BackTrader 中文文档（二）(4)-阿里云开发者社区

BackTrader 中文文档（二）(3)https://developer.aliyun.com/article/1489218

addtz(tz)

这也可以通过参数tz完成

为策略添加全局时区。参数tz可以是

None：在这种情况下，策略显示的日期时间将为 UTC，这一直是标准行为
pytz实例。将按此使用它将 UTC 时间转换为所选时区
string。将尝试实例化一个pytz实例。
integer。对于策略，使用与self.datas可迭代对象中相应data相同的时区（0将使用来自data0的时区）

add_timer(when, offset=datetime.timedelta(0), repeat=datetime.timedelta(0), weekdays=[], weekcarry=False, monthdays=[], monthcarry=True, allow=None, tzdata=None, strats=False, cheat=False, *args, **kwargs)

安排定时器以调用notify_timer

参数when(-) – 可以是

datetime.time实例（见下文tzdata）
bt.timer.SESSION_START表示会话开始
bt.timer.SESSION_END表示会话结束
必须是datetime.timedelta实例的offset

用于偏移值when。与SESSION_START和SESSION_END结合使用时，它具有有意义的用途，用于指示诸如在会话开始后15 分钟调用定时器之类的事情。

必须是datetime.timedelta实例的repeat
指示如果在第 1 次调用后，后续调用将在同一会话中按计划的repeat增量中安排
一旦定时器超过会话结束，它将被重置为when的原始值
weekdays：一个排序的可迭代对象，其中的整数表示可以实际调用定时器的日期（ISO 代码，星期一为 1，星期日为 7）
如果未指定，定时器将在所有日期上都处于活动状态。
weekcarry（默认值：False）。如果为True且周几未见（例如：交易假期），则定时器将在下一天执行（即使在新的一周中）
monthdays：一个排序的可迭代对象，其中的整数表示定时器必须执行的月份中的哪一天。例如，每个月的第15天始终执行
如果未指定，定时器将在所有日期上都处于活动状态
monthcarry（默认值：True）。如果当天没有看到（周末、交易假期），则定时器将在下一个可用日期执行。
allow（默认值：None）。一个回调函数，接收一个datetime.date实例，并返回True如果该日期允许定时器，否则返回False
tzdata可以是None（默认值），一个pytz实例或一个data feed实例。
None：when按面值解释（即使它不是 UTC，也会处理它）
pytz实例：when将被解释为时区实例指定的本地时间。
data feed实例：when将被解释为数据源实例的tz参数指定的本地时间。
注意
如果when是SESSION_START或SESSION_END且tzdata为None，则系统中的第 1 个数据源（也称为self.data0）将用作查找会话时间的参考。
strats（默认值：False）还会调用策略的notify_timer
cheat（默认为 False）如果为 True，则会在经纪人有机会评估订单之前调用计时器。例如，在交易会话开始之前，可以根据开盘价下订单。
*args: 任何额外的参数都将传递给 notify_timer。
**kwargs: 任何额外的关键字参数都将传递给 notify_timer。

返回值：

创建的计时器

notify_timer(timer, when, *args, **kwargs)

接收计时器通知，其中 timer 是由 add_timer 返回的计时器，when 是调用时间。args 和 kwargs 是传递给 add_timer 的任何额外参数。

实际的 when 时间可能会晚一些，但系统可能无法在之前调用计时器。该值是计时器值，而不是系统时间。

add_order_history(orders, notify=True)

将订单历史记录添加到经纪人中，以供性能评估直接执行

orders: 是一个可迭代对象（例如列表、元组、迭代器、生成器），其中每个元素也将是一个具有以下子元素的可迭代对象（有 2 种格式）[datetime, size, price]或[datetime, size, price, data]注意必须按照日期时间升序排序（或生成排序的元素）。其中：

datetime 是一个 python date/datetime 实例，或者是一个格式为 YYYY-MM-DD[THH:MM:SS[.us]] 的字符串，方括号中的元素是可选的。
size 是一个整数（买入为正，卖出为负）
price 是一个浮点数/整数
如果存在data，则可以采用以下任何值

None - 将使用第 1 个数据源作为目标。
integer - 将使用该索引对应的数据（在Cerebro中的插入顺序）。
string - 该名称的数据，例如通过 cerebro.addata(data, name=value) 分配，将作为目标。

notify（默认值：True）
如果设为 True，则会通知系统中插入的第 1 个策略，其会根据每个订单中的信息创建人工订单。

注意

隐含在描述中的是需要添加一个数据源，该数据源是订单的目标。例如，分析器需要追踪回报率。

节省内存

www.backtrader.com/docu/memory-savings/memory-savings/

发布版本 1.3.1.92已经重新设计并完全实现了先前存在的节省内存方案，尽管没有受到太多宣传并且使用较少。

backtrader曾经（并将继续）在内存较大的机器上开发，并且与通过绘图提供的视觉反馈是一个必需的美好事物相结合，使得设计决策变得容易：将所有内容保存在内存中。

这个决定有一些缺点：

用于数据存储的array.array在超过某些限制时必须分配和移动数据。
RAM 较少的机器可能会受到影响。
连接到可以在线运行数周/数月、提供数千秒/分钟分辨率 ticks 的实时数据源

后者比第一点更加重要，因为另一个设计决定是为了 backtrader：

必须是纯 Python，以便在需要时在嵌入式系统中运行。
将来的一个场景可能是 backtrader 连接到第二台机器，该机器提供实时数据源，而 backtrader 本身运行在类似 Raspberry Pi 或甚至更有限的设备上，如 ADSL 路由器（AVM Frit!Box 7490，带有 Freetz 映像）

因此需要 backtrader 支持动态内存方案。现在 Cerebro 可以使用以下语义进行实例化或run：

exactbars（默认值：False）默认值为False，每个存储在一行中的值都会保存在内存中。可能的值：

True或1：所有“lines”对象将内存使用量减少到自动计算的最小周期。如果简单移动平均值的周期为 30，底层数据将始终具有 30 个条形图的运行缓冲区，以允许计算简单移动平均值

此设置将停用preload和runonce。
使用此设置还会停用plotting。

-1：在策略级别，数据和指标/操作将保留所有数据在内存中。例如：RSI在内部使用指标UpDay进行计算。此子指标将不会将所有数据保存在内存中。

这允许保持plotting和preloading处于活动状态。
runonce将被停用。

-2：作为策略属性保留的数据和指标将在内存中保存所有数据。例如：RSI在内部使用指标UpDay进行计算。此子指标将不会将所有数据保存在内存中。如果在__init__中定义了类似a = self.data.close - self.data.high这样的内容，则a将不会将所有数据保存在内存中。

这允许保持plotting和preloading处于活动状态。
runonce将被停用。

一如既往，一个例子胜过千言万语。一个示例脚本显示了差异。它针对 1996 年至 2015 年的 Yahoo 每日数据运行，总共 4965 天。

注意

这只是一个小样本。每天交易 14 小时的 EuroStoxx50 期货，在仅 1 个月的交易中将产生大约 18000 个 1 分钟的 K 线。

执行脚本 1^(st)以查看在不请求内存节省时使用了多少内存位置：

$ ./memory-savings.py --save 0
Total memory cells used: 506430

对于 1 级（总储蓄）：

$ ./memory-savings.py --save 1
Total memory cells used: 2041

天啊！！！从五十万跌至2041。确实。系统中的每个lines对象都使用collections.deque作为缓冲区（而不是array.array），并且长度被限制在绝对需要的最小值以进行请求的操作。例如：

在数据源上使用期间为30的SimpleMovingAverage策略。

在这种情况下，将进行以下调整：

数据源将具有30个位置的缓冲区，这是SimpleMovingAverage产生下一个值所需的数量
SimpleMovingAverage将有一个1位置的缓冲区，因为除非其他指标需要（这些指标将依赖于移动平均线），否则不需要保留较大的缓冲区。

注意

这种模式最吸引人且可能最重要的功能是，所使用的内存量在脚本的整个生命周期内保持不变。

无论数据源的大小如何。

如果例如连接到长时间的实时数据源，则这将非常有用。

但请注意：

绘图不可用
还有其他的内存消耗来源，随着时间的推移会积累，比如策略生成的orders。
此模式只能在cerebro中的runonce=False时使用。对于实时数据源，这也是强制性的，但在简单回测的情况下，这比runonce=True慢。
肯定有一个权衡点，从而内存管理比逐步执行回测更昂贵，但这只能由平台的最终用户在每个案例中进行判断。

现在是负级别。这些级别旨在在仍然节省相当数量的内存的同时保持绘图可用。第一级别-1：

$ ./memory-savings.py --save -1
Total memory cells used: 184623

在这种情况下，指标的第 1 级别（在策略中声明的那些）保持其完整长度的缓冲区。但是如果这些指标依赖于其他指标（这就是情况），则子对象将被长度限制。在这种情况下，我们已经从：

506430个内存位置到-> 184623

超过 50%的节省。

注意

当然，array.array对象已被collections.deque所取代，这在内存方面更昂贵，尽管在操作方面更快。但是collections.deque对象相当小，并且节省了大致计算的内存位置的使用。

现在是级别-2，这也是为了节省在策略级别上声明的指标的内存，这些指标已被标记为不需要绘制：

$ ./memory-savings.py --save -2
Total memory cells used: 174695

现在没有保存太多。这是因为一个单独的指标已被标记为不需要绘制：TestInd().plotinfo.plot = False

让我们看看来自最后一个示例的绘图：

$ ./memory-savings.py --save -2 --plot
Total memory cells used: 174695

对于感兴趣的读者，示例脚本可以生成对指标层次结构中遍历的每个行对象的详细分析。运行时启用绘图（保存在-1）：

$ ./memory-savings.py --save -1 --lendetails
-- Evaluating Datas
---- Data 0 Total Cells 34755 - Cells per Line 4965
-- Evaluating Indicators
---- Indicator 1.0 Average Total Cells 30 - Cells per line 30
---- SubIndicators Total Cells 1
---- Indicator 1.1 _LineDelay Total Cells 1 - Cells per line 1
---- SubIndicators Total Cells 1
...
---- Indicator 0.5 TestInd Total Cells 9930 - Cells per line 4965
---- SubIndicators Total Cells 0
-- Evaluating Observers
---- Observer 0 Total Cells 9930 - Cells per Line 4965
---- Observer 1 Total Cells 9930 - Cells per Line 4965
---- Observer 2 Total Cells 9930 - Cells per Line 4965
Total memory cells used: 184623

同样的，但启用了最大节省（1）：

$ ./memory-savings.py --save 1 --lendetails
-- Evaluating Datas
---- Data 0 Total Cells 266 - Cells per Line 38
-- Evaluating Indicators
---- Indicator 1.0 Average Total Cells 30 - Cells per line 30
---- SubIndicators Total Cells 1
...
---- Indicator 0.5 TestInd Total Cells 2 - Cells per line 1
---- SubIndicators Total Cells 0
-- Evaluating Observers
---- Observer 0 Total Cells 2 - Cells per Line 1
---- Observer 1 Total Cells 2 - Cells per Line 1
---- Observer 2 Total Cells 2 - Cells per Line 1

第二个输出立即显示了数据源中的行数被限制为38个内存位置，而不是完整数据源长度4965。

并且指标和观察者在可能的情况下被限制为1，如输出的最后几行所示。

脚本代码和用法

在backtrader的源代码中可作为示例使用。用法：

$ ./memory-savings.py --help
usage: memory-savings.py [-h] [--data DATA] [--save SAVE] [--datalines]
                         [--lendetails] [--plot]
Check Memory Savings
optional arguments:
  -h, --help    show this help message and exit
  --data DATA   Data to be read in (default: ../../datas/yhoo-1996-2015.txt)
  --save SAVE   Memory saving level [1, 0, -1, -2] (default: 0)
  --datalines   Print data lines (default: False)
  --lendetails  Print individual items memory usage (default: False)
  --plot        Plot the result (default: False)

代码：

from __future__ import (absolute_import, division, print_function,
                        unicode_literals)
import argparse
import sys
import backtrader as bt
import backtrader.feeds as btfeeds
import backtrader.indicators as btind
import backtrader.utils.flushfile
class TestInd(bt.Indicator):
    lines = ('a', 'b')
    def __init__(self):
        self.lines.a = b = self.data.close - self.data.high
        self.lines.b = btind.SMA(b, period=20)
class St(bt.Strategy):
    params = (
        ('datalines', False),
        ('lendetails', False),
    )
    def __init__(self):
        btind.SMA()
        btind.Stochastic()
        btind.RSI()
        btind.MACD()
        btind.CCI()
        TestInd().plotinfo.plot = False
    def next(self):
        if self.p.datalines:
            txt = ','.join(
                ['%04d' % len(self),
                 '%04d' % len(self.data0),
                 self.data.datetime.date(0).isoformat()]
            )
            print(txt)
    def loglendetails(self, msg):
        if self.p.lendetails:
            print(msg)
    def stop(self):
        super(St, self).stop()
        tlen = 0
        self.loglendetails('-- Evaluating Datas')
        for i, data in enumerate(self.datas):
            tdata = 0
            for line in data.lines:
                tdata += len(line.array)
                tline = len(line.array)
            tlen += tdata
            logtxt = '---- Data {} Total Cells {} - Cells per Line {}'
            self.loglendetails(logtxt.format(i, tdata, tline))
        self.loglendetails('-- Evaluating Indicators')
        for i, ind in enumerate(self.getindicators()):
            tlen += self.rindicator(ind, i, 0)
        self.loglendetails('-- Evaluating Observers')
        for i, obs in enumerate(self.getobservers()):
            tobs = 0
            for line in obs.lines:
                tobs += len(line.array)
                tline = len(line.array)
            tlen += tdata
            logtxt = '---- Observer {} Total Cells {} - Cells per Line {}'
            self.loglendetails(logtxt.format(i, tobs, tline))
        print('Total memory cells used: {}'.format(tlen))
    def rindicator(self, ind, i, deep):
        tind = 0
        for line in ind.lines:
            tind += len(line.array)
            tline = len(line.array)
        thisind = tind
        tsub = 0
        for j, sind in enumerate(ind.getindicators()):
            tsub += self.rindicator(sind, j, deep + 1)
        iname = ind.__class__.__name__.split('.')[-1]
        logtxt = '---- Indicator {}.{}  {} Total Cells {} - Cells per line {}'
        self.loglendetails(logtxt.format(deep, i, iname, tind, tline))
        logtxt = '---- SubIndicators Total Cells {}'
        self.loglendetails(logtxt.format(deep, i, iname, tsub))
        return tind + tsub
def runstrat():
    args = parse_args()
    cerebro = bt.Cerebro()
    data = btfeeds.YahooFinanceCSVData(dataname=args.data)
    cerebro.adddata(data)
    cerebro.addstrategy(
        St, datalines=args.datalines, lendetails=args.lendetails)
    cerebro.run(runonce=False, exactbars=args.save)
    if args.plot:
        cerebro.plot(style='bar')
def parse_args():
    parser = argparse.ArgumentParser(
        formatter_class=argparse.ArgumentDefaultsHelpFormatter,
        description='Check Memory Savings')
    parser.add_argument('--data', required=False,
                        default='../../datas/yhoo-1996-2015.txt',
                        help='Data to be read in')
    parser.add_argument('--save', required=False, type=int, default=0,
                        help=('Memory saving level [1, 0, -1, -2]'))
    parser.add_argument('--datalines', required=False, action='store_true',
                        help=('Print data lines'))
    parser.add_argument('--lendetails', required=False, action='store_true',
                        help=('Print individual items memory usage'))
    parser.add_argument('--plot', required=False, action='store_true',
                        help=('Plot the result'))
    return parser.parse_args()
if __name__ == '__main__':
    runstrat()

BackTrader 中文文档（二）(4)

addtz(tz)

add_timer(when, offset=datetime.timedelta(0), repeat=datetime.timedelta(0), weekdays=[], weekcarry=False, monthdays=[], monthcarry=True, allow=None, tzdata=None, strats=False, cheat=False, *args, **kwargs)

notify_timer(timer, when, *args, **kwargs)

add_order_history(orders, notify=True)

节省内存

脚本代码和用法

热门文章

最新文章

相关电子书

热门

活动广场

任务中心

开发者评测

高校计划

乘风者计划

训练营

阿里云MVP

话题

直播

下载

镜像站

技术资料

插件

BackTrader 中文文档（二）(4)

addtz(tz)

add_timer(when, offset=datetime.timedelta(0), repeat=datetime.timedelta(0), weekdays=[], weekcarry=False, monthdays=[], monthcarry=True, allow=None, tzdata=None, strats=False, cheat=False, *args, **kwargs)

notify_timer(timer, when, *args, **kwargs)

add_order_history(orders, notify=True)

节省内存

脚本代码和用法

热门文章

最新文章

相关电子书