BackTrader 中文文档（三）(2)https://developer.aliyun.com/article/1489228
数据重新采样
当数据仅在单个时间框架中可用并且必须为不同时间框架进行分析时，是进行一些重新采样的时候了。
“重新取样”实际上应该称为“上取样”，因为从一个源时间框架到一个更大的时间框架（例如：从天到周）
通过将原始数据通过过滤器对象传递给 backtrader 来支持重新采样。虽然有几种实现方法，但存在一种简单的接口来实现：
- 使用
cerebro.adddata(data)将data放入系统中，而不是cerebro.resampledata(data, **kwargs)
有两个主要选项可以控制
- 调整时间范围
- 压缩条
要这样做，请在调用resampledata时使用以下参数：
timeframe（默认：bt.TimeFrame.Days）
目标时间范围，必须等于或大于源时间compression（默认：1）
将选定值“n”压缩为 1 条
让我们看一个从每日到每周的手工脚本示例：
$ ./resampling-example.py --timeframe weekly --compression 1
输出：
我们可以将其与原始的每日数据进行比较：
$ ./resampling-example.py --timeframe daily --compression 1
输出：
通过执行以下步骤完成魔术：
- 像往常一样加载数据
- 将数据使用
resampledata与所需参数输入到 cerebro 中：
timeframecompression
样本中的代码（整个脚本在底部）。
# Load the Data datapath = args.dataname or '../../datas/2006-day-001.txt' data = btfeeds.BacktraderCSVData(dataname=datapath) # Handy dictionary for the argument timeframe conversion tframes = dict( daily=bt.TimeFrame.Days, weekly=bt.TimeFrame.Weeks, monthly=bt.TimeFrame.Months) # Add the resample data instead of the original cerebro.resampledata(data, timeframe=tframes[args.timeframe], compression=args.compression)
最后一个示例，我们首先将时间框架从每日更改为每周，然后应用 3 比 1 的压缩：
$ ./resampling-example.py --timeframe weekly --compression 3
输出：
从原始的 256 个每日条到 18 个 3 周条。拆分：
- 52 周
- 52 / 3 = 17.33，因此 18 个条
也不需要更多。当然，分时数据也可以重新采样。
重新采样过滤器支持附加参数，在大多数情况下不应该触及：
bar2edge（默认：True）
使用时间边界作为目标的重新采样。例如，使用“ticks -> 5 秒”，结果为 5 秒的条将与 xx:00、xx:05、xx:10 对齐…adjbartime（默认：True）
使用边界时间来调整传递的重新采样条的时间，而不是最后一次看到的时间戳。例如，如果重新采样到“5 秒”，则条的时间将被调整为 hh05，即使最后一次看到的时间戳是 hh04.33。
注意
如果“bar2edge”为 True，只会调整时间。如果条未对齐到边界，调整时间是没有意义的rightedge（默认：True）
使用时间边界的右边来设置时间。
如果为 False 并且将重采样的间隔压缩到 5 秒，则在 hh00 和 hh04 之间的秒钟的情况下，重采样条的时间将为 hh00（起始边界
如果为 True，则时间的使用边界将为 hh05（结束边界）boundoff（默认值：0）将重采样/重播的边界推进单位数量。例如，如果重采样的时间从1 分钟到15 分钟，则默认行为是从00:01:00到00:15:00取 1 分钟的条来生成一个 15 分钟的重播/重采样条。如果boundoff设置为1，则边界向前推进1 个单位。 在这种情况下，原始的单位是一个1 分钟的条。 因此，现在重采样/重播将会：
- 使用从 00:00:00 到 00:14:00 的条来生成 15 分钟的条
重采样测试脚本的示例代码。
from __future__ import (absolute_import, division, print_function, unicode_literals) import argparse import backtrader as bt import backtrader.feeds as btfeeds def runstrat(): args = parse_args() # Create a cerebro entity cerebro = bt.Cerebro(stdstats=False) # Add a strategy cerebro.addstrategy(bt.Strategy) # Load the Data datapath = args.dataname or '../../datas/2006-day-001.txt' data = btfeeds.BacktraderCSVData(dataname=datapath) # Handy dictionary for the argument timeframe conversion tframes = dict( daily=bt.TimeFrame.Days, weekly=bt.TimeFrame.Weeks, monthly=bt.TimeFrame.Months) # Add the resample data instead of the original cerebro.resampledata(data, timeframe=tframes[args.timeframe], compression=args.compression) # Run over everything cerebro.run() # Plot the result cerebro.plot(style='bar') def parse_args(): parser = argparse.ArgumentParser( description='Pandas test script') parser.add_argument('--dataname', default='', required=False, help='File Data to Load') parser.add_argument('--timeframe', default='weekly', required=False, choices=['daily', 'weekly', 'monhtly'], help='Timeframe to resample to') parser.add_argument('--compression', default=1, required=False, type=int, help='Compress n bars into 1') return parser.parse_args() if __name__ == '__main__': runstrat()
数据 - 回放
时间已经过去，针对完全形成和关闭的每日柱进行策略测试是好的，但可以更好。
这就是数据回放发挥作用的地方。如果：
- 该策略在时间框架 X 的数据上运行（示例：每日）
且
- 较小时间框架 Y 的数据（示例：1 分钟）可用
数据回放正是其名称所示的：
- 使用 1 分钟数据重放每日柱
当然，这并不完全是市场的发展方式，但比孤立地查看每日完全形成和关闭的柱要好得多：
如果策略在形成日柱时实时运行，则柱的形成近似会给予机会复制策略在实际条件下的实际行为
实施数据回放遵循backtrader的常规使用模式
- 加载数据源
- 将数据传递给 cerebro，使用
replaydata - 添加一个策略
注意
当数据被重新播放时，不支持预加载，因为每个柱实际上是实时构建的。它将自动在任何Cerebro实例中禁用。
可以传递给replaydata的参数：
timeframe(默认值：bt.TimeFrame.Days)
目标时间框架必须与源时间框架相等或更大才能发挥作用compression(默认值：1)
将所选值“n”压缩为 1 根柱
扩展参数（如果不是真正需要，请勿修改）：
bar2edge(默认值：True)
使用时间边界作为封闭柱的目标进行回放。例如，“ticks -> 5 seconds”，生成的 5 秒柱将对齐到 xx:00、xx:05、xx:10 等。adjbartime(默认值：False)
使用边界处的时间来调整交付的重新采样柱的时间，而不是上次看到的时间戳。例如，如果重新采样为“5 秒”，则柱的时间将被调整为 hh05，即使上次看到的时间戳是 hh04.33。
注意：仅当“bar2edge”为 True 时才会调整时间。如果柱未对齐到边界，调整时间是没有意义的rightedge(默认值：True)
使用时间边界的右边缘来设置时间。
如果为 False，并且压缩到 5 秒，则对于 hh00 和 hh04 之间的秒数，重新采样柱的时间将是 hh00（起始边界
如果为 True，则用于时间的边界将是 hh05（结束边界）
为了与示例一起工作，将标准的 2006 年日常数据按周重放。这意味着：
- 最终将有 52 个柱，每周一个
- Cerebro 将总共调用
prenext和next255 次，这是每日 K 线的原始计数
技巧：
- 当周 K 线形成时，策略的长度（
len(self)）将保持不变。 - 每到新的一周，长度将增加一次
下面是一些示例，但首先是测试脚本的源码，其中数据被加载并通过replaydata传递给 cerebro，然后运行。
# Load the Data datapath = args.dataname or '../../datas/2006-day-001.txt' data = btfeeds.BacktraderCSVData(dataname=datapath) # Handy dictionary for the argument timeframe conversion tframes = dict( daily=bt.TimeFrame.Days, weekly=bt.TimeFrame.Weeks, monthly=bt.TimeFrame.Months) # First add the original data - smaller timeframe cerebro.replaydata(data, timeframe=tframes[args.timeframe], compression=args.compression)
示例 - 每日重放到周线
脚本的调用：
$ ./replay-example.py --timeframe weekly --compression 1
不幸的是，图表无法向我们展示背景中真实发生的事情，所以让我们看看控制台输出：
prenext len 1 - counter 1 prenext len 1 - counter 2 prenext len 1 - counter 3 prenext len 1 - counter 4 prenext len 1 - counter 5 prenext len 2 - counter 6 ... ... prenext len 9 - counter 44 prenext len 9 - counter 45 ---next len 10 - counter 46 ---next len 10 - counter 47 ---next len 10 - counter 48 ---next len 10 - counter 49 ---next len 10 - counter 50 ---next len 11 - counter 51 ---next len 11 - counter 52 ---next len 11 - counter 53 ... ... ---next len 51 - counter 248 ---next len 51 - counter 249 ---next len 51 - counter 250 ---next len 51 - counter 251 ---next len 51 - counter 252 ---next len 52 - counter 253 ---next len 52 - counter 254 ---next len 52 - counter 255
正如我们所看到的，内部的self.counter变量正在跟踪每次调用prenext或next。前者在应用简单移动平均产生值之前调用。后者在简单移动平均产生值时调用。
关键：
- 策略的长度（len(self)）每 5 根 K 线（一周 5 个交易日）变化一次
策略有效地看到：
- 每周 K 线如何在 5 次迭代中发展。
再次强调，这并不复制市场的实际逐笔（甚至不是分钟、小时）发展，但比看到一根 K 线要好。
可视化输出是周线图表，这是系统正在进行测试的最终结果。
示例 2 - 每日到每日的压缩
当然，“重放”也可以应用于相同的时间框架，但进行压缩。
控制台：
$ ./replay-example.py --timeframe daily --compression 2 prenext len 1 - counter 1 prenext len 1 - counter 2 prenext len 2 - counter 3 prenext len 2 - counter 4 prenext len 3 - counter 5 prenext len 3 - counter 6 prenext len 4 - counter 7 ... ... ---next len 125 - counter 250 ---next len 126 - counter 251 ---next len 126 - counter 252 ---next len 127 - counter 253 ---next len 127 - counter 254 ---next len 128 - counter 255
这次我们得到了预期的一半 K 线，因为请求的压缩因子是 2。
图表：
结论
可以重建市场发展的过程。通常会有一组较小时间框架的数据可用，并且可以用来离散地重放系统运行的时间框架。
测试脚本。
from __future__ import (absolute_import, division, print_function, unicode_literals) import argparse import backtrader as bt import backtrader.feeds as btfeeds import backtrader.indicators as btind class SMAStrategy(bt.Strategy): params = ( ('period', 10), ('onlydaily', False), ) def __init__(self): self.sma = btind.SMA(self.data, period=self.p.period) def start(self): self.counter = 0 def prenext(self): self.counter += 1 print('prenext len %d - counter %d' % (len(self), self.counter)) def next(self): self.counter += 1 print('---next len %d - counter %d' % (len(self), self.counter)) def runstrat(): args = parse_args() # Create a cerebro entity cerebro = bt.Cerebro(stdstats=False) cerebro.addstrategy( SMAStrategy, # args for the strategy period=args.period, ) # Load the Data datapath = args.dataname or '../../datas/2006-day-001.txt' data = btfeeds.BacktraderCSVData(dataname=datapath) # Handy dictionary for the argument timeframe conversion tframes = dict( daily=bt.TimeFrame.Days, weekly=bt.TimeFrame.Weeks, monthly=bt.TimeFrame.Months) # First add the original data - smaller timeframe cerebro.replaydata(data, timeframe=tframes[args.timeframe], compression=args.compression) # Run over everything cerebro.run() # Plot the result cerebro.plot(style='bar') def parse_args(): parser = argparse.ArgumentParser( description='Pandas test script') parser.add_argument('--dataname', default='', required=False, help='File Data to Load') parser.add_argument('--timeframe', default='weekly', required=False, choices=['daily', 'weekly', 'monhtly'], help='Timeframe to resample to') parser.add_argument('--compression', default=1, required=False, type=int, help='Compress n bars into 1') parser.add_argument('--period', default=10, required=False, type=int, help='Period to apply to indicator') return parser.parse_args() if __name__ == '__main__': runstrat()
BackTrader 中文文档（三）(4)https://developer.aliyun.com/article/1489230
