大家好，我是讯享网，很高兴认识大家。

就选它

Backtrader 是 2015 年开源的 Python 量化回测框架（支持实盘交易），功能丰富，操作方便灵活：

• 品种多：股票、期货、期权、外汇、数字货币；
• 周期全：Ticks 级、秒级、分钟级、日度、周度、月度、年度；
• 速度快：pandas 矢量运算、多策略并行运算；
• 组件多：内置 Ta-lib 技术指标库、PyFlio 分析模块、plot 绘图模块、参数优化等；
• 超灵活：即可以随意搭配组件，又支持扩展自己开发的功能，想怎么玩就怎么玩；
• 社区活跃、帮助文档齐全，官网：https://www.backtrader.com/。

如果你想在本地通过 Python 尽可能“随心所欲”的进行策略回测和交易，选它！选它！选它！就选它！

Bcaktrader 的安装很简单，不依赖额外的库，除了绘图时依赖的 matplotlib 库（版本要求是 >=1.4.1）：

# 若已经安装了 matplotlib ，只需安装 backtrader pip install backtrader # 若没有安装 matplotlib，可将其与 backtrader 一起安装 pip install backtrader[plotting]

讯享网

看图识 Backtrader

下图是 Bcaktrader 的主要模块，Backtrader 以“大脑”cerebro 为统一的调度中心，数据、策略、回测条件等信息都会导入 cerebro 中，并由 cerebro 启动和完成回测，最后返回回测结果：

讯享网

Backtrader各模块各司其职，对模块进行灵活的配置可满足绝大部分的回测需求。通常的回测流程如下：

step 1：构建策略

• 确定策略潜在的可调参数；
• 计算策略中用于生成交易信号的指标；
• 按需打印交易信息；
• 编写买入、卖出的交易逻辑。

step 2：实例化策略引擎 cerebro，由 cerebro 来驱动回测

• 由 DataFeeds 加载数据，再将加载的数据添加给 cerebro；
• 将上一步生成的策略添加给 cerebro；
• 按需添加策略分析指标或观测器；
• 通过运行 cerebro.run() 来启动回测；
• 回测完成后，按需运行 cerebro.plot() 进行回测结果可视化展示。

用一张图总结以上步骤：

 Backtrader 回测代码编写流程如下：

讯享网import backtrader as bt # 导入 Backtrader import backtrader.indicators as btind # 导入策略分析模块 import backtrader.feeds as btfeeds # 导入数据模块 # 创建策略 class TestStrategy(bt.Strategy): # 可选，设置回测的可变参数：如移动均线的周期 params = ( (...,...), # 最后一个“,”最好别删！ ) def log(self, txt, dt=None): '''可选，构建策略打印日志的函数：可用于打印订单记录或交易记录等''' dt = dt or self.datas[0].datetime.date(0) print('%s, %s' % (dt.isoformat(), txt)) def __init__(self): '''必选，初始化属性、计算指标等''' pass def notify_order(self, order): '''可选，打印订单信息''' pass def notify_trade(self, trade): '''可选，打印交易信息''' pass def next(self): '''必选，编写交易策略逻辑''' sma = btind.SimpleMovingAverage(...) # 计算均线 pass # 实例化 cerebro cerebro = bt.Cerebro() # 通过 feeds 读取数据 data = btfeeds.BacktraderCSVData(...) # 将数据传递给 “大脑” cerebro.adddata(data) # 通过经纪商设置初始资金 cerebro.broker.setcash(...) # 设置单笔交易的数量 cerebro.addsizer(...) # 设置交易佣金 cerebro.broker.setcommission(...) # 添加策略 cerebro.addstrategy(TestStrategy) # 添加策略分析指标 cerebro.addanalyzer(...) # 添加观测器 cerebro.addobserver(...) # 启动回测 cerebro.run() # 可视化回测结果 cerebro.plot()

牛刀小试

策略说明

下面就参照上面的模板，一步步教大家如何用 Backtrader 进行选股回测 。本文省去了选股过程，直接提供最终的选股结果，然后对选股结果做回测，具体的回测条件如下：

数据说明

测试用到 2 个数据集，一个是日度历史行情数据，另一个是最终的选股结果数据集 。

1、日度行情数据集

测试用的数据集 daily_price.csv 对应的是 510 只股票各自从 2019-01-02 至 2021-01-28 的日度行情数据（后复权），共有 8 个字段，除 sec_code 字段外，其余 7 个字段是 Data Feeds 导入 DataFrame 数据时默认必须包含的字段：

daily_price = pd.read_csv("daily_price.csv", parse_dates=['datetime']) daily_price datetime sec_code open high low close volume openinterest 0 2019-01-02 .SH 33.064891 33. 31. 32.  0 1 2019-01-02 .SH 50. 51. 50. 51.  0 2 2019-01-02 .SH 148. 150. 148. 149.  0 3 2019-01-02 000750.SZ 49. 53. 48. 51.  0 ... ... ... ... ... ... ... ... ...  2021-01-28 .SZ 134. 137. 130. 131.  0  2021-01-28 .SH 39. 39. 38. 38.  0  2021-01-28 .SH 47. 49. 46. 46.  0  2021-01-28 .SH 204. 210. 199. 199.  0  rows × 8 columns

2、月末调仓成分股数据集

测试用的数据集 trade_info.csv 就是最终的选股结果，共包含 3 个字段：trade_date 调仓期（每月最后一个交易日）、sec_code 持仓成分股代码、weight 持仓权重 。

讯享网trade_info = pd.read_csv("trade_info.csv", parse_dates=['trade_date']) trade_info trade_date sec_code weight 0 2019-01-31 000006.SZ 0.007282 1 2019-01-31 000008.SZ 0.009783 2 2019-01-31 000025.SZ 0.006928 3 2019-01-31 000090.SZ 0.007234 ... ... ... ... 2491 2021-01-28 .SH 0.019291 2492 2021-01-28 .SH 0.022646 2493 2021-01-28 .SH 0.018611 2494 2021-01-28 .SH 0.007600 2495 rows × 3 columns

3、导入 backtrader，构建“大脑”

导入 backtrader 时，约定俗成的将其缩写为 bt 。由于回测用到的各种原材料都是需要被添加给“大脑” cerebro的，所以最开始可以先实例化大脑：

import backtrader as bt # 导入 Backtrader # 实例化 cerebro cerebro = bt.Cerebro()

如果没啥感觉，可以运行如下代码小试一下，若返回下面的结果，恭喜你！成功完成一个“空”回测 ~ 

讯享网import backtrader as bt # 导入 Backtrader # 实例化 cerebro cerebro = bt.Cerebro() # 打印初始资金 print('Starting Portfolio Value: %.2f' % cerebro.broker.getvalue()) # 启动回测 cerebro.run() # 打印回测完成后的资金 print('Final Portfolio Value: %.2f' % cerebro.broker.getvalue()) Starting Portfolio Value: 10000.00 Final Portfolio Value: 10000.00

4、如何导入多只股票的历史行情数据？

Backtrader 通过 DataFeeds 模块来导入各式各样的数据。由于读取 daily_price.csv 文件后就生成了 DataFrame 表格，所以选用 DataFeeds 的 PandasData() 方法来导入，导入的 DataFrame 有默认的格式要求：

• 以交易日 'datetime' 为 index

• 列为

  'open'、'high'、'low'、'close'、'volume'、'openinterest' 字段 

该如何导入本次回测用到的 510 只股票的数据，并让 Backtrader 知道这是哪只股票的数据？我们采用的是循环导入的方式，每次循环导入一只股票的数据并将数据名称命名为股票名，如下所示：

# 按股票代码，依次循环传入数据 for stock in daily_price['sec_code'].unique(): # 日期对齐 data = pd.DataFrame(index=daily_price.index.unique()) # 获取回测区间内所有交易日 df = daily_price.query(f"sec_code=='{stock}'")[['open','high','low','close','volume','openinterest']] data_ = pd.merge(data, df, left_index=True, right_index=True, how='left') # 缺失值处理：日期对齐时会使得有些交易日的数据为空，所以需要对缺失数据进行填充 data_.loc[:,['volume','openinterest']] = data_.loc[:,['volume','openinterest']].fillna(0) data_.loc[:,['open','high','low','close']] = data_.loc[:,['open','high','low','close']].fillna(method='pad') data_.loc[:,['open','high','low','close']] = data_.loc[:,['open','high','low','close']].fillna(0) # 导入数据 datafeed = bt.feeds.PandasData(dataname=data_, fromdate=datetime.datetime(2019,1,2), todate=datetime.datetime(2021,1,28)) cerebro.adddata(datafeed, name=stock) # 通过 name 实现数据集与股票的一一对应 print(f"{stock} Done !")

在导入多只股票数据时需注意以下细节：

▪ 各股交易日不统一：上市日期不一致、退市日期不一致、回测区间内出现停牌等，都会使得不同股票各自的交易日数量不统一，所以要以回测区间内所有交易日为基础，对每只股票缺失的交易日进行补齐；

▪ 行情数据缺失：在补齐交易日过程中，会使得补充的交易日缺失行情数据，需对缺失数据进行填充。比如将缺失的 volume 填充为 0，表示股票无法交易的状态；将缺失的高开低收做前向填充；将上市前缺失的高开低收填充为 0 等；

▪ 股票与行情数据的匹配：通过设置 adddata() 方法中 name 参数，来实现数据集与股票的一 一对应关系。

5、如何配置回测条件？

Backtrader 通过 Broker 模块来模拟证券交易中的“经纪商”角色（比如大家熟悉的证券公司），所以像初始资金、手续费等与经纪商相关的各种信息是通过 Broker 模块来配置的：

讯享网# 初始资金 100,000,000 cerebro.broker.setcash(.0) # 佣金，双边各 0.0003 cerebro.broker.setcommission(commission=0.0003) # 滑点：双边各 0.0001 cerebro.broker.set_slippage_perc(perc=0.0001)

此外，还可以通过 analyzers 策略分析模块和 observers 观测器模块提前配置好要返回的回测结果，比如想要返回策略的收益率序列、常规的策略评价指标，就可以提前将指标添加给大脑：

cerebro.addanalyzer(bt.analyzers.TimeReturn, _name='pnl') # 返回收益率时序数据 cerebro.addanalyzer(bt.analyzers.AnnualReturn, _name='_AnnualReturn') # 年化收益率 cerebro.addanalyzer(bt.analyzers.SharpeRatio, _name='_SharpeRatio') # 夏普比率 cerebro.addanalyzer(bt.analyzers.DrawDown, _name='_DrawDown') # 回撤

6、如何编写交易策略？

所有的交易策略都是写在自定义的策略类里，如下面的 TestStrategy 类，自定义的策略类名称可以任意取，但必须继承 Backtrader 内置的 Strategy 类，即 bt.Strategy 。相当于是给大家提供了一个策略接口，大家只需调用这个接口，专心编写自己的策略，而无需关心接口的具体内容。

class TestStrategy(bt.Strategy):  # 类的名字可以随意取

那如何基于 trade_info.csv 的调仓信息在构建的 TestStrategy 里实现买卖操作呢？在TestStrategy 里至少需要定义 __init__() 和 next() 方法。其中， __init__() 用于初始化各类属性，next() 用于下单交易，如下所示：

讯享网# 通过继承 Strategy 基类，来构建自己的交易策略子类 class MyStrategy(bt.Strategy): # 定义我们自己写的这个 MyStrategy 类的专有属性 def __init__(self): '''必选，策略中各类指标的批量计算或是批量生成交易信号都可以写在这里''' pass # 构建交易函数: 策略交易的主体部分 def next(self): '''必选，在这里根据交易信号进行买卖下单操作''' pass

具体到选股策略：1. trade_info.csv 里的调仓日和持仓列表就可以定义在 __init__() 里，方便 next() 函数调用；2. 在 next() 里，判断每个交易日是否为调仓日，如果是调仓日就按调仓权重卖出旧股，买入新股。具体代码如下：

# 回测策略 class TestStrategy(bt.Strategy): '''选股策略''' def __init__(self): self.buy_stock = trade_info # 保留调仓列表 # 读取调仓日期，即每月的最后一个交易日，回测时，会在这一天下单，然后在下一个交易日，以开盘价买入 self.trade_dates = pd.to_datetime(self.buy_stock['trade_date'].unique()).tolist() self.order_list = [] # 记录以往订单，方便调仓日对未完成订单做处理 self.buy_stocks_pre = [] # 记录上一期持仓 def next(self): dt = self.datas[0].datetime.date(0) # 获取当前的回测时间点 # 如果是调仓日，则进行调仓操作 if dt in self.trade_dates: print("--------------{} 为调仓日----------".format(dt)) # 在调仓之前，取消之前所下的没成交也未到期的订单 if len(self.order_list) > 0: for od in self.order_list: self.cancel(od) # 如果订单未完成，则撤销订单 self.order_list = [] #重置订单列表 # 提取当前调仓日的持仓列表 buy_stocks_data = self.buy_stock.query(f"trade_date=='{dt}'") long_list = buy_stocks_data['sec_code'].tolist() print('long_list', long_list) # 打印持仓列表 # 对现有持仓中，调仓后不再继续持有的股票进行卖出平仓 sell_stock = [i for i in self.buy_stocks_pre if i not in long_list] print('sell_stock', sell_stock) # 打印平仓列表 if len(sell_stock) > 0: print("-----------对不再持有的股票进行平仓--------------") for stock in sell_stock: data = self.getdatabyname(stock) if self.getposition(data).size > 0 : od = self.close(data=data) self.order_list.append(od) # 记录卖出订单 # 买入此次调仓的股票：多退少补原则 print("-----------买入此次调仓期的股票--------------") for stock in long_list: w = buy_stocks_data.query(f"sec_code=='{stock}'")['weight'].iloc[0] # 提取持仓权重 data = self.getdatabyname(stock) order = self.order_target_percent(data=data, target=w*0.95) # 为减少可用资金不足的情况，留 5% 的现金做备用 self.order_list.append(order) self.buy_stocks_pre = long_list # 保存此次调仓的股票列表 # 将编写的策略添加给大脑，别忘了 ！ cerebro.addstrategy(TestStrategy)

策略细节说明：

1、__init__() 函数在回测过程中只会在最开始的时候调用一次，而 next() 会每个交易日依次循环调用多次；

2、为了提高回测效率，对于策略用到的辅助数据、一次性就能计算完成的指标等，都建议在 __init__() 里生成或计算；对于复杂的选股策略，建议参考本文的方式，事先确定好调仓日期、成分、权重，再将结果导入 Backtrader 做回测；

3、Backtrader 默认情况下是：在 t 日运行下单函数，然后在  t+1 日以开盘价成交；

4、交易函数说明：

• self.close() 平仓；
• self.buy() 买入、做多；
• self.sell() 卖出、做空；
• self.cancel() 取消订单；
• self.order_target_percent() 按持仓百分比下单，“多退少补”原则， 对于股票当前无持仓或持有的是多单（size>=0）的情况，若目标占比 target > 当前持仓占比，买入不够的部分；若目标占比 target < 当前持仓占比，卖出多余的部分。

7、如何打印回测日志？

在 TestStrategy 里还可以定义许多打印日志的函数，常用的有 notify_order() 订单日志、notify_trade() 交易日志、notify_cashvalue() 资金信息、notify_store() 交易事件说明等等。比如再往上面的 TestStrategy 里添加 notify_order() ，用于打印具体的订单信息：

讯享网def notify_order(self, order): # 未被处理的订单 if order.status in [order.Submitted, order.Accepted]: return # 已经处理的订单 if order.status in [order.Completed, order.Canceled, order.Margin]: if order.isbuy(): self.log( 'BUY EXECUTED, ref:%.0f，Price: %.2f, Cost: %.2f, Comm %.2f, Size: %.2f, Stock: %s' % (order.ref, # 订单编号 order.executed.price, # 成交价 order.executed.value, # 成交额 order.executed.comm, # 佣金 order.executed.size, # 成交量 order.data._name)） # 股票名称 else: # Sell self.log('SELL EXECUTED, ref:%.0f, Price: %.2f, Cost: %.2f, Comm %.2f, Size: %.2f, Stock: %s' % (order.ref, order.executed.price, order.executed.value, order.executed.comm, order.executed.size, order.data._name))

打印的部分日志信息如下：

2019-02-01, BUY EXECUTED, ref:1，Price: 177.31, Cost: .74, Comm 209.15, Size: 3932.00, Stock: 000006.SZ 2019-02-01, BUY EXECUTED, ref:2，Price: 81.76, Cost: .98, Comm 281.13, Size: 11462.00, Stock: 000008.SZ 2019-02-01, BUY EXECUTED, ref:3，Price: 46.15, Cost: .37, Comm 198.83, Size: 14360.00, Stock: 000025.SZ 2019-02-01, BUY EXECUTED, ref:4，Price: 25.11, Cost: .36, Comm 207.47, Size: 27536.00, Stock: 000090.SZ 2019-02-01, BUY EXECUTED, ref:5，Price: 6.13, Cost: .23, Comm 100.19, Size: 54439.00, Stock: 000536.SZ 2019-02-01, BUY EXECUTED, ref:6，Price: 30.00, Cost: .07, Comm 86.09, Size: 9567.00, Stock: 000587.SZ 2019-02-01, BUY EXECUTED, ref:7，Price: 103.05, Cost: .16, Comm 379.16, Size: 12265.00, Stock: 000598.SZ 2019-02-01, BUY EXECUTED, ref:8，Price: 36.84, Cost: .22, Comm 135.36, Size: 12247.00, Stock: 000612.SZ 2019-02-01, BUY EXECUTED, ref:9，Price: 172.78, Cost: .87, Comm 267.41, Size: 5159.00, Stock: 000636.SZ

8、如何提取回测结果？

想要提取回测结果，首先要确保已经启动并完成回测，然后再从返回的 result 中提取事先配置好的回测结果：

讯享网# 启动回测 result = cerebro.run() # 从返回的 result 中提取回测结果 strat = result[0] # 返回日度收益率序列 daily_return = pd.Series(strat.analyzers.pnl.get_analysis()) # 打印评价指标 print("--------------- AnnualReturn -----------------") print(strat.analyzers._AnnualReturn.get_analysis()) print("--------------- SharpeRatio -----------------") print(strat.analyzers._SharpeRatio.get_analysis()) print("--------------- DrawDown -----------------") print(strat.analyzers._DrawDown.get_analysis())

最终打印出来的原始结果如下所示，也可以按需对结果的数据结果做进一步的处理：

--------------- AnnualReturn ----------------- OrderedDict([(2019, 0.55459), (2020, 0.), (2021, 0.0)]) --------------- SharpeRatio ----------------- OrderedDict([('sharperatio', 1.34207)]) --------------- DrawDown ----------------- AutoOrderedDict([('len', 136), ('drawdown', 6.8994), ('moneydown', .), ('max', AutoOrderedDict([('len', 206), ('drawdown', 20.6267), ('moneydown', .)]))])

本文先是整体介绍了 Backtrader 的功能和主要模块，然后教大家用 Backtrader 实现了一个简单的选股回测流程：

导入 Backtrader → 实例化大脑 → 导入数据 → 配置回测条件 → 编写交易逻辑 → 打印日志 → 运行回测 → 提取回测结果 

其实 Backtrader 的功能远不止这些，还有很多功能没有提及，也有很多细节未做深入讲解。如何可视化回测结果？如何对各模块的配置做修改？Backtrader 的数据调用规则是什么？支持的订单类型有哪些？订单撮合逻辑是怎样的？如何实现多策略回测？如何进行参数调优？如何对接实盘交易？...... 想要熟练的使用 Backtrader，还有很多内容要学。

最后问问自己：我打算放弃了么？放弃吧 ~ 不！放弃吧 ~ 不！放弃吧 ~ 不！