1 Installation【安装】

1.1Requirements and versions【所需要的库以及版本】

backtrader is self-contained with no external dependencies (except if you want to plot)

• Python3.X【也可以支持2.X，但是2.X未来不会维护了，所以默认3.X版本】
• Matplotlib>=1.4.1

1.2 Install from pypi(including matplotlib)【安装方式】

这里仅介绍pip方式

pip install backtrader

2.Quickstart【快速启动】

提示：注意backtrader更新，需要维护好自己的代码块。

Using the platform【使用平台】

在运行backtrader之前，我们必须弄清楚两个概念。

一个是line【这个是backtrader独有的概念】

一个是索引0的方法

• 1.line：

这里笔者能够理解的就是一列数据，比如df['close']是df的一列，也是一line。

而要要运行backtrader，就必须至少传入6line，它们分别是：

Open, High, Low, Close, Volume, OpenInterest

OpenInterest：为持仓量，初始默认为0

如果我们还要考虑“datatime”【交易时间】，那么传入到backtrader，就是7line，不过一般datatime会被处理成df.index。

• 2. Index 0 Approach：

我们访问当前值的位置始终是0，即close[0]

self.sma = SimpleMovingAverage(.....)#初始化self.sma
av = self.sma[0]#av代表self.sma[0]当前值

在我们进行比较和分析的过程中，你无须知道len(line)有多长，无需知道已经处理了多少个条/分钟/天/月，因为“ 0”唯一地标识当前时刻。

There is no need to know how many bars/minutes/days/months have been processed, because “0”uniquely identifies the current instant.

访问0索引之前的输出值：

previous_value = self.sma[-1]

以此类推，[-2],[-3]...

案例一：简单运行backtrader:

from __future__ import (absolute_import, division, print_function,
unicode_literals)
import backtrader as bt
if __name__ == '__main__':
    cerebro = bt.Cerebro()
    print('Starting Portfolio Value: %.2f' % cerebro.broker.getvalue())
    cerebro.run()
    print('Final Portfolio Value: %.2f' % cerebro.broker.getvalue())

Starting Portfolio Value:初始投资组合价值

bs_func:cerebro.broker.getvalue()

Final Portfolio Value:最终投资组合价值

bs_func:cerebro.broker.getvalue()

run_result:

Starting Portfolio Value: 10000.00
Final Portfolio Value: 10000.00

实例讲解：

• 1.引入backtrader库的书写方法
• 2.实例化交易资金
• 3.运行【无策略，数据加载】
• 4.打印结果
• 5.Starting Portfolio Value默认为1万资金。

案例二：设置Starting Portfolio Value交易资金

from __future__ import (absolute_import, division, print_function,
unicode_literals)
import backtrader as bt
if __name__ == '__main__':
    cerebro = bt.Cerebro()
    cerebro.broker.setcash(100000.0)
    print('Starting Portfolio Value: %.2f' % cerebro.broker.getvalue())
    cerebro.run()
    print('Final Portfolio Value: %.2f' % cerebro.broker.getvalue())

通过实例化的cerebro.broker.setcash函数进行修改初始交易资金金额

run_result:

Starting Portfolio Value: 100000.00
Final Portfolio Value: 100000.00

案例三：添加数据【Adding a Data Feed】

这里主要是因为backtrader使用的是YahooFinanceCSVData数据接口，笔者是用的本地的csv文本，所以要注意以下几点：

1.backtrader只接受7line，datetime as df.index，剩余6列作为col，一般而言，由于爬虫，购买或者专业的接口的不同，业务需求不同，都会使得原始数据无法直接在backtrader进行加载。

2.如何增加数据line，则需要对于backtrader的函数进行修改，这个未来介绍。

3.策略以及训练才是我们的目的，因此，我们需要对照自己的策略对于数据的要求，策略训练评估的要求，对于数据进行处理。

import os.path  # 路径管理
import sys  # 获取当前运行脚本的路径 (in argv[0])
import pandas as pd
from datetime import datetime
import backtrader as bt

import backtrader as bt
if __name__ == '__main__':
		# Create a cerebro entity
		cerebro = bt.Cerebro()
		# Datas are in a subfolder of the samples. Need to find where the script is
		# because it could have been called from anywhere
    
    #create a data feed
    
if __name__ == '__main__':
    # 创建Cerebro引擎
    cerebro = bt.Cerebro()
    # Cerebro引擎在后台创建broker(经纪人)，系统默认资金量为10000

    # 为Cerebro引擎添加策略
    #cerebro.addstrategy(TestStrategy)

    pf_bank = pd.read_csv('sh600000.csv', index_col=0, parse_dates=True)  # 导入数据
    pf_bank['date'] = pd.to_datetime(pf_bank.date)  # 将str格式转为date格式
    pf_bank = pf_bank.sort_values(by='date')
    pf_bank = pf_bank.reset_index(drop=True)
    # 所以必须先print(pf_bank.info())，查询date因子的格式情况，然后进行转换
    pf_bank.index = pd.to_datetime(pf_bank.date)  # 变为索引

    pf_bank['openinterest'] = 0
    pf_bank = pf_bank[['open', 'high', 'low', 'close', 'volume', 'openinterest']]
    print(pf_bank)
    # openinterest：持仓量(Open Interest)
    start = datetime(2018, 3, 31)
    end = datetime(2019, 3, 31)
    # 加载数据
    data = bt.feeds.PandasData(dataname=pf_bank, fromdate=start, todate=end)
    # 加载交易数据
    cerebro.adddata(data)


    # 设置投资金额1000.0
    cerebro.broker.setcash(1000.0)

    # 每笔交易使用固定交易量
    cerebro.addsizer(bt.sizers.FixedSize, stake=10)
    # 设置佣金为0.0
    cerebro.broker.setcommission(commission=0.0)

    # 引擎运行前打印期出资金
    print('组合期初资金: %.2f' % cerebro.broker.getvalue())
    cerebro.run()
    # 引擎运行后打期末资金
    print('组合期末资金: %.2f' % cerebro.broker.getvalue())

run_result:

Starting Portfolio Value: 1000.00
Final Portfolio Value: 1000.00

matters needing attention ：

• openinterest处理均为0，而且需要自己进行添加
• 由于没有加载策略，所以即便初始化了交易账户资金以及加载数据，仍然没有任何变化
• 我们要理解一点的是，一般而言的量化回测都是通过矢量化的方式去生成：

一般而言，我们的处理是先生成信号，持仓位置以及空仓位置，再加载账户进行处理。

• backtrader是通过只是反复比较前后三个bar【条】数据来判断，近似于实盘交易，因此在交易和持仓过程中的止盈止损才更好设置。

backtrader是根据数据不断传输中，产生买入-持仓-卖出-空仓的过程。

• 只有理解了市面上的一般性回测与backtrader回测的不同，才能继续深入理解和学习。