BackTrader 中文文档（二）(3)

BackTrader 中文文档（二）(2)https://developer.aliyun.com/article/1489215

策略是Lines对象，这些对象支持参数，这些参数使用标准 Python kwargs 参数进行收集：

class MyStrategy(bt.Strategy):
    params = (('period', 20),)
    def __init__(self):
        self.sma = btind.SimpleMovingAverage(self.data, period=self.params.period)
    ...
    ...

注意SimpleMovingAverage如何不再以固定值 20 进行实例化，而是使用已为策略定义的参数“period”进行实例化。

一个 Cerebro

一旦数据源可用并且策略已定义，Cerebro 实例就是将所有内容汇集在一起并执行操作的工具。实例化一个很容易：

cerebro = bt.Cerebro()

如果没有特殊要求，则默认情况下会进行处理。

• 创建默认经纪人
  
• 操作无佣金
  
• 数据源将被预加载
  
• 默认执行模式将是 runonce（批量操作），这是更快的模式
  所有指标必须支持runonce模式以实现全速运行。平台中包含的指标可以。
  自定义指标不需要实现 runonce 功能。Cerebro将模拟它，这意味着那些不兼容 runonce 的指标将运行得更慢。但大部分系统仍将以批处理模式运行。
  

由于数据源已经可用，策略也已经创建（之前创建），将它们组合在一起并使其运行的标准方法是：

cerebro.adddata(data)
cerebro.addstrategy(MyStrategy, period=25)
cerebro.run()

请注意以下内容：

• 数据源“实例”被添加
  
• MyStrategy“类”被添加以及将传递给它的参数（kwargs）。
  MyStrategy 的实例化将由 cerebro 在后台完成，并且“addstrategy”中的任何 kwargs 将被传递给它
  

用户可以根据需要添加任意多的策略和数据源。策略如何相互通信以实现协调（如果需要）并不受平台的强制/限制。

当然，Cerebro 提供了额外的可能性：

• 决定预加载和操作模式：

cerebro = bt.Cerebro(runonce=True, preload=True)`

• 这里有一个约束：runonce需要预加载（如果不是，批处理操作将无法运行）。当然，预加载数据源并不强制执行runonce
• setbroker / getbroker（以及broker属性）
  如果需要，可以设置自定义经纪人。实际经纪人实例也可以被访问
  
• 绘图。在常规情况下，就像这样简单：

cerebro.run()
cerebro.plot()` 

• 绘图需要一些参数进行自定义

• numfigs=1
  如果图表过于密集，可以将其拆分为多个图表
  
• plotter=None
  可以传递自定义绘图器实例，cerebro 将不会实例化默认绘图器
  
• **kwargs - 标准关键字参数
  这将传递给绘图器。
  

• 请查看绘图部分获取更多信息。
  
• 优化策略。
  如上所述，Cerebro 获得一个派生自 Strategy 的类（而不是实例），以及将在调用“run”时传递给它的关键字参数。
  这样可以实现优化。相同的 Strategy 类将根据需要实例化多次，并使用新参数。如果一个实例已经传递给 cerebro…这将是不可能的。
  请求优化如下：

cerebro.optstrategy(MyStrategy, period=xrange(10, 20))` 

• 方法optstrategy具有与addstrategy相同的签名，但会进行额外的管理工作以确保优化按预期运行。一个策略可能期望一个范围作为策略的正常参数，而addstrategy不会对传递的参数做任何假设。
  另一方面，optstrategy将理解可迭代对象是一组值，必须按顺序传递给每个 Strategy 类的实例化。
  注意，传递的不是单个值，而是一系列值。在这个简单的情况下，将尝试这个策略的 10 个值 10 -> 19（20 是上限）。
  如果开发了更复杂的策略并具有额外的参数，它们都可以传递给optstrategy。必须不经过优化的参数可以直接传递，而无需最终用户创建一个仅包含一个值的虚拟可迭代对象。例如：

cerebro.optstrategy(MyStrategy, period=xrange(10, 20), factor=3.5)` 

• optstrategy方法看到因子并在后台为具有单个元素的因子创建（所需的）虚拟可迭代对象（例如 3.5 中的示例）。
  注意
  交互式 Python shell 和某些类型的在Windows下的冻结可执行文件对 Python 的multiprocessing模块存在问题。
  请阅读有关multiprocessing的 Python 文档。

大脑

Cerebro

原文：www.backtrader.com/docu/cerebro/

这个类是backtrader的基石，因为它作为以下方面的中心点：

1. 收集所有输入（数据源）、行动者（策略）、旁观者（观察员）、评论者（分析器）和文档编制者（写作者），确保节目随时进行。
   
2. 执行回测/或实时数据提供/交易
   
3. 返回结果
   
4. 提供对绘图设施的访问
   

收集输入

1. 首先创建一个cerebro：

cerebro = bt.Cerebro(**kwargs)` 

1. 支持一些**kwargs来控制执行，参见参考文献（这些参数后来也可以应用于run方法）
2. 添加数据源
   最常见的模式是cerebro.adddata(data)，其中data已经实例化为数据源。例如：

data = bt.BacktraderCSVData(dataname='mypath.days', timeframe=bt.TimeFrame.Days)
cerebro.adddata(data)` 

1. 重新采样和回放数据是可能的，遵循相同的模式：

data = bt.BacktraderCSVData(dataname='mypath.min', timeframe=bt.TimeFrame.Minutes)
cerebro.resampledata(data, timeframe=bt.TimeFrame.Days)` 

1. 或：

data = bt.BacktraderCSVData(dataname='mypath.min', timeframe=bt.TimeFrame.Minutes)
cerebro.replaydatadata(data, timeframe=bt.TimeFrame.Days)` 

1. 系统可以接受任意数量的数据源，包括混合常规数据与重新采样和/或重放数据。当然，其中一些组合肯定毫无意义，因此在能够组合数据时会应用一些限制：时间对齐。请参阅数据-多时间框架、数据重新采样-重新采样和数据-重播部分。
2. 添加Strategies
   与已经是类实例的数据源不同，cerebro直接接受Strategy类和传递给它的参数。背后的原理是：在优化场景中，该类将被实例化多次并传递不同的参数
   即使没有运行优化，该模式仍然适用：

cerebro.addstrategy(MyStrategy, myparam1=value1, myparam2=value2)` 

1. 当优化参数时，必须添加为可迭代对象。详细说明请参见优化部分。基本模式：

cerebro.optstrategy(MyStrategy, myparam1=range(10, 20))` 

1. 运行MyStrategy 10 次，其中myparam1的值从 10 到 19（请记住，Python 中的范围是半开放的，20不会被包含）
2. 其他元素还有一些其他元素可以添加以增强回测体验。查看相应的部分以了解详情。方法包括：

• addwriter
  
• addanalyzer
  
• addobserver（或addobservermulti）
  

3. 更改经纪人
   Cerebro 将在backtrader中使用默认经纪人，但可以被覆盖：

broker = MyBroker()
cerebro.broker = broker  # property using getbroker/setbroker methods` 

1. 接收通知如果数据源和/或经纪人发送通知（或创建它们的存储提供程序），它们将通过Cerebro.notify_store方法接收。有三（3）种处理这些通知的方法

• 通过addnotifycallback(callback)调用向cerebro实例添加回调。回调函数必须支持此签名：

callback(msg, *args, **kwargs)` 

1. 实际的msg、*args和**kwargs接收的内容是实现定义的（完全取决于数据/经纪人/存储），但一般可以期望它们是可打印的，以便接收和实验。

• 在添加到cerebro实例的Strategy子类中覆盖notify_store方法。

2. 签名：notify_store(self, msg, *args, **kwargs)
   

• 子类Cerebro并覆盖notify_store（与Strategy中的签名相同）

3. 这应该是最不受欢迎的方法
   

执行回测

有一个单一的方法可以做到这一点，但它支持几个选项（也可以在实例化时指定），以决定如何运行：

result = cerebro.run(**kwargs)

请参阅下面的参考文献，了解可用的参数。

标准观察者

cerebro（除非另有说明）会自动实例化三个标准观察者

• 一个Broker观察者，用于跟踪cash和value（投资组合）
  
• 一个Trades观察者，应显示每次交易的有效性如何
  
• 一个Buy/Sell观察者，应记录操作何时执行
  

如果希望更干净的绘图，只需使用stdstats=False禁用它们

返回结果

cerebro在回测期间返回所创建的策略实例。这允许分析它们的操作，因为可以访问策略中的所有元素：

result = cerebro.run(**kwargs)

由run返回的result的格式取决于是否使用了优化（使用optstrategy添加了一个策略）：

• 所有使用addstrategy添加的策略
  result将是在回测期间运行的实例的list
  
• 使用optstrategy添加了 1 个或多个策略
  result将是list的list。每个内部列表将包含每次优化运行后的策略
  

注意

优化的默认行为已更改为仅返回系统中存在的分析器，以减轻跨计算机核心的消息传递负担。

如果希望返回完整的策略集，请将参数optreturn设置为False

提供对绘图功能的访问

如果安装了matplotlib，则可以绘制策略图。通常的模式是：

cerebro.plot()

请参阅下文的参考文献和绘图部分

回测逻辑

事物流程的简要概述：

1. 传递任何存储通知
   
2. 要求数据源提供下一组 ticks/bars
   **版本更改：**版本 1.9.0.99 中已更改：新行为
   数据源通过查看下一个将提供的datetime来同步。在新周期中尚未交易的数据源仍提供旧数据点，而具有新数据的数据源则提供此数据（以及指标的计算）
   旧行为（在Cerebro中使用oldsync=True时保留）
   第 1 个插入系统的数据是datamaster，系统将等待它提供一个 tick
   其他数据源或多或少是datamaster的从属，且：

* If the next tick to deliver is newer (datetime-wise) than the one
   delivered by the `datamaster` it will not be delivered
 * May return without delivering a new tick for a number of reasons` 

1. 逻辑被设计为轻松同步多个数据源和具有不同时间框架的数据源
2. 通知策略有关已排队的经纪人订单、交易和现金/价值的通知
   
3. 告诉经纪人接受排队的订单，并使用新数据执行待处理的订单
   
4. 调用策略的 next 方法以使策略评估新数据（并可能发出在经纪人中排队的订单）
   根据阶段，策略/指标的最小周期要求可能在满足之前是 prenext 还是 nextstart。
   在内部，策略还会触发 observers、indicators、analyzers 和其他活动元素
   
5. 告诉任何 writers 将数据写入其目标
   

注意：

注意

在上述第 1 步中，当 数据源 传递新的柱集时，这些柱是 关闭 的。 这意味着数据已经发生了。

因此，在第 4 步中策略发出的 订单 无法使用第 1 步的数据 执行。

这意味着订单将使用 x + 1 的概念执行。 其中 x 是订单执行的柱时刻，而 x + 1 是下一个，它是可能的订单执行的最早时刻

参考

类 backtrader.Cerebro()

参数：

• preload（默认：True）

是否预加载传递给 cerebro 的不同 data feeds 用于策略

• runonce（默认：True）

在向量化模式下运行 Indicators 以加速整个系统。 策略和观察器将始终基于事件运行。

• live（默认：False）

如果没有数据通过数据的 islive 方法报告自身为 live，但最终用户仍希望以 live 模式运行，可以将此参数设置为 true

这将同时停用 preload 和 runonce。 对内存节省方案没有影响。

在向量化模式下运行 Indicators 以加速整个系统。 策略和观察器将始终基于事件运行。

• maxcpus（默认：无->所有可用核心）
  同时使用多少核心进行优化
  
• stdstats（默认：True）
  

如果为 True，默认观察者将被添加：经纪人（现金和价值）、交易和买卖

• oldbuysell（默认：False）

如果 stdstats 为 True 并且观察者自动添加，则此开关控制 BuySell 观察者的主要行为

• False：使用现代行为，在低/高价格的下方/上方分别绘制买入/卖出信号，以避免图表混乱
  
• True：使用已弃用的行为，在给定时刻的订单执行的平均价格绘制买入/卖出信号。 这当然会在 OHLC 柱或 Cloe 柱上方绘制，难以识别图的内容。
  
• oldtrades（默认：False）
  

如果 stdstats 为 True 并且观察者自动添加，则此开关控制 Trades 观察者的主要行为

• False：使用现代行为，其中所有数据的交易都用不同的标记绘制
  
• True：使用旧的交易观察器，它使用相同的标记绘制交易，仅在它们是正数还是负数时有所区别。
  
• exactbars（默认：False）
  

默认情况下，每个值都会存储在内存中的一行中。

可能的值：

* `True` or `1`: all “lines” objects reduce memory usage to the
  automatically calculated minimum period.
  If a Simple Moving Average has a period of 30, the underlying data
  will have always a running buffer of 30 bars to allow the
  calculation of the Simple Moving Average
  * This setting will deactivate `preload` and `runonce`
  * Using this setting also deactivates **plotting**
* `-1`: datafreeds and indicators/operations at strategy level will
  keep all data in memory.
  For example: a `RSI` internally uses the indicator `UpDay` to
  make calculations. This subindicator will not keep all data in
  memory
  * This allows to keep `plotting` and `preloading` active.
  * `runonce` will be deactivated
* `-2`: data feeds and indicators kept as attributes of the
  strategy will keep all points in memory.
  For example: a `RSI` internally uses the indicator `UpDay` to
  make calculations. This subindicator will not keep all data in
  memory
  If in the `__init__` something like
  `a = self.data.close - self.data.high` is defined, then `a`
  will not keep all data in memory
  * This allows to keep `plotting` and `preloading` active.
  * `runonce` will be deactivated

• objcache（默认：False）

实验选项，用于实现线条对象的缓存并减少它们的数量。从 UltimateOscillator 示例：

bp = self.data.close - TrueLow(self.data)
tr = TrueRange(self.data)  # -> creates another TrueLow(self.data)

如果这是True，则TrueRange内的第 2 个TrueLow(self.data)将与bp计算中的签名匹配。它将被重用。

边缘情况可能会发生，其中这会使线条对象超出其最小周期并且导致故障，因此已禁用。

• writer（默认：False）

如果设置为True，将创建一个默认的 WriterFile，它将打印到 stdout。它将被添加到策略中（除了用户代码添加的任何其他写入器）

• tradehistory（默认：False）

如果设置为True，它将激活每个策略的每次交易的更新事件记录。这也可以通过策略方法set_tradehistory逐个策略地完成。

• optdatas（默认：True）

如果为True且正在优化（并且系统可以preload并使用runonce，数据预加载将仅在主进程中执行一次，以节省时间和资源。

测试显示，从在83秒的样本执行中移动到66秒的执行速度提高了约20%。

• optreturn（默认：True）

如果为True，则优化结果将不是完整的Strategy对象（以及所有datas、indicators、observers…），而是具有以下属性的对象（与Strategy中相同）：

* `params` (or `p`) the strategy had for the execution
* `analyzers` the strategy has executed

在大多数情况下，只有分析器和与之相关的参数是评估策略性能所需的内容。如果需要对生成的值（例如指标）进行详细分析，则关闭此选项。

测试显示执行时间提高了13% - 15%。与optdatas结合使用，总增益增加到了优化运行的32%的总体加速。

• oldsync（默认：False）

从版本 1.9.0.99 开始，多个数据的同步（相同或不同的时间框架）已更改为允许长度不同的数据。

如果希望保留旧的行为，并将 data0 设置为系统的主要数据，则将此参数设置为 true。

• tz（默认：None）

为策略添加全局时区。参数tz可以是

* `None`: in this case the datetime displayed by strategies will be
  in UTC, which has been always the standard behavior
* `pytz` instance. It will be used as such to convert UTC times to
  the chosen timezone
* `string`. Instantiating a `pytz` instance will be attempted.
* `integer`. Use, for the strategy, the same timezone as the
  corresponding `data` in the `self.datas` iterable (`0` would
  use the timezone from `data0`)

• cheat_on_open（默认：False）

在调用策略的next_open方法之前将会调用它。这发生在next之前，也发生在经纪人有机会评估订单之前。指标尚未重新计算。这允许发出一个订单，该订单考虑了前一天的指标，但使用open价格进行股份计算。

对于cheat_on_open订单执行，还需要调用cerebro.broker.set_coo(True)或使用BackBroker(coo=True)实例化一个经纪人（其中coo代表 cheat-on-open），或者将broker_coo参数设置为True。除非在下面禁用，否则 Cerebro 将自动执行此操作。

• broker_coo（默认：True）

这将自动调用经纪人的set_coo方法，并使用True来激活cheat_on_open执行。仅当cheat_on_open也为True时才执行。

• quicknotify（默认值：False）

经纪人通知将在下一个价格传递之前立即传递。 对于回测，这没有任何影响，但对于实时经纪人，通知可能会在交付柱形图之前很久就发生了。 当设置为 True 时，通知将尽快传递（请参阅实时数据源中的 qcheck）

设置为 False 以实现兼容性。 可能会更改为 True

addstorecb(callback)

添加一个回调来获取将由 notify_store 方法处理的消息

回调函数的签名必须支持以下内容：

• callback(msg, *args, **kwargs)

实际接收到的 msg、*args 和 **kwargs 取决于实现（完全依赖于 数据/经纪人/存储），但通常应该期望它们是可打印的，以便接收和实验。

notify_store(msg, *args, **kwargs)

在 cerebro 中接收存储通知

此方法可以在 Cerebro 的子类中重写

如果 name 不为 None，则将其放入 data._name 中，该参数用于装饰/绘图目的。

adddatacb(callback)

adddata(data, name=None)

向获取将由 notify_data 方法处理的消息添加一个回调

• callback(data, status, *args, **kwargs)

实际接收到的 *args 和 **kwargs 取决于实现（完全依赖于 数据/经纪人/存储），但通常应该期望它们是可打印的，以便接收和实验。

实际接收到的 msg、*args 和 **kwargs 取决于实现（完全依赖于 数据/经纪人/存储），但通常应该期望它们是可打印的，以便接收和实验。

在 cerebro 中接收数据通知

此方法可以在 Cerebro 的子类中重写

回调函数的签名必须支持以下内容：

notify_data(data, status, *args, **kwargs)

向组合中添加一个 Data Feed 实例。

添加一个 callback 来获取将由 notify_store 方法处理的消息

resampledata(dataname, name=None, **kwargs)

向系统添加一个将由系统重新采样的 Data Feed

如果 name 不为 None，则将其放入 data._name 中，该参数用于装饰/绘图目的。

任何其他支持重新采样过滤器的 kwargs，如 timeframe、compression、todate，都将被透明地传递

replaydata(dataname, name=None, **kwargs)

向系统添加一个将由系统重播的 Data Feed

如果 name 不为 None，则将其放入 data._name 中，该参数用于装饰/绘图目的。

任何其他支持回放过滤器的 kwargs，如 timeframe、compression、todate，都将被透明地传递

chaindata(*args, **kwargs)

将几个数据源串联成一个

如果 name 被传递为命名参数且不为 None，则将其放入 data._name 中，该参数用于装饰/绘图目的。

如果为 None，则将使用第 1 个数据的名称

rolloverdata(*args, **kwargs)

将几个数据源链接到一个数据源中

如果将 name 作为命名参数传递，并且不为 None，则将放入 data._name 中，用于装饰/绘图目的。

如果为 None，则将使用第 1 个数据的名称

任何其他的 kwargs 将传递给 RollOver 类

addstrategy(strategy, *args, **kwargs)

将 Strategy 类添加到混合中，以进行单次运行。实例化将在运行时发生。

args 和 kwargs 将像在实例化期间一样传递给策略。

返回用于引用其他对象（如调整器）的添加索引

optstrategy(strategy, *args, **kwargs)

将 Strategy 类添加到混合中以进行优化。实例化将在运行时发生。

args 和 kwargs 必须是可迭代的，其中包含要检查的值。

示例：如果一个策略接受一个参数 period，为了优化目的，optstrategy 的调用如下所示：

• cerebro.optstrategy(MyStrategy, period=(15, 25))

这将为值 15 和 25 执行优化。而

• cerebro.optstrategy(MyStrategy, period=range(15, 25))

将使用 period 值 15 -> 25（因为 Python 中的范围是半开放的，所以不包括 25）执行 MyStrategy

如果传递了一个参数，但不应该进行优化，则调用如下：

• cerebro.optstrategy(MyStrategy, period=(15,))

请注意，period 仍然传递为可迭代对象 … 只有 1 个元素

backtrader 将尝试识别诸如以下情况：

• cerebro.optstrategy(MyStrategy, period=15)

并在可能的情况下创建内部伪可迭代对象

optcallback(cb)

将 callback 添加到将在每个策略运行时调用的回调列表中进行优化

签名：cb(strategy)

addindicator(indcls, *args, **kwargs)

将 Indicator 类添加到混合中。实例化将在传递的策略的运行时完成

addobserver(obscls, *args, **kwargs)

将 Observer 类添加到混合中。实例化将在运行时完成

addobservermulti(obscls, *args, **kwargs)

将 Observer 类添加到混合中。实例化将在运行时完成

它将每个“数据”系统中添加一次。一个用例是观察单个数据的买入/卖出观察者。

反例是 CashValue，它观察系统范围的值

addanalyzer(ancls, *args, **kwargs)

将 Analyzer 类添加到混合中。实例化将在运行时完成

addwriter(wrtcls, *args, **kwargs)

将 Writer 类添加到混合中。实例化将在运行时在 cerebro 中完成

run(**kwargs)

执行回测的核心方法。传递给它的任何 kwargs 都会影响实例化时 Cerebro 的标准参数的值。

如果 cerebro 没有数据，则该方法将立即退出。

它具有不同的返回值：

• 对于无优化：包含使用 addstrategy 添加的策略类实例的列表
  
• 用于优化：包含使用addstrategy添加的 Strategy 类实例的列表的列表
  

runstop()

如果从策略内部或其他任何地方调用，包括其他线程，执行将尽快停止。

setbroker(broker)

为此策略设置特定的broker实例，替换从 cerebro 继承的实例。

getbroker()

返回经纪人实例。

这也可以作为名为broker的property使用

绘图（plotter=None，numfigs=1，iplot=True，start=None，end=None，width=16，height=9，dpi=300，tight=True，use=None，**kwargs）

在 cerebro 内部绘制策略

如果plotter为 None，则会创建一个默认的Plot实例，并在实例化期间将kwargs传递给它。

numfigs将绘图分成指定数量的图表，如果需要，可以减少图表密度

iplot：如果为True并在notebook中运行，则图表将内联显示

use：将其设置为所需 matplotlib 后端的名称。它将优先于iplot

start：策略或datetime.date、datetime.datetime实例的日期时间线数组的索引，指示绘图的开始

end：策略的日期时间线数组的索引或datetime.date、datetime.datetime实例，指示绘图的结束

width：保存图形的英寸

height：保存图形的英寸

dpi：保存图形的每英寸点数的质量

tight：仅保存实际内容而不是图形的框架

添加 sizer(sizercls，*args，**kwargs）

添加一个Sizer类（和 args），它是添加到 cerebro 的任何策略的默认 sizer

addsizer_byidx(idx，sizercls，*args，**kwargs）

按 idx 添加一个Sizer类。此 idx 是与addstrategy返回的兼容引用。只有由idx引用的策略将接收此大小

add_signal(sigtype，sigcls，*sigargs，**sigkwargs）

向系统添加一个信号，稍后将其添加到SignalStrategy中。

signal_concurrent(onoff)

如果向系统添加信号并且将concurrent值设置为 True，则将允许并发订单

signal_accumulate(onoff)

如果向系统添加信号并且将accumulate值设置为 True，则在已经进入市场时进入市场，将允许增加头寸

signal_strategy(stratcls，*args，**kwargs）

添加一个可以接受信号的 SignalStrategy 子类

addcalendar(cal)

向系统添加全局交易日历。个别数据源可能具有覆盖全局日历的单独日历

cal可以是TradingCalendar的实例、字符串或pandas_market_calendars的实例。字符串将被实例化为PandasMarketCalendar（需要系统中安装pandas_market_calendar模块。

如果传递的是 TradingCalendarBase 的子类（而不是实例），它将被实例化

BackTrader 中文文档（二）(4)https://developer.aliyun.com/article/1489219