股票量化交易进阶002_回测框架backtrader（二）

---

一、认识backtrader中的代码

1.from future import (absolute_import, division, print_function,unicode_literals)

**
from future import (absolute_import, division, print_function,unicode_literals)
**

absolute_import：顾名思义为：加入绝对引入这个新特性。
说到绝对引入，当然就会想到相对引入。那么什么是相对引入呢?
其实个个引入，可以理解成绝对路径和相对路径的区别，例如C/C++语言中的头文件包含一样，#include""与#include<>的区别就是头文件查找路径先后的问题而已，所以就不过多介绍了。

• division：导入python未来支持的语言特征division(精确除法)。
  当我们没有在程序中导入该特征时，"/“操作符执行的是截断除法(Truncating
  Division),当我们导入精确除法之后，”/"执行的是精确除法，如下所示：

3/4
0

from future import division

3/4
0.75

当我们导入精确除法后，若要执行截断除法，可以使用"//"操作符：

3//4
0

• print_function:导入python未来支持的print函数。

python2.7
print “Hello world”

python3
print(“Hello world”)

• unicode_literals：

① Python的每个新版本都会增加一些新的功能，或者对原来的功能作一些改动。有些改动是不兼容旧版本的，也就是在当前版本运行正常的代码，到下一个版本运行就可能不正常了
② 从python 2.7到Python 3.x就有不兼容的一些改动，比如2.x里的字符串用’xxx’表示str，Unicode字符串用u’xxx’表示unicode，而在3.x中，所有字符串都被视为unicode，因此，写u’xxx’和’xxx’是完全一致的，而在2.x中以’xxx’表示的str就必须写成b’xxx’，以此表示“二进制字符串”。
要直接把代码升级到3.x是比较冒进的，因为有大量的改动需要测试。相反，可以在2.7版本中先在一部分代码中测试一些3.x的特性，如果没有问题，再移植到3.x不迟。
③ Python提供了__future__模块，把下一个新版本的特性导入到当前版本，于是我们就可以在当前版本中测试一些新版本的特性。举例说明如下：
④ 为了适应Python 3.x的新的字符串的表示方法，在2.7版本的代码中，可以通过unicode_literals来使用Python 3.x的新的语法：在python3中默认的编码采用了unicode, 并取消了前缀u. 如果代码要兼容python2/3

2. params = (（‘x’,1））

# 参数定义
    params = (
        ('maPeriod', 20),
    )

这是一个标准的Python元组，它里面又包含一些元组，例如这个写法：

params = (
(‘myparam’, 27),
(‘exitbars’, 5),
)

3. print(‘%s, %s’ % (dt.isoformat(), txt))

    def log(self, txt, dt=None):
        dt = dt or self.datas[0].datetime.date(0)
        print('%s, %s' % (dt.isoformat(), txt))

print(‘%s, %s’ % (dt.isoformat(), txt))

就是把日期跟txt连接起来，如： print(‘Hello’,‘World!’)-> Hello World!
之后调用这个log函数，就会自动添加日期到txt前面

4. self.datas[0].close[0]

把上面代码拆分下：
‘1’ -> self.datas
‘2’ -> selft.datas[0]
‘3’ -> self.datas[0].close
‘4’ -> self.datas[0].close[0]

它们分别是什么意思呢？
我们在代码中依次添加，打印结果看看究竟

 def __init__(self):
        # 获得均线策略的均线值
        self.ma = bt.indicators.SimpleMovingAverage(self.datas[0], period=self.params.maPeriod)
        # 保存对收盘价线最新数据的引用
        self.dataclose = self.datas[0].close

        print('data',self.datas)
        print('data[0]',self.datas[0])
        print('dataclose',self.datas[0].close)
        print('dataclose0',self.datas[0].close[0])
        print('dataclose-1',self.datas[0].close[-1])
        print('dataclose-2',self.datas[0].close[-2])
        exit()

打印结果：
data [<backtrader.feeds.pandafeed.PandasData object at 0x0000023A98E919C0>]
data[0] <backtrader.feeds.pandafeed.PandasData object at 0x0000023A98E919C0>
dataclose <backtrader.linebuffer.LineBuffer object at 0x0000023A98E91120>
dataclose0 1183.0
dataclose-1 1185.8
dataclose-2 1163.0

从log中可以看出 1和2属于 pandafeed, 3属于LineBuffer，4属于具体的值

• Data Feed 数据馈送对象，pandafeed也是一种Data Feed

Backtrader 中有一个“Data Feed” 或 “Data Feeds” 概念（可将其称为“数据馈送对象” ），其实这个“Data Feed” 或 “Data Feeds”就是我们熟悉的数据表格或数据表格集合 。Data Feed 在 Backtrader 中扮演一个“数据传递者”的角色，给策略有序的提供数据以及数据的索引位置

• self.datas

大家在策略函数中经常用到的 self.datas 属性就是一个 Data Feeds，对应通过 Cerebro 导入的行情数据表格的集合（可能只导入了一只证券的行情数据，也可能导入了 N 只证券的行情数据）。在这个集合中，数据表格是按照导入的顺序依次确定索引位置，第一个导入的数据表格的索引位置为 0 ，之后的依次递增，

从上面图可以很清楚看到self.datas就是传入backtrader框架中针对当前策略的所有行情数据，比如策略中需要传了3只股票的数据，self.datas就是这3只股票的数据集，self.data[0],则就对应着传入的第一只股票的行情数据表格。

• self.datas[0].close
  列是“lines”，Backtrader 将数据表格的列拆成了一个个 line 线对象，一列，一个指标，’该指标的时间序列都可以作为一条线 line。Backtrader 默认情况下要求导入的数据表格要包含 7 个字段：‘datetime’、 ‘open’、 ‘high’、 ‘low’、 ‘close’、 ‘volume’、 ‘openinterest’ ，这 7 个字段序列就对应了 7 条 line 。其实给列赋予“线”的概念也很好理解，回测过程中用到的时间序列行情数据可视化后就是一条条曲线：close 曲线、 open 曲线、high 曲线 …
  
• self.datas[0].close[0]
  self.datas[0].close[0]并不是代表line中的最后一条数据。指backtrader next方法运行到当前bar（行是“Bars”，当前bar可以看成当前行或者当前k线/当前日期）的收盘价。
  所以索引 0 号位置永远指向当前时间点的数据，-1 号位置指向前一个时间点的数据
  

5. def notify_order(self, order)

    def notify_order(self, order):
        # 如果订单在提交或者允许的情况下，直接返回
        if order.status in [order.Submitted, order.Accepted]:
            # 做多/做空 订单 已提交/已执行 到/被代理 - 无事可做
            return

        # 检查订单是否已经完成
        # 注意：如果没有足够资金，代理可能拒绝订单

        # 如果下单完成了
        if order.status in [order.Completed]:
            if order.isbuy():
                # 第一个前复权买入价，第二个订单执行的总价格，第三个手续费
                self.log(
                    'BUY EXECUTED, Price: %.2f, Cost: %.2f, Comm %.2f' %
                    (order.executed.price,
                     order.executed.value,
                     order.executed.comm))
            elif order.issell():
                self.log('SELL EXECUTED, Price: %.2f, Cost: %.2f, Comm %.2f' %
                         (order.executed.price,
                          order.executed.value,
                          order.executed.comm))
        # 如果下单的情况在另外状态：订单取消/保证金不足/拒绝
        elif order.status in [order.Canceled, order.Margin, order.Rejected]:
            self.log('Order Canceled/Margin/Rejected')
            # Write down: no pending order
        # 将订单状态重置为None
        self.order = None

在订单状态发生变化时，触发策略的 notify_order方法，在方法中可以查询订单状态相关信息，或执行一些动作。该方法在next方法前触发

在 def notify_order(self, order): 方法中，通过参数order 访问 order信息
order.status 订单状态（int）
order.getstatusname() 订单状态名称
order.getstatusname(order.status) 通过订单状态int，获取订单状态名称

订单状态 0～8

[Created、Submitted、Accepted、Partial、Completed、Canceled、Expired、Margin、Rejected]

在订单通知事件中，可以通过 order.executed.price、order.executed.size 访问订单价格和执行数量。

order.isbuy() 、order.issell() 判断是买卖单。

order.alive() 判断是否在状态 Partial 或 Accepted 中。

order.data 可以访问该订单的行情数据对象。

6. def notify_trade(self, trade):

    # 通知每笔交易收益情况（可省略）
    def notify_trade(self, trade):
        # 没有交易的话，直接return
        if not trade.isclosed:
            return
        # 交易结束，输出信息，第一个为毛利润，第二个为净利润（扣除手续费）
        self.log('OPERATION PROFIT, GROSS %.2f, NET %.2f' %
                 (trade.pnl, trade.pnlcomm))

每笔交易完会通知收益情况，比如这笔交易是盈利多少（trade.pnl），扣除手续费盈利多少（trade.pnlcomm）。

如下面log情况

7.def next(self):

# 每个bar都会执行一次，即回测的每个日期都会执行一次
    def next(self):
        #   检查订单是否挂起。。。如果是，我们无法发送第二个
        if self.order:
            print('===有正在执行的订单', self.order)
            return
        # 空仓
        if not self.position.size:
            if self.datas[0].close[0] >= self.ma[0]:
                self.order = self.buy(size=200)
                print(f"====买入>>>买入价{self.datas[0].close[0]} > 均线价{self.ma[0]}  买入后仓位={self.getposition().size}")
        else:
            if self.datas[0].close[0] < self.ma[0]:
                self.order = self.sell(size=200)
                print(f"====卖出>>>买出价{self.datas[0].close[0]} < 均线价{self.ma[0]}  买入后仓位={self.getposition().size}")

主逻辑函数，根据何种逻辑进行买卖，还有什么时候买卖都是写到这个函数中

总结

`要真正掌握一个东西，还真得细嚼。
通过理解每句代码的含义，可以让你更加深刻的理解backtrader框架，包括它是如何设计的。