BackTrader 中文文档（一）(1)-阿里云开发者社区

主页

欢迎来到 backtrader！

原文：www.backtrader.com/

一个功能丰富的 Python 框架，用于回测和交易

backtrader允许您专注于编写可重复使用的交易策略、指标和分析器，而不必花时间构建基础设施。

开源 - GitHub

使用、修改、审计和分享它。秘诀在于调味料，而你就是厨师。这只是工具。

文档 & 博客

查看快速入门、详尽的文档、博客中的深入主题和想法。

社区（~~已禁用~~）

它被滥用了。可能会在未来回来。与此同时，可以尝试例如：stackoverflow “backtrader”。

你好，算法交易！

查看一个简单移动平均线交叉策略的快速示例（仅限多头）

特性

查看backtrader提供的所有好东西的快速概述。

特性

原文：www.backtrader.com/home/features/

实时交易

与 Interactive Brokers、Oanda v1、VisualChart 以及外部第三方经纪人（alpaca、Oanda v2、ccxt，…）一起使用

基于`0`的索引

在数组中使用0表示当前时刻，以解决访问数组值时的前瞻性偏差
使用-1，-2（即：负值）表示最后时刻，以与 Python 的定义保持同步
任何正索引表示未来（在event-only模式下测试代码，会出错）

事件和矢量化

交易逻辑和经纪人始终基于事件运行
如果可能，指标的计算是矢量化的（源数据可以预加载）

一切都可以在仅事件模式下运行，无需预加载数据，就像实时运行一样

数据源（包括实时数据）

内置支持多种数据源：CSV、数据库数据源、YahooFinance、交互经纪人、Oanda v1，…
可以同时运行任意数量的数据源（受内存限制，显然）
警告
注意幸存者偏差！
可以混合和运行多个时间框架
集成重采样和重播功能

内置电池的经纪人

订单类型：Market、Limit、Stop、StopLimit、StopTrail、StopTrailLimit、OCO、Bracket、MarketOnClose
多空卖出
未来类工具的持续现金调整
用户定义的佣金方案和信用利息
基金模式
成交量填充策略
自定义滑点

策略 - 交易逻辑

在操作之前自动计算热身期
多个策略（针对同一经纪人）可以并行运行
多种订单生成方法（buy/sell、order_target_xxx、自动信号）
事件通知：传入数据、数据源提供者、订单、交易、定时器

指标

超过 122 种指标，常见的指标都在其中

许多移动平均线（SMA、EMA，…）、经典指标（MACD、Stochastic、RSI，…）和其他指标
ta-lib集成

性能分析器

几个内置的性能分析器（TimeReturns、TradeAnalyzer、SharpeRatio、VWR、SQN，…）

绘图（额外）

使用单个命令进行自动化（可定制）绘图

注意

为了使其工作，必须安装matplotlib

大小调整器

定义并插入智能自动化的押注策略

观察者

代理可以被绘制，并且可以观察系统中的一切（通常用于绘制统计数据）

杂项

定时器用于随时间重复的操作
交易日历
时区支持

纯 Python

使用最强大且易于使用的编程语言之一。无需外部库。

使用面向对象的方法轻松地将拼图的各个部分拼合在一起
操作符在可能的情况下进行重载，以提供自然语言构造，例如：

av_diff = bt.ind.SMA(period=30) - bt.ind.SMA(period=15)`

其中av_diff将包含30和15周期的简单移动平均线的差值
对于语言结构，不能被覆盖，比如and，or，if，提供了等效的函数以确保没有功能丢失，例如

av_and = bt.And(av_diff > 0, self.data.close < bt.ind.SMA(period=30))`

你好，算法交易！

原文：www.backtrader.com/home/helloalgotrading/

一个经典的简单移动平均线交叉策略，可以轻松地以不同方式实现。下面呈现的三个片段的结果和图表是相同的。

from datetime import datetime
import backtrader as bt
# Create a subclass of Strategy to define the indicators and logic
class SmaCross(bt.Strategy):
    # list of parameters which are configurable for the strategy
    params = dict(
        pfast=10,  # period for the fast moving average
        pslow=30   # period for the slow moving average
    )
    def __init__(self):
        sma1 = bt.ind.SMA(period=self.p.pfast)  # fast moving average
        sma2 = bt.ind.SMA(period=self.p.pslow)  # slow moving average
        self.crossover = bt.ind.CrossOver(sma1, sma2)  # crossover signal
    def next(self):
        if not self.position:  # not in the market
            if self.crossover > 0:  # if fast crosses slow to the upside
                self.buy()  # enter long
        elif self.crossover < 0:  # in the market & cross to the downside
            self.close()  # close long position
cerebro = bt.Cerebro()  # create a "Cerebro" engine instance
# Create a data feed
data = bt.feeds.YahooFinanceData(dataname='MSFT',
                                 fromdate=datetime(2011, 1, 1),
                                 todate=datetime(2012, 12, 31))
cerebro.adddata(data)  # Add the data feed
cerebro.addstrategy(SmaCross)  # Add the trading strategy
cerebro.run()  # run it all
cerebro.plot()  # and plot it with a single command

from datetime import datetime
import backtrader as bt
# Create a subclass of Strategy to define the indicators and logic
class SmaCross(bt.Strategy):
    # list of parameters which are configurable for the strategy
    params = dict(
        pfast=10,  # period for the fast moving average
        pslow=30   # period for the slow moving average
    )
    def __init__(self):
        sma1 = bt.ind.SMA(period=self.p.pfast)  # fast moving average
        sma2 = bt.ind.SMA(period=self.p.pslow)  # slow moving average
        self.crossover = bt.ind.CrossOver(sma1, sma2)  # crossover signal
    def next(self):
        if not self.position:  # not in the market
            if self.crossover > 0:  # if fast crosses slow to the upside
                self.order_target_size(target=1)  # enter long
        elif self.crossover < 0:  # in the market & cross to the downside
            self.order_target_size(target=0)  # close long position
cerebro = bt.Cerebro()  # create a "Cerebro" engine instance
# Create a data feed
data = bt.feeds.YahooFinanceData(dataname='MSFT',
                                 fromdate=datetime(2011, 1, 1),
                                 todate=datetime(2012, 12, 31))
cerebro.adddata(data)  # Add the data feed
cerebro.addstrategy(SmaCross)  # Add the trading strategy
cerebro.run()  # run it all
cerebro.plot()  # and plot it with a single command

from datetime import datetime
import backtrader as bt
# Create a subclass of SignaStrategy to define the indicators and signals
class SmaCross(bt.SignalStrategy):
    # list of parameters which are configurable for the strategy
    params = dict(
        pfast=10,  # period for the fast moving average
        pslow=30   # period for the slow moving average
    )
    def __init__(self):
        sma1 = bt.ind.SMA(period=self.p.pfast)  # fast moving average
        sma2 = bt.ind.SMA(period=self.p.pslow)  # slow moving average
        crossover = bt.ind.CrossOver(sma1, sma2)  # crossover signal
        self.signal_add(bt.SIGNAL_LONG, crossover)  # use it as LONG signal
cerebro = bt.Cerebro()  # create a "Cerebro" engine instance
# Create a data feed
data = bt.feeds.YahooFinanceData(dataname='MSFT',
                                 fromdate=datetime(2011, 1, 1),
                                 todate=datetime(2012, 12, 31))
cerebro.adddata(data)  # Add the data feed
cerebro.addstrategy(SmaCross)  # Add the trading strategy
cerebro.run()  # run it all
cerebro.plot()  # and plot it with a single command

参考资料

谁在使用它

原文：www.backtrader.com/home/references/who-is-using-it/

请参阅后面的章节了解使用情况的参考资料。

旧网站参考资料

原始网站说明backtrader至少被以下机构使用：

2 家 Eurostoxx50 银行
6 家量化交易公司

那是很久以前的事了，作者已经知道更多了，包括其他类型的交易公司，如“能源交易”等行业。

为什么没有提供名称？

我从未问过
他们从未问过

那你能支撑这些说法吗？

在Reddit - [Question] How popular is Backtrader on this sub?中已经问过（并得到了回答）。

让我们引用那个帖子的回答。

引用

不，没有清单。这实际上已经过时了：银行的数量仍然是2（可能还有更多，但我不知道），但有超过 6 家公司在内部使用它，包括在能源市场工作的公司，因为compensation功能允许购买和销售不同的资产来相互补偿（这可能在zipline中不可用），从而允许使用现货和期货价格进行建模（这是能源市场的一个特点，以避免将实际商品交付给您）

这里的关键是必须定义使用情况。例如，我可以引用一位来自其中一家银行的人告诉我的话：“我们使用 backtrader 快速原型设计我们的想法并对其进行回测。如果它们被证明符合我们的预期，并经过进一步完善，它们将被重写为 Java 并放入我们的生产系统中”。

实际上，这是一个量化公司（我亲自访问过的）使用的相同方案：在backtrader中进行原型设计，然后在Java中进行生产。

正如您可以想象的那样，我不追踪那些使用backtrader的人的生活，所以也许一些银行和公司决定不再使用backtrader。

我也猜测一些银行和量化公司使用zipline遵循相同的方案。