Python量化交易学习笔记（57）backtrader的一些基本概念5

　　本文继续记录bt相关的概念内容。启动和运行
　　bt的启动和运行至少涉及3个Line对象：Data feedStrategy（实际上是Strategy的子类）Cerebro（西班牙语中的大脑）
　　Data Feed
　　Data feed提供了用于回测的数据，bt支持下列几种data feed：读取CSV格式文件在线获取Yahoo数据获取Pandas Dataframe或者blaze数据Interacive Brokers、Visual Chart和Oanda的实时数据
　　在data feed中，没有数据周期、压缩率等信息，而在有些场景下是需要用到这些信息的，比如想把5分钟级的数据，通过Data Feed Resampling构造日线数据，这时就需要将数据名称、周期、压缩率等信息告知bt，来完成新数据的构造。
　　下面的例子展示读取Yahoo CSV Data Feed的方式：import backtrader as bt import backtrader.feeds as btfeeds ... datapath = ＂path/to/your/yahoo/data.csv＂ data = btfeeds.YahooFinanceCSVData(     dataname=datapath,     reversed=True)
　　其中参数reversed被设置为True，这是由于从Yahoo下载的CSV格式的数据，默认是按时间倒序排列的，也就是最新的数据在最前面，而在回测或者实盘时，我们往往希望数据时间的先后顺序升序排列，所以这里对数据进行了反转，对A股而言，国内大部分数据数据源下载后是不需要反转的。
　　如果只需要部分时间范围内的数据，则可以按下面方式处理：data = btfeeds.YahooFinanceCSVData(     dataname=datapath,     reversed=True     fromdate=datetime.datetime(2014, 1, 1),     todate=datetime.datetime(2014, 12, 31))
　　这里使用参数fromdate和todate来约束待处理数据的时间范围。
　　上面提到的时间周期（timeframe），压缩率（compression），数据名称（name）也可以通过传入参数进行添加，在后续绘图时，也会用到这些信息：data = btfeeds.YahooFinanceCSVData(     dataname=datapath,     reversed=True     fromdate=datetime.datetime(2014, 1, 1),     todate=datetime.datetime(2014, 12, 31)     timeframe=bt.TimeFrame.Days,     compression=1,     name=＂Yahoo＂    )
　　Strategy
　　使用bt进行回测的核心逻辑都是在Strategy的子类中完成的，其中至少两个函数需要被重写：__init__ 初始化阶段，技术指标的计算和一些准备工作都在这里进行next 具体的策略逻辑在这里实现，每个周期都会被调用一次，用于处理当前时刻的K线
　　有两类需要注意情况：-如果data feed的时间周期（timeframe）不同，比如同时使用日线和周线，next函数会按主数据（即第一个被添加的数据）的数目进行调用，因此多周期数据操作时，需要先将小周期（例如日线和周线数据中的日线数据）的数据添加到系统中。如果Data Replay功能被使用，那么会出现在同一根K线上调用多次next的情况。
　　一个最基础的Strategy子类示例如下：class MyStrategy(bt.Strategy):     def __init__(self):         self.sma = btind.SimpleMovingAverage(self.data, period=20)     def next(self):         if self.sma > self.data.close:             self.buy()         elif self.sma < self.data.close:             self.sell()
　　Strategy还提供一些其他可重写的函数，示例如下：class MyStrategy(bt.Strategy):     def __init__(self):         self.sma = btind.SimpleMovingAverage(self.data, period=20)     def next(self):         if self.sma > self.data.close:             submitted_order = self.buy()         elif self.sma < self.data.close:             submitted_order = self.sell()     def start(self):         print(＂Backtesting is about to start＂)     def stop(self):         print(＂Backtesting is finished＂)     def notify_order(self, order):         print(＂An order new/changed/executed/canceled has been received＂)start 回测即将开始时被调用stop 回测结束时被调用notify_order 当有订单被提交、执行、取消、改变时被调用。当在Strategy中使用buy/sell提交订单后，会返回订单的引用；当订单状态有变化时就会通过notify_order告知Strategy，这样就可以通过判断订单的状态来实现避免重复下单等逻辑。
　　Strategy中的一些其他函数功能：buy/sell/close 使用隐含的broker和sizer提交买单或者卖单，close是平仓操作。getposition（或者使用position属性）返回当前的持仓状态setsizer/getsizer（或者使用sizer属性）用于设置默认的交易数据
　　像其他Line对象一样，Strategy支持参数设置功能，示例如下：class MyStrategy(bt.Strategy):     params = ((＂period＂, 20),)     def __init__(self):         self.sma = btind.SimpleMovingAverage(self.data, period=self.params.period)     ...
　　这里定义的均线周期就不是固定值20了，而使用的是参数period。
　　如果不想通过子类化Strategy来，也可以使用bt的signal机制，这个后面会介绍。
　　Cerebro
　　Cerebro负责将Data feed和Strategy组织起来并进行回测，实例化cerebro的代码如下：cerebro = bt.Cerebro()
　　这里所有参数都使用默认值，实现了以下效果：创建一个默认的broker交易佣金为0Data feed被预加载默认使用runonce系列操作，来提升计算速度。bt内置的指标都支持runonce模式，用户自定义的指标无须重新实现runonce系列函数，cerebro会进行模拟实现，但是执行速度会比实现了runonce系列函数的指标慢一些。
　　Cerebro创建后，就可以将Data feed和Strategy组织在一起，就开始执行了，示例如下：cerebro.adddata(data) cerebro.addstrategy(MyStrategy, period=25) cerebro.run()
　　在上面的代码中，一个Data feed的实例首先被添加到cerebro中，然后一个Strategy的子类MyStrategy和与其相关联的关键词参数被添加，cerebro会用收到的参数在后台创建MyStrategy的实例。
　　用户可添加的Strategy和Data feed的数目是不受限制的，不同策略间如果交互在bt中没有做增强实现或者约束。
　　Cerebro支持的一些其他操作：预加载和执行模式cerebro = bt.Cerebro(runonce=True, preload=True)
　　可以通过preload设置是否对数据进行预加载，但是当runonce为True时，必须将preload也设为True，这是因为只有当数据预加载后，才可能执行runconce逻辑。当然预加载的数据，可以不执行runonce逻辑。setbroker / getbroker（或者使用broker属性）支持用户设置自定义的代理（broker），也支持获取当前使用的代理。绘图。可以通过下面的代码快速实现绘图：cerebro.run() cerebro.plot()
　　也可以通过使用一些参数来修改绘图效果：
　　numfigs=1
　　如果要绘制的内容较多，可以修改numfigs来绘制多张子图。
　　plotter=None
　　用户可以通过plotter参数传输自定义的绘图器来代替默认的绘图器。
　　**kwargs
　　标准的关键词参数，用于将参数传给plotter。策略优化
　　上面介绍到，在cerebro中添加策略时，是将策略的子类（没有直接添加策略子类的实例）和关键词参数一起添加的，在cerebro.run()执行时，针对每一个关键词参数取值，就可以实例化一个策略子类的实例。当关键词参数有多种取值或者取值组合时，cerebro就会每次取一组关键词参数生成一个策略子类实例，这样通过关键词参数不同组合的计算，实现策略的优化，也就是说，策略的优化实际是对其关键词参数的的优化，优化的示例如下所示：cerebro.optstrategy(MyStrategy, period=xrange(10, 20))
　　optstrategy函数和addstrategy的形式相同，区别在于optstrategy的关键词参数是一个取值范围，而不是单一值，这样optstrategy就可以对参数进行优化。
　　在上面的例子中，period的取值是从10到19，cerebro将分别用这些值进行回测。
　　optstrategy也支持复杂的关键词参数组合，比如取值范围和单一值组合：cerebro.optstrategy(MyStrategy, period=xrange(10, 20), factor=3.5)
　　再比如多个取值范围参数：cerebro.optstrategy(MyStrategy, period=[5, 10, 20], period2=[20, 30, 60])
　　感兴趣的读者也可以关注我的CSDN博客-码农甲V，里面有更多内容。
　　欢迎大家关注、点赞、转发、留言，感谢支持！