tickrotation =
15

# How many "subparts" takes a major chart (datas) in the overall chart
# This is proportional to the total number of subcharts
        self.rowsmajor =
5

# How many "subparts" takes a minor chart (indicators/observers) in the
# overall chart. This is proportional to the total number of subcharts
# Together with rowsmajor, this defines a proportion ratio betwen data
# charts and indicators/observers charts
        self.rowsminor =
1

# Distance in between subcharts
        self.plotdist =
0.0

# Have a grid in the background of all charts
        self.grid =
True

# Default plotstyle for the OHLC bars which (line -> line on close)
# Other options: 'bar' and 'candle'
        self.style =
'line'

# Default color for the 'line on close' plot
        self.loc =
'black'
# Default color for a bullish bar/candle (0.75 -> intensity of gray)
        self.barup =
'0.75'
# Default color for a bearish bar/candle
        self.bardown =
'red'
# Level of transparency to apply to bars/cancles (NOT USED)
        self.bartrans =
1.0

# Wether the candlesticks have to be filled or be transparent
        self.barupfill =
True
        self.bardownfill =
True

# Wether the candlesticks have to be filled or be transparent
        self.fillalpha =
0.20

# Wether to plot volume or not. Note: if the data in question has no
# volume values, volume plotting will be skipped even if this is True
        self.volume =
True

# Wether to overlay the volume on the data or use a separate subchart
        self.voloverlay =
True
# Scaling of the volume to the data when plotting as overlay
        self.volscaling =
0.33
# Pushing overlay volume up for better visibiliy. Experimentation
# needed if the volume and data overlap too much
        self.volpushup =
0.00

# Default colour for the volume of a bullish day
        self.volup =
'#aaaaaa'# 0.66 of gray
# Default colour for the volume of a bearish day
        self.voldown =
'#cc6073'# (204, 96, 115)
# Transparency to apply to the volume when overlaying
        self.voltrans =
0.50

# Transparency for text labels (NOT USED CURRENTLY)
        self.subtxttrans =
0.66
# Default font text size for labels on the chart
        self.subtxtsize =
9

# Transparency for the legend (NOT USED CURRENTLY)
        self.legendtrans =
0.25
# Wether indicators have a leged displaey in their charts
        self.legendind =
True
# Location of the legend for indicators (see matplotlib)
        self.legendindloc =
'upper left'

# Plot the last value of a line after the Object name
        self.linevalues =
True

# Plot a tag at the end of each line with the last value
        self.valuetags =
True

# Default color for horizontal lines (see plotinfo.plothlines)
        self.hlinescolor =
'0.66'# shade of gray
# Default style for horizontal lines
        self.hlinesstyle =
'--'
# Default width for horizontal lines
        self.hlineswidth =
1.0

# Default color scheme: Tableau 10
        self.lcolors = tableau10


# strftime Format string for the display of ticks on the x axis
        self.fmt_x_ticks =
None

# strftime Format string for the display of data points values
        self.fmt_x_data =
None
如果想要系统性修改图形样式，可以重新定义 PlotScheme 类，然后修改里面用到的参数；也可以直接在plot() 中修改：
# 通过参数形式来设置
cerebro.plot(iplot=
False
,

             style=
'candel'
,
# 设置主图行情数据的样式为蜡烛图
             lcolors=colors ,
# 重新设置主题颜色
             plotdist=
0.1
,
# 设置图形之间的间距
             barup =
'#ff9896'
, bardown=
'#98df8a'
,
# 设置蜡烛图上涨和下跌的颜色
             volup=
'#ff9896'
, voldown=
'#98df8a'
,
# 设置成交量在行情上涨和下跌情况下的颜色
             ....)
关于主题颜色，Backtrader 提供了Tableau 10 、Tableau 10 Light、Tableau 20 3种主题色，默认是以 Tableau 10 为主题色。但是看源代码，不知道如何修改 lcolors，源码 scheme.py 文件中的 tableau10 只一个变量，直接赋值给 self.lcolors = tableau10，如果在我们在自己的的 notebook上运行 lcolors=tableau10 会报错，提示 tableau10 变量不存在。所以，如果想修改主题色，需要重新定义 tableau10 变量：
# 定义主题色变量：直接从源码 scheme.py 中复制的
tableau20 = [

'steelblue'
,
# 0
'lightsteelblue'
,
# 1
'darkorange'
,
# 2
'peachpuff'
,
# 3
'green'
,
# 4
'lightgreen'
,
# 5
'crimson'
,
# 6
'lightcoral'
,
# 7
'mediumpurple'
,
# 8
'thistle'
,
# 9
'saddlebrown'
,
# 10
'rosybrown'
,
# 11
'orchid'
,
# 12
'lightpink'
,
# 13
'gray'
,
# 14
'lightgray'
,
# 15
'olive'
,
# 16
'palegoldenrod'
,
# 17
'mediumturquoise'
,
# 18
'paleturquoise'
,
# 19
]


tableau10 = [

'blue'
,
# 'steelblue', # 0
'darkorange'
,
# 1
'green'
,
# 2
'crimson'
,
# 3
'mediumpurple'
,
# 4
'saddlebrown'
,
# 5
'orchid'
,
# 6
'gray'
,
# 7
'olive'
,
# 8
'mediumturquoise'
,
# 9
]


tableau10_light = [

'lightsteelblue'
,
# 0
'peachpuff'
,
# 1
'lightgreen'
,
# 2
'lightcoral'
,
# 3
'thistle'
,
# 4
'rosybrown'
,
# 5
'lightpink'
,
# 6
'lightgray'
,
# 7
'palegoldenrod'
,
# 8
'paleturquoise'
,
# 9
]


# 选一个主题色做修改
cerebro.plot(lcolors=tableau10)



# 当然也可以选自己喜欢的主题色
mycolors = [
'#729ece'
,
'#ff9e4a'
,
'#67bf5c'
,

'#ed665d'
,
'#ad8bc9'
,
'#a8786e'
,

'#ed97ca'
,
'#a2a2a2'
,
'#cdcc5d'
,
'#6dccda'
]


cerebro.plot(lcolors=mycolors)
大家可以发现，从源码中复制的主题色，后面都注释了索引号，而 Backtrader 在绘制图形时，选择颜色的顺序依次是这样的：
  • tab10_index = [3, 0, 2, 1, 2, 4, 5, 6, 7, 8, 9]；
  • tab10_index 中的序号对应的是 主题色 的索引号；
  • 每一幅图，依次取 tab10_index 中的序号对应的颜色来绘制，比如 MACD 有 3 条 line，line0 的颜色为 tab10_index[0] = 3，也就是 lcolors=tableau10 中的索引号为 3 对应的颜色 'crimson'；line1 的颜色为 tab10_index[1] = 0，也就是 lcolors=tableau10 中的索引号为 0 对应的颜色 'blue'；
  • 所以在设置颜色时，需要与 tab10_index  中的序号结合起来看。
局部绘图参数设置
对于 Indicators  和 Observers 的可视化设置，通过类内部的 plotinfo = dict(...)、plotlines = dict(...) 属性来控制，其中 plotinfo 主要对图形整体布局进行设置，plotlines 主要对具体 line 的样式进行设置：
plotinfo = dict(plot=
True
,
# 是否绘制
                subplot=
True
,
# 是否绘制成子图
                plotname=
''
,
# 图形名称
                plotabove=
False
,
# 子图是否绘制在主图的上方
                plotlinelabels=
False
,
# 主图上曲线的名称
                plotlinevalues=
True
,
# 是否展示曲线最后一个时间点上的取值
                plotvaluetags=
True
,
# 是否以卡片的形式在曲线末尾展示最后一个时间点上的取值
                plotymargin=
0.0
,
# 用于设置子图 y 轴的边界
                plothlines=[a,b,...],
# 用于绘制取值为 a,b,... 的水平线
                plotyticks=[],
# 用于绘制取值为 a,b,... y轴刻度
                plotyhlines=[a,b,...],
# 优先级高于plothlines、plotyticks，是这两者的结合
                plotforce=
False
,
# 是否强制绘图
                plotmaster=
None
,
# 用于指定主图绘制的主数据
                plotylimited=
True
,

# 用于设置主图的 y 轴边界，
# 如果True，边界只由主数据 data feeds决定，无法完整显示超出界限的辅助指标；
# 如果False, 边界由主数据 data feeds和指标共同决定，能确保所有数据都能完整展示
           )


# 修改交易观测器的样式
classmy_Trades(bt.observers.Trades):
    plotlines = dict(

    pnlplus=dict(_name=
'Positive'
,

                 marker=
'^'
, color=
'#ed665d'
,

                 markersize=
8.0
, fillstyle=
'full'
),

    pnlminus=dict(_name=
'Negative'
,

                  marker=
'v'
, color=
'#729ece'
,

                  markersize=
8.0
, fillstyle=
'full'
))


# 修改买卖点样式
classmy_BuySell(bt.observers.BuySell):
    params = ((
'barplot'
,
True
), (
'bardist'
,
0.02
))
# bardist 控制买卖点与行情线之间的距离
    plotlines = dict(

    buy=dict(marker=
r'$\Uparrow$'
, markersize=
10.0
, color=
'#d62728'
 ),

    sell=dict(marker=
r'$\Downarrow$'
, markersize=
10.0
, color=
'#2ca02c'
))
部分修改效果
一般主图的样式通过 plot() 中的参数来设置；Indicators  和 Observers 的样式通过继承原始类，然后通过修改plotinfo 和 plotlines 属性来设置；部分修改效果如下所示：
蜡烛图样式：
plt.style.use(
'seaborn'
)
# 使用 seaborn 主题
plt.rcParams[
'figure.figsize'
] =
20
,
10# 全局修改图大小

# 修改 Trades 观测器的样式
classmy_Trades(bt.observers.Trades):
    plotlines = dict(

    pnlplus=dict(_name=
'Positive'
,

                 marker=
'^'
, color=
'#ed665d'
,

                 markersize=
8.0
, fillstyle=
'full'
),

    pnlminus=dict(_name=
'Negative'
,

                  marker=
'v'
, color=
'#729ece'
,

                  markersize=
8.0
, fillstyle=
'full'
))


# 修改 BuySell 的样式
classmy_BuySell(bt.observers.BuySell):

    params = ((
'barplot'
,
True
), (
'bardist'
,
0.02
))


    plotlines = dict(

    buy=dict(marker=
r'$\Uparrow$'
, markersize=
10.0
, color=
'#d62728'
 ),

    sell=dict(marker=
r'$\Downarrow$'
, markersize=
10.0
, color=
'#2ca02c'
))



# 简单均线策略
classTestStrategy(bt.Strategy):
    ......


# 绘制图形
cerebro1 = bt.Cerebro(stdstats=
False
)

......

# 添加观测器
cerebro1.addobserver(bt.observers.DrawDown)

cerebro1.addobserver(bt.observers.Benchmark, data=datafeed1)

cerebro1.addobserver(bt.observers.Broker)

cerebro1.addobserver(my_Trades)

cerebro1.addobserver(my_BuySell)

#先运行策略
rasult = cerebro1.run()

#策略运行完后，绘制图形
colors = [
'#729ece'
,
'#ff9e4a'
,
'#67bf5c'
,
'#ed665d'
,
'#ad8bc9'
,
'#a8786e'
,
'#ed97ca'
,
'#a2a2a2'
,
'#cdcc5d'
,
'#6dccda'
]

tab10_index = [
3
,
0
,
2
,
1
,
2
,
4
,
5
,
6
,
7
,
8
,
9
]

cerebro1.plot(iplot=
False
,

              style=
'line'
,
# 绘制线型价格走势，可改为 'candel' 样式
              lcolors=colors,

              plotdist=
0.1
,

              bartrans=
0.2
,

              volup=
'#ff9896'
,

              voldown=
'#98df8a'
,

              loc=
'#5f5a41'
,

              grid=
False
)
# 删除水平网格
蜡烛图样式：
绘制蜡烛图时，蜡烛之间会比较拥挤，可以通过设置 numfigs=2，分 2 部分绘制。下图只展示了后半部分的内容。
基于收益序列进行可视化
Backtrader 自带的绘图工具方便好用，不过平时在汇报策略回测结果时，可能更关注的是策略的累计收益曲线和业绩评价指标等结果，而这些回测统计信息只需基于回测返回的 TimeReturn 收益序列做简单计算即可得到。下面是基于 Backtrader 回测返回的分析器 TimeReturn、pyfolio、matplotlib 得到的可视化图形：
.....

# 回测时需要添加 TimeReturn 分析器
cerebro1.addanalyzer(bt.analyzers.TimeReturn, _name=
'_TimeReturn'
)

result = cerebro1.run()


# 提取收益序列
pnl = pd.Series(result[
0
].analyzers._TimeReturn.get_analysis())

# 计算累计收益
cumulative = (pnl +
1
).cumprod()

# 计算回撤序列
max_return = cumulative.cummax()

drawdown = (cumulative - max_return) / max_return

# 计算收益评价指标
import
 pyfolio
as
 pf

# 按年统计收益指标
perf_stats_year = (pnl).groupby(pnl.index.to_period(
'y'
)).apply(
lambda
 data: pf.timeseries.perf_stats(data)).unstack()

# 统计所有时间段的收益指标
perf_stats_all = pf.timeseries.perf_stats((pnl)).to_frame(name=
'all'
)

perf_stats = pd.concat([perf_stats_year, perf_stats_all.T], axis=
0
)

perf_stats_ = round(perf_stats,
4
).reset_index()



# 绘制图形
import
 matplotlib.pyplot
as
 plt

plt.rcParams[
'axes.unicode_minus'
] =
False# 用来正常显示负号
import
 matplotlib.ticker
as
 ticker
# 导入设置坐标轴的模块
plt.style.use(
'seaborn'
)
# plt.style.use('dark_background')

fig, (ax0, ax1) = plt.subplots(
2
,
1
, gridspec_kw = {
'height_ratios'
:[
1.5
,
4
]}, figsize=(
20
,
8
))

cols_names = [
'date'
,
'Annual\nreturn'
,
'Cumulative\nreturns'
,
'Annual\nvolatility'
,

'Sharpe\nratio'
,
'Calmar\nratio'
,
'Stability'
,
'Max\ndrawdown'
,

'Omega\nratio'
,
'Sortino\nratio'
,
'Skew'
,
'Kurtosis'
,
'Tail\nratio'
,

'Daily value\nat risk'
]


# 绘制表格
ax0.set_axis_off()
# 除去坐标轴
table = ax0.table(cellText = perf_stats_.values,

                bbox=(
0
,
0
,
1
,
1
),
# 设置表格位置， (x0, y0, width, height)
                rowLoc =
'right'
,
# 行标题居中
                cellLoc=
'right'
 ,

                colLabels = cols_names,
# 设置列标题
                colLoc =
'right'
,
# 列标题居中
                edges =
'open'# 不显示表格边框
                )

table.set_fontsize(
13
)


# 绘制累计收益曲线
ax2 = ax1.twinx()

ax1.yaxis.set_ticks_position(
'right'
)
# 将回撤曲线的 y 轴移至右侧
ax2.yaxis.set_ticks_position(
'left'
)
# 将累计收益曲线的 y 轴移至左侧
# 绘制回撤曲线
drawdown.plot.area(ax=ax1, label=
'drawdown (right)'
, rot=
0
, alpha=
0.3
, fontsize=
13
, grid=
False
)

# 绘制累计收益曲线
(cumulative).plot(ax=ax2, color=
'#F1C40F'
 , lw=
3.0
, label=
'cumret (left)'
, rot=
0
, fontsize=
13
, grid=
False
)

# 不然 x 轴留有空白
ax2.set_xbound(lower=cumulative.index.min(), upper=cumulative.index.max())

# 主轴定位器：每 5 个月显示一个日期：根据具体天数来做排版
ax2.xaxis.set_major_locator(ticker.MultipleLocator(
100
))

# 同时绘制双轴的图例
h1,l1 = ax1.get_legend_handles_labels()

h2,l2 = ax2.get_legend_handles_labels()

plt.legend(h1+h2,l1+l2, fontsize=
12
, loc=
'upper left'
, ncol=
1
)


fig.tight_layout()
# 规整排版
plt.show()
'seaborn' 主题下的绘制效果：
'dark_background' 主题下的绘制效果：
总结
关于回测结果的可视化，不同的需求对应不同的可视化内容。Backtrader 回测框架本身就对原始数据集 Data Feeds、回测指标 Indicators 、回测结果观测器 Observers 提供了对用户非常友好的绘图接口。对于一些额外的数据，也可以结合 Backtrader 分析器 Analyzers 返回的指标，选用自己熟悉的 Python 绘图工具 Matplotlib、Seaborn、Plotly 等来进行可视化展示。
代码+数据获取
复制下方链接至浏览器或点击阅读原文，进行下载：
https://github.com/QIML/learn_backtrader

希望大家给我们的项目打 ★

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
数据
参数
价格
对象
所示