量化投资之工具篇一：Backtrader从入门到精通（1）-手把手教你零基础实现一个策略案例

量化投资之工具篇一：Backtrader从入门到精通（1）-手把手教你零基础实现一个策略案例

2024-12-28 12:13

量化投资是一个非常大的课题，从这边文章开始，我会从如下几个方面构建量化投资的这个框架：

1、工欲善其事，必先利其器。我们先学习一个量化投资回测利器-backtrader，通过这个工具，我们可以将量化策略在经过回测之后，付诸实用。

2、我们学习一些常用的以及大师们实用量化策略，了解它的原理，选择合适的标的资产，为己所用。

3、开发自己的策略。老实说，公开的策略使用的人众多，往往会失效，那么如果构造开发自己的策略显得尤其重要。这一块，我们会介绍投资、数据挖掘，预测等关键技术，及其如何应用在构建自己投资策略上。

4、最后我们会构造一个完整的实用系统，该系统上，可以查看关键投资指标、定制量化策略。

下面我们开始介绍Backtrader，内容主要基于Backtrader的网站指导文档以及示例。

1、简介

2、安装

3、手把手教你实现一个例子

3.1、首先需要理解的几个关键概念

3.2、从0到100：一步一步实现一个例子

创建第一个程序

给空白的大脑加载数据

给大脑第一个策略

加入买的逻辑到Strategy中

不仅要买，还要卖

券商说，俺的钱呢？

如何给策略Strategy传递参数

加一个指标（indicator）

可视化-画图

再来点优化

3.3总结

Backtrader的特点，就是两点：

1、易于使用；

2、参见第1条。

那么如何使用Backtrader呢？比把大象装进冰箱复杂点，一共4步：

创建一个Cerebro引擎：

加入一个Strategy。
加载数据。
执行：cerebro.run()。
对执行结果可视化。

就是这么简单！

这么简单如何执行那么多复杂的量化策略，关键就是Backtrader作为一个平台，具有极高的可配置性，也就是可以根据需要进行不同的配置，完成不同的量化策略回测，后续将进行详细描述。

一般是通过Python安装：

pip install backtrader

特别注意的是，和backtrader适配的matplotlib版本不能太高，测试可用的版本是3.2.2。如果高于此版本，可以通过如下命令降级：

pip uninstall matplotlib
pip install matplotlib==3.2.2

1、Line：Line在Backtrader系统中，是最重要的对象。

Line的本意就是一连串可以连接在一起的点，所有可以在坐标上形成一条线的数据，就称为Line。在量化投资的领域，这个Line通常指的是证券的open(开盘价）、high（最高价）、low（最低价）、close（收盘价）、volume（成交量）。例如如下我们下载的某股票的数据：

Excle中画个图：

可以看出，每一列均可形成一个Line，这个Line就是需要进行处理的数据，对于证券数据，我们通常对close（收盘价）进行处理。

除了数据本身可以形成Line之外，对数据进行处理后形成的数据也可以作为Line，比如计算close列的移动平均线，也可以形成一个Line。

2、Index为0的含义

Backtrader系统中，对Line的数据是逐行处理的，如下：

系统处理顺序从上至下，当处理到26.5的时候，对应的Index为0.如果要访问之前的数据，就是-1，-2.之后的数据，就是1,2.

特别值得注意的是-1在python中用于访问一个列表的最后一个数据，而在backtrader中，-1指的是最后已经处理过得数据，在当前处理数据之前，值会随着系统的处理而不断变化。

如果系统在创建Strategy的时候，系统初始化了一个移动平均线：

self.sma = SimpleMovingAverage(.....)

访问移动平均线当前值的简单易用的方法是：

av = self.sma[0]

这种方法的好处就是无需知道已经处理了多少行（在Backtrader中，统一将行称之为Bar），也无需知道还有多少Bar需要处理，因为0唯一确定了系统正在处理的数据（Bar）。

掌握一项技术最好的方法就是亲手写一个程序，下面采用不断迭代的方法，一步一步，从简单到复杂实现咱们的第一个量化回测程序。

创建第一个程序

执行下，看看啥结果：

Starting Portfolio Value: 10000.00
Final Portfolio Value: 10000.00

这个程序做了啥？

将Backtrader引入到咱们程序中，命名为bt。
创建了一个机器人大脑（Cerebro），同时隐含创建了一个borker（券商）。
让机器人大脑开始运行。
显示了机器人在券商那里存有多少钱。

等等，为啥只有10000元，失败啊，太少了，没事，咱可以多存点钱到券商。

cerebro = bt.Cerebro()
cerebro.broker.setcash(100000.0)#加到100000元，咱们也富裕了。

再执行看看，果然富裕了：

Starting Portfolio Value: 100000.00
Final Portfolio Value: 100000.00

不对，为啥钱没变啊，这个机器人没给我挣钱啊。因为这个机器人大脑只是初始化，还没发育好，脑子一片空白，啥也做不了，自然挣不了钱。咱们先给机器人点股票数据看看，让他先看看股票数据，说不定能学习点啥。

给空白的大脑加载数据

再执行看看：

Starting Portfolio Value: 100000.00
Final Portfolio Value: 100000.00

大脑开始发育了，起码做到了：

能接受股票的数据了。（这里提供的是下载浦发银行（sh6000000）的历史数据作为示例，如何获取数据后续专门讨论）
也能对datetime进行处理，根据需要看具体特定时期的数据了。

但是咱们钱还是没增加了，大脑大脑快快成长吧，快快给俺挣钱啊

给大脑第一个策略

钱有了（在broker券商），股票数据也有了，似乎马上就可以进行有风险的投资了。要投资，就得有一个有投资策略。而投资策略，针对的通常是数据的收盘价（close），也就是根据收盘价决定如何投资。

毕竟股市太凶险，机器人新加的策略是先看看股票的收盘价。

执行后结果：

Starting Portfolio Value: 100000.00
2020-09-30, Close, 125.97
...(省略n行）
2021-09-27, Close, 127.11
2021-09-28, Close, 127.26
2021-09-29, Close, 127.11
2021-09-30, Close, 126.83
Final Portfolio Value: 100000.00

看起来还好，没赔钱，股票市场似乎没那么凶险。

关于这个策略（Strategy），需要重点关注：

Strategy初始化的时候，将大脑加载的数据更新到dataclose属性中（注意，这是一个列表，保存股票回测开始时间到结束时间的所有close数据）。 self.datas[0]指向的是大脑通过cerebro.adddata函数加载的第一个数据，本例中指加载浦发银行的股票数据。
self.dataclose = self.datas[0].close指向的是close （收盘价）line
strategy 的next方法针对self.dataclose（也就是收盘价Line）的每一行（也就是Bar）进行处理。在本例中，只是打印了下close的值。next方法是Strategy最重要的的方法，具体策略的实现都在这个函数中，后续还会详细介绍。

这个策略还是没能挣钱，没买卖咋挣钱？大胆点，咱们开始买！

加入买的逻辑到Strategy中

没买卖就没收入，咱们开始买，啥时候买？妈妈说，买东西要便宜，那就如果价格连续降2天，咱就买入，试试看！

执行结果如下：

Starting Portfolio Value: 100000.00
...(省略n行）
2021-09-09, Close, 131.06
2021-09-10, Close, 132.61
2021-09-13, Close, 132.33
2021-09-14, Close, 129.79
2021-09-14, BUY CREATE, 129.79
2021-09-15, Close, 129.51
2021-09-15, BUY CREATE, 129.51
2021-09-16, Close, 128.52
2021-09-16, BUY CREATE, 128.52
2021-09-17, Close, 128.38
2021-09-17, BUY CREATE, 128.38
2021-09-22, Close, 127.26
2021-09-22, BUY CREATE, 127.26
2021-09-23, Close, 127.26
2021-09-24, Close, 127.11
2021-09-27, Close, 127.11
2021-09-28, Close, 127.26
2021-09-29, Close, 127.11
2021-09-30, Close, 126.83
2021-09-30, BUY CREATE, 126.83
Final Portfolio Value: 110441.06

挣钱了耶，居然挣了1万多块钱。从打印可以看出，在收盘价连续2天价格下跌的时候，strategy就执行买入。虽然咱们挣了钱，订单（order）好像创建了，但是不知道是否执行了以及何时以什么价格执行了。后面我们会展示如何监听订单执行的状态。

也许你要问了，咱们买了多少股票（称之为资产asset）？买了啥股票？订单是咋执行的？后续会回答这些问题，在当前示例中：

self.datas[0] 就是我们购买了的股票。本例中没有输入其他数据，如果输入了其他数据，购买的股票就不一定是啥了，这个要看具体的策略执行情况。
买了多少股本（stake）的股票？这个通过机器人大脑的position sizer属性来记录，缺省值为1，就是缺省咱们每一次操作只买卖1股。
当前order执行的时候，采用的价格是第二天的开盘价。
当前order执行的时候，没有收佣金。佣金如何设置后续还会说明。

不仅要买，还要卖

一次完整的交易，不仅要买，还要卖。啥时候卖？咱们简单点，就是处理了5个bar数据之后。值得注意的是，这里使用了bar这个概念，没有包含任何时间的概念，也就是一个bar，可以是1分钟，1个小时，也可以是一天，一个月，这些基于你输入的数据，如果你输入的股票每小时（分时）数据，那么一个bar就是一分钟，如果提供是周K数据，一个bar就是一周。本例中，我们获取的数据基于每天，那么一个bar就是一天。

特别之一，这里代码使用了len这个函数，在python中，len通常返回的一个列表中数据的多少，而在backtrader中，重写了len函数，返回的是已经处理过数据行（也就是Bar）。

注意，如果我们不在市场内，就不能卖。什么叫不在市场内，就是你不拥有任何股票头寸，也就是没有买入资产。在策略中，通过 position 属性来记录。

本次代码中，我们将要增加如下：

访问postion获取是否在市场内
会创建买和卖的订单（order）
订单状态的改变会通过notify方法通知到strategy。

执行结果：

Starting Portfolio Value: 100000.00
...(省略n行）
021-09-14, BUY CREATE, 129.79
2021-09-15, BUY EXECUTED, 129.79
2021-09-15, Close, 129.51
2021-09-16, Close, 128.52
2021-09-17, Close, 128.38
2021-09-22, Close, 127.26
2021-09-23, Close, 127.26
2021-09-24, Close, 127.11
2021-09-24, SELL CREATE, 127.11
2021-09-27, SELL EXECUTED, 127.11
2021-09-27, Close, 127.11
2021-09-28, Close, 127.26
2021-09-29, Close, 127.11
2021-09-30, Close, 126.83
2021-09-30, BUY CREATE, 126.83
Final Portfolio Value: 100042.80

从结果看，买了股票5天就卖了。啥，只赚了42块钱，会买的是徒弟，会卖的才是师父，看来真的不能瞎卖啊！

券商说，俺的钱呢？

券商说，你这里又买又卖的，我的佣金在哪儿？好的，咱们加上佣金，就0.1%吧，一行代码的事情：

# 0.1% ... 除以100去掉%号。
cerebro.broker.setcommission(commission=0.001)

下面我们看看佣金对收益的影响。

结果如下：

Starting Portfolio Value: 100000.00
...(省略n行）
2021-09-14, BUY CREATE, 129.79
2021-09-15, BUY EXECUTED, Price: 129.79, Cost: 129.79, Comm 0.13
2021-09-15, Close, 129.51
2021-09-16, Close, 128.52
2021-09-17, Close, 128.38
2021-09-22, Close, 127.26
2021-09-23, Close, 127.26
2021-09-24, Close, 127.11
2021-09-24, SELL CREATE, 127.11
2021-09-27, SELL EXECUTED, Price: 127.11, Cost: 129.79, Comm 0.13
2021-09-27, OPERATION PROFIT, GROSS -2.68, NET -2.94
2021-09-27, Close, 127.11
2021-09-28, Close, 127.26
2021-09-29, Close, 127.11
2021-09-30, Close, 126.83
2021-09-30, BUY CREATE, 126.83
Final Portfolio Value: 99992.00

晕菜，亏了，挣的钱都给券商了，所以啊，一定不要频繁交易。

同时，我们注意到，每次订单执行，都有一个操作盈利记录（Gross：毛利；Net:净利）：

2021-09-27, OPERATION PROFIT, GROSS -2.68, NET -2.94

如何给策略Strategy传递参数

策略这个东西，是高度可配置的，大脑想调整下策略，可以通过配置参数来设定，免得大量硬编码数据，后续难以修改。比如策略之前是过5天就卖，现在想改为过7天再卖，通过修改参数就可以做到。参数如何传递呢？也很简单：

就是典型的python元组数据。

我们在创建策略的时候，大脑通过如下方法传递给策略实例：

那么卖出的逻辑可以修改为：

之前我们每次只买1股，太少了，咱们中国一手最少100股，那咋整？可以通过如下代码设置(由于钱不够，先设置70股试试看：

修改这两处之后，咱们再执行下看看（这个修改较简单，就不贴代码了）。

Starting Portfolio Value: 100000.00
...(省略n行）
2021-09-27, SELL EXECUTED, Price: 127.11, Cost: 9085.30, Comm 8.90
2021-09-27, OPERATION PROFIT, GROSS -187.60, NET -205.58
2021-09-27, Close, 127.11
2021-09-28, Close, 127.26
2021-09-29, Close, 127.11
2021-09-30, Close, 126.83
2021-09-30, BUY CREATE, 126.83
Final Portfolio Value: 99440.16

看如下，每次买了70股吧。

SELL EXECUTED, Price: 127.11, Cost: 9085.30, Comm 8.90

加一个指标（indicator）

大家投资的时候，经常听说这指标那指标的，没听说？那均线总听说过吧？咱们加个均线指标来指导我们的策略，毕竟连续两天下跌这个指标太土了，咱们要使用高大上的移动均线指标：

如果当前价格大于均线，就买买买。
如果低于均线，就卖卖卖。怎么听起来像追涨杀跌啊，看起来咱们的机器人像个韭菜。
为了简单起见，同时只能存在一次买卖。

修改也不大，在策略（Strategy）的初始化的时候，引用一个简单的移动平均指标，如下代码：

Strategy代码如下，同时主程序暂时将佣金设置为0. 为了减少数据，对比查看sma的数据，说明一个重要的概念，暂时将回测时间修改为2020-9-30日。

执行下，看看：

Starting Portfolio Value: 100000.00
2020-11-04, Close, 125.30
2020-11-05, Close, 125.57
2020-11-06, Close, 125.97
2020-11-09, Close, 126.51
2020-11-10, Close, 126.91
2020-11-11, Close, 128.25
2020-11-11, BUY CREATE, 128.25
2020-11-12, BUY EXECUTED, Price: 127.71, Cost: 8939.70, Comm 0.00
...(省略n行）
2021-09-29, Close, 127.11
2021-09-30, Close, 126.83
Final Portfolio Value: 99648.60

哎，亏了，还不如追涨杀跌呢！不过，咱们是学习如何使用Backtrader来验证策略，重要是学习，亏就亏了吧。

眼尖的你可能看到了，咱们回测时间是2020-9-30日，为啥系统从2020-11-04开始测试？

这是因为sma（移动平均）的参数为20，也就是要20bar（本例中一个bar就是一天）的数据才能计算，1到19天没数据，可以看下sma的数据：

从第20天开始（20个工作日之后就是11月14日）才有数据，而strategy的next在所有line（本例中，有两个line，一个是open价格，一个是sma）都有有效的时候，才会进行策略的处理。这个例子中，只有一个指标（indicator），实际上可以加随便多少个，来实现复杂的策略，后续再详细讨论。

另外，注意一点，backtrader中对数据的处理是向下取两位小数。

可视化-画图

前面执行程序，每一步都输出文字描述，这个看起来实在不友好，于是Backtrader提供了画图功能。

画图使用的是matplotlib库，前面描述过，必须安装特定版本，不然就有问题。

实现画图，也很简单，加一行代码：

放到cerebro.run()之后就可以了，这里不贴代码了，执行试试看：

神奇不？一张图可以看出所有：

收盘价和移动平均线。
盈利图；
买卖点；
买卖盈利还是亏损。
成交量。

你以为只能这么点，为了展示咱们强大的画图能力，再加点指标来自动画图显示：

指数移动平均线
权重移动平均线
随机指标
MACD
RSI
RSI的简单移动平均
ATR。这个不画图，展示如何控制Line是否参与画图。

这些指标先自行百度，以后涉及到咱们的策略的时候再介绍。

实现的时候，就是在Strategy初始化的时候，加上如下代码：

整个Strategy代码如下：

看看效果：

看起来还不错。不过实话说，整个图还是挺丑的，后面优化下。

再来点优化

也许你要问了，为啥咱们用20天的移动平均呢？用15天行不行？其实对于同的股票，这个值还可能不同。backtrader的神奇来了，咱们可以对策略进行对比。

具体的实现方法：

首先在大脑（cerebro）调用addstrategy的时候只传入一个策略，而是调用optstrategy传入多个参数。参见如下主代码，策略不变：

其次，在Strategy增加stop方法，该方法在每个strategy完成之后调用，也就是在所有数据处理完成之后再调用。该函数会打印每次策略执行后最终还剩多少钱。

2021-09-30, (MA Period 10) Ending Value 99330.80
2021-09-30, (MA Period 12) Ending Value 103441.20
2021-09-30, (MA Period 11) Ending Value 100841.40
2021-09-30, (MA Period 13) Ending Value 102013.20
2021-09-30, (MA Period 14) Ending Value 103860.50
2021-09-30, (MA Period 17) Ending Value 103322.20
2021-09-30, (MA Period 15) Ending Value 105178.60
2021-09-30, (MA Period 16) Ending Value 104009.60
2021-09-30, (MA Period 20) Ending Value 103149.30
2021-09-30, (MA Period 19) Ending Value 104309.20
2021-09-30, (MA Period 18) Ending Value 103423.00
2021-09-30, (MA Period 21) Ending Value 102899.40
2021-09-30, (MA Period 24) Ending Value 104294.50
2021-09-30, (MA Period 22) Ending Value 103868.20
2021-09-30, (MA Period 25) Ending Value 103544.80
2021-09-30, (MA Period 23) Ending Value 103264.10
2021-09-30, (MA Period 26) Ending Value 102888.20
2021-09-30, (MA Period 27) Ending Value 102410.10
2021-09-30, (MA Period 28) Ending Value 101978.20
2021-09-30, (MA Period 29) Ending Value 102212.70
2021-09-30, (MA Period 30) Ending Value 101871.10

从以上图中可以看出：

除了10天平均，其他都是盈利的。其中15天平均值，盈利最多。这些信息都可以作为策略的参数调优使用。

咱们一步一步从最原始的啥也不能做的机器人大脑，慢慢进化成能根据输入的股票数据，采用不同的策略来挣钱的成熟大脑，还能把执行过程可视化，实在是一个合格的投资者了。

后面咱们还可以：

1、自定义的指标

2、更好地管理资金；

3、详细的投资收益信息

...

所有这一切，都需要我们取挖掘，后续我们一起继续学习，掌握好Backtrader之后，就可以实现咱们自己的投资策略。