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。
2backtrader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=Noneself.buyprice=Noneself.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)importpandasaspdfromdatetimeimportdatetimeimportbacktraderasbtimportmatplotlib.pyplotasplt%matplotlibinline#正常显示画图时出现的中文和负号frompylabimportmplmpl.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importtushareastsdefget_data(code,start="-01-01",end="-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"]]returndf
dataframe=get_data("600000")
#回测期间start=datetime(,3,31)end=datetime(,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10,000startcash=10000cerebro.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:0331:2031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。
%matplotlibinline#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:
/docu/
关于Python金融量化