1 引言

目前基于Python的量化回測框架有很多，開源框架有zipline、vnpy、pyalgotrader和backtrader等，而量化平臺有Quantopian（國外）、聚寬、萬礦、優礦、米筐、掘金等，這些量化框架或平臺各有優劣。就個人而言，比較偏好用backtrader，因為它功能十分完善，有完整的使用文檔，安裝相對簡單（直接pip安裝即可）。優點是運行速度快，支持pandas的矢量運算；支持參數自動尋優運算，內置了talib股票分析技術指標庫；支持多品種、多策略、多周期的回測和交易；支持pyflio、empyrica分析模塊庫、alphalens多因子分析模塊庫等；擴展靈活，可以集成TensorFlow、PyTorch和Keras等機器學習、神經網絡分析模塊。而不足之處在于，backtrader學習起來相對復雜，編程過程中使用了大量的元編程（類class），如果Python編程基礎不扎實（尤其是類的操作），學起來會感到吃力。本文作為backtrader的入門系列之一，對其運行框架進行簡要介紹，并以實際案例展示量化回測的過程。

2 backtrader簡介

如果將backtrader包分解為核心組件，主要包括以下組成部分：
（1）數據加載（Data Feed）：將交易策略的數據加載到回測框架中。

（2）交易策略（Strategy）：該模塊是編程過程中最復雜的部分，需要設計交易決策，得出買入/賣出信號。
（3）回測框架設置（ Cerebro）：需要設置（i）初始資金（ii）傭金（iii）數據饋送（iv）交易策略（v）交易頭寸大小。
（4）運行回測：運行Cerebro回測并打印出所有已執行的交易。
（5）評估性能（Analyzers）:以圖形和風險收益等指標對交易策略的回測結果進行評價。

“Lines”是backtrader回測的數據，由一系列的點組成，通常包括以下類別的數據：Open（開盤價）, High（最高價）, Low（最低價）, Close（收盤價）, Volume（成交量）, OpenInterest（無的話設置為0）。Data Feeds（數據加載）、Indicators（技術指標）和Strategies（策略）都會生成 Lines。價格數據中的所有”Open” (開盤價)按時間組成一條 Line。所以，一組含有以上6個類別的價格數據，共有6條 Lines。如果算上“DateTime”（時間，可以看作是一組數據的主鍵），一共有7條 Lines。當訪問一條 Line 的數據時，會默認指向下標為 0 的數據。最后一個數據通過下標 -1 來訪問，在-1之后是索引0，用于訪問當前時刻。因此，在回測過程中，無需知道已經處理了多少條/分鐘/天/月，”0”一直指向當前值，下標 -1 來訪問最后一個值。

3 回測應用實例

量化回測說白了是使用歷史數據去驗證交易策略的性能，因此回測的第一步是搭建交易策略，這也是backtrader要設置的最重要和復雜的部分，策略設定好后，其余部分的代碼編寫是手到擒來。

01構建策略（Strategy）

交易策略類代碼包含重要的參數和用于執行策略的功能，要定義的參數或函數名如下：

（1）params-全局參數，可選：更改交易策略中變量/參數的值，可用于參數調優。

（2）log：日志，可選：記錄策略的執行日志，可以打印出該函數提供的日期時間和txt變量。

（3） __init__：用于初始化交易策略的類實例的代碼。

（4）notify_order，可選：跟蹤交易指令（order）的狀態。order具有提交，接受，買入/賣出執行和價格，已取消/拒絕等狀態。

（5）notify_trade，可選：跟蹤交易的狀態，任何已平倉的交易都將報告毛利和凈利潤。

（6）next，必選：制定交易策略的函數，策略模塊最核心的部分。

下面以一個簡單的單均線策略為例，展示backtrader的使用過程，即當收盤價上漲突破20日均線買入（做多），當收盤價下跌跌穿20日均線賣出（做空）。為簡單起見，不報告交易回測的日志，因此log、notify_order和notify_trade函數省略不寫。

class my_strategy1(bt.Strategy):#全局設定交易策略的參數params=(('maperiod',20),)def __init__(self):#指定價格序列self.dataclose=self.datas[0].close# 初始化交易指令、買賣價格和手續費self.order = Noneself.buyprice = Noneself.buycomm = None#添加移動均線指標，內置了talib模塊self.sma = bt.indicators.SimpleMovingAverage(self.datas[0], period=self.params.maperiod)def next(self):if self.order: # 檢查是否有指令等待執行, return# 檢查是否持倉   if not self.position: # 沒有持倉#執行買入條件判斷：收盤價格上漲突破20日均線if self.dataclose[0] > self.sma[0]:#執行買入self.order = self.buy(size=500)         else:#執行賣出條件判斷：收盤價格跌破20日均線if self.dataclose[0] < self.sma[0]:#執行賣出self.order = self.sell(size=500)

02數據加載（Data Feeds）

策略設計好后，第二步是數據加載，backtrader提供了很多數據接口，包括quandl（美股）、yahoo、pandas格式數據等，我們主要分析A股數據。

mpl.rcParams['axes.unicode_minus']=False

#先引入后面可能用到的包（package）
import pandas as pd  
from datetime import datetime
import backtrader as bt
import matplotlib.pyplot as plt
%matplotlib inline   #正常顯示畫圖時出現的中文和負號
from pylab import mpl
mpl.rcParams['font.sans-serif']=['SimHei']#使用tushare舊版接口獲取數據
import tushare as ts 
def get_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']=0df=df[['open','high','low','close','volume','openinterest']]return df

dataframe=get_data('600000')

#回測期間
start=datetime(2010, 3, 31)
end=datetime(2020, 3, 31)
# 加載數據
data = bt.feeds.PandasData(dataname=dataframe,fromdate=start,todate=end)

03 回測設置（Cerebro）

回測設置主要包括幾項：回測系統初始化，數據加載到回測系統，添加交易策略， broker設置（如交易資金和交易傭金），頭寸規模設置作為策略一部分的交易規模等，最后顯示執行交易策略時積累的總資金和凈收益。

# 初始化cerebro回測系統設置                           
cerebro = bt.Cerebro()  
#將數據傳入回測系統
cerebro.adddata(data) 
# 將交易策略加載到回測系統中
cerebro.addstrategy(my_strategy1) 
# 設置初始資本為10,000
startcash = 10000
cerebro.broker.setcash(startcash) 
# 設置交易手續費為 0.2%
cerebro.broker.setcommission(commission=0.002) 

04 執行回測

輸出回測結果。

print(f'凈收益: {round(pnl,2)}')

d1=start.strftime('%Y%m%d')
d2=end.strftime('%Y%m%d')
print(f'初始資金: {startcash}n回測期間：{d1}:{d2}')
#運行回測系統
cerebro.run()
#獲取回測結束后的總資金
portvalue = cerebro.broker.getvalue()
pnl = portvalue - startcash
#打印結果
print(f'總資金: {round(portvalue,2)}')初始資金: 10000
回測期間：20100331:20200331
總資金: 12065.36
凈收益: 2065.36

05可視化

對上述結果進行可視化，使用內置的matplotlib畫圖。至此，簡單的單均線回測就完成了。下面圖形展示了浦發銀行在回測期間的價格走勢、買賣點和交易總資金的變化等。當然，本文著重以最簡化的例子展示backtrader的框架和運行過程，要想更詳細的展示回測過程和結果，還需要加入其他函數和模塊，關于Analyzers分析模塊的應用請留意下一篇推文。

%matplotlib inline #在jupyter notebook上運行
cerebro.plot(style='candlestick')

4 結語

backtrader是目前功能最完善的Python量化回測框架之一（單機版），得到歐洲很多銀行、基金等金融機構的青睞，并應用于實盤交易中。作為入門序列之一，本文簡單介紹了backtrader框架的各個組成部分，然后以20日單均線策略為例，展示了回測系統的編程和運行。公眾號接下來將以專題的形式為大家全面介紹backtrader的應用。學習沒有捷徑，要想全面而深入地學習backtrader回測框架，最好的方法是研讀其官方文檔。

參考資料：

backtrader官方文檔：

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