backtrader中的percents_sizer.py源码解析

最新推荐文章于 2024-09-22 21:25:37 发布

TgpActionscript

最新推荐文章于 2024-09-22 21:25:37 发布

阅读量152

点赞数

CC 4.0 BY-SA版权

文章标签： backtrader

本文链接：https://blog.youkuaiyun.com/TgpActionscript/article/details/133222197

backtrader 专栏收录该内容

85 篇文章 ¥59.90 ¥99.00

订阅专栏

本文详细解析了backtrader的percents_sizer.py，介绍了如何根据风险比例调整仓位，并提出改进方案，包括修改风险比例、添加买卖逻辑、更换数据源及参数优化。

一、背景介绍
在量化交易领域，风险控制是成功的关键之一。而确定合适的仓位大小则对于风险控制起着至关重要的作用。backtrader是一个流行的开源量化交易框架，其中提供了percents_sizer.py这个示例代码，用于演示如何根据设定的风险比例自动调整仓位大小。本文将对percents_sizer.py的源码进行解析，并给出相应的修改和改进。

二、源码解析
以下是percents_sizer.py的源码：

from __future__ import (absolute_import, division, print_function,
                        unicode_literals)

import backtrader as bt


class

了解本专栏

订阅专栏解锁全文

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

TgpActionscript

关注关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
1
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

订阅专栏

【backtrader源码解析40】percents_sizer.py源码注释(枯燥，仅供参考)

云金杞

05-08

427

百分比手数的实现方法 from __future__ import (absolute_import, division, print_function, unicode_literals) import backtrader as bt __all__ = ['PercentSizer', 'AllInSizer', 'PercentSizerInt', 'AllInSizerInt'] # 百分比手数，根据可以利用的现金的百分比下单 class P

大模型底层transformers源码解析(二)之 TrainingAugumentes实例，/src/transformers/training_args.py

强化学习曾小健

04-18

1208

Poe是用于控制训练循环的参数类，它通常用于 Hugging Face Transformers 库中的示例脚本。

1 条评论您还未登录，请先登录后发表或查看评论

量化交易backtrader实践(二)_基础加强篇(4)_交易设置与自定义绘图

AouSdu

09-22

2487

这一节我们来深入实践backtrader交易的设置以及自定义绘图。

如果优雅地输出backtrader策略优化结果

qtbgo的博客

11-27

3231

我们写的backtrader技术教程 backtrader回测结果存放在各种analyzer中，结果是词典的形式，如果你想把他以表格的形式输出，并存到csv文件，可以参考下面的例子。这个例子来自Optimizing Strategy Backtesting in Python with Backtrader，利用backtrader做策略参数优化。策略就是一个简单的双均线策略，要优化的是两根均线的时间窗口大小。如下代码从yahoo在线api取得股票行情数据，可直接运行。 analyzeroutpu

Backtrader 文档学习- Sizers

六月闻君

02-06

1557

介绍Sizer对象，从Cerebro和Strategy中可以重定义，将Sizer用于仓位控制，重写Sizer方法。Sizer的参数说明。

量化交易backtrader实践(二)_基础加强篇(2)_数据进阶实践

AouSdu

09-17

1697

我们的最简策略已经跑起来了并在Notebook中显示了图形，接着我们就进行后续的实践了！这一节里，我们先来解决data的数据结构和用法的问题。

pysot 中的异步多进程切图

yiran103的专栏

08-24

1243

孪生网络算法对数据需求量较大，训练一般使用多个数据集。检测数据集普遍图大目标多，pysot 第一步准备数据，屏蔽了不同数据集的差异，也提升了数据加载效率。网络设定的模板大小为 127×127127\times 127127×127，搜索区域大约为 255×255255\times 255255×255。为给数据增强留有余地，数据切图大小为 511×511511\times 511511×511。下...

How to install Apache Superset on Linux CentOS 7.9

BigDataSmallTeam 大数据小团队--蒙昭良的博客

01-24

3940

Linux: Root user updates the user’s password command: [root@iZ2zehb3zobkh31kn9cuo2Z ~]# whoami root [root@iZ2zehb3zobkh31kn9cuo2Z ~]# **passwd superset_user** Changing password for user superset_user. New password: Retype new password: passwd: all authen

提示以下错误，完整代码： [Running] python -u "d:\pytest\Quickstart Guide - Backtrader\backtrader_strategy.py" 本接口即将停止更新，请尽快使用Pro版接口：https://tushare.pro/document/2 Traceback (most recent call last): File "d:\pytest\Quickstart Guide - Backtrader\backtrader_strategy.py", line 118, in <module> dataframe = get_data('300141') File "d:\pytest\Quickstart Guide - Backtrader\backtrader_strategy.py", line 110, in get_data df = ts.get_k_data(code, autype='qfq', start=start, end=end) File "D:\Python313\Lib\site-packages\tushare\stock\trading.py", line 706, in get_k_data data = data.append(_get_k_data(url, dataflag, ^^^^^^^^^^^ File "D:\Python313\Lib\site-packages\pandas\core\generic.py", line 6318, in __getattr__ return object.__getattribute__(self, name) ~~~~~~~~~~~~~~~~~~~~~~~^^^^^^^^^^^^ AttributeError: 'DataFrame' object has no attribute 'append'. Did you mean: '_append'?

07-08

cerebro.addsizer(bt.sizers.PercentSizer, percents=50) # 设置手续费为万1 cerebro.broker.setcommission(commission=0.0001) # 运行回测 results = cerebro.run(maxcpus=1) # 绘图显示 cerebro.plot...

Lua非空判断方法[源码]

11-24

本文详细介绍了在Lua中进行非空判断的几种方法，特别是针对table类型的变量。首先，文章指出了直接对nil值进行索引会导致异常的问题，并给出了一个简单的例子来说明如何避免这种情况。接着，文章讨论了如何判断一个table是否为空，指出不能简单地使用`#table == 0`的方式，而是应该使用`next(t) == nil`的方法。此外，文章还提到了`next`指令在LuaJIT中的优化问题，建议在非必要情况下少用。最后，文章简要介绍了如何判断一个字符串是否全部由空格组成，使用了正则匹配的方法。这些内容对于Lua开发者来说非常实用，能够帮助他们避免常见的错误。

JS表格转Excel实现[可运行源码]

11-24

该文章详细介绍了如何使用JavaScript将HTML表格数据导出为Excel文件。内容涵盖了针对不同浏览器的兼容性处理，包括IE和非IE浏览器的不同实现方式。对于IE浏览器，使用ActiveXObject进行导出；对于非IE浏览器，则通过base64编码和数据URI方案实现。文章还提供了完整的代码示例，包括表格数据的处理、格式化和导出功能，支持文本和图片类型的数据导出。

图片转bin文件存储[项目代码]

11-24

本文介绍了在OpenCV项目中如何将大量图片数据转换为二进制（bin）文件进行高效存储和读取的方法。作者在项目中遇到需要处理大量图片数据的问题，尝试了多种格式（如.mat、.txt、.yml）后发现效率较低。通过使用二进制文件存储，显著提升了读写速度。文章详细展示了使用OpenCV将图片写入二进制文件的代码示例，以及从二进制文件读取图片数据的实现方法。虽然该方法需要提前知道图片的尺寸和数量，但读写速度极快，适合处理大量图片数据。作者还提到可以通过换行符或终止符优化读取过程，但未深入探讨。

ROS视觉处理与色彩识别[项目源码]

11-24

本文详细介绍了在ROS环境下进行视觉处理的基础步骤，特别是针对色彩识别的实现方法。内容涵盖了从摄像头驱动的安装与配置（如usb_cam驱动和image_view工具的使用），到创建功能包和编写图像处理节点（包括RGB图像回调函数、HSV色彩空间转换、二值化处理及形态学操作）。此外，还演示了如何在仿真环境中获取图像，并通过OpenCV实现红色和绿色物体的识别与追踪。最后，文章提供了完整的代码示例和编译运行步骤，帮助读者快速上手ROS视觉处理项目。

Anaconda安装与使用指南[项目源码]

11-24

本文详细介绍了在Anaconda环境下安装和使用jupyter及numpy的步骤。首先，指导用户如何安装Anaconda并创建虚拟环境，然后详细说明了如何在虚拟环境中安装jupyter和numpy。接着，文章提供了多个numpy的练习示例，包括创建零向量、矩阵操作、归一化等。此外，还介绍了如何在Jupyter中完成numpy、pandas和matplotlib的例题，涵盖了从基础操作到实际应用的多个方面。最后，文章总结了实验过程中的经验，特别是在使用国内镜像源后下载速度的提升。

【动静障碍物】基于JPS算法（改进A）全局路径规划与DWA动态窗口局部避障的机器人自主导航混合控制算法（Matlab代码实现）

11-24

【动静障碍物】基于JPS算法（改进A）全局路径规划与DWA动态窗口局部避障的机器人自主导航混合控制算法（Matlab代码实现）内容概要：本文介绍了一种结合改进A*算法的JPS（跳跃点搜索）全局路径规划与DWA（动态窗口法）局部避障的混合控制算法，用于机器人在动静态障碍物环境下的自主导航。该算法通过JPS优化全局路径搜索效率，提升路径规划速度，并结合DWA实现实时动态避障，增强了机器人在复杂动态环境中的适应性和安全性。整个系统在Matlab平台上进行了代码实现与仿真验证，展示了良好的路径规划效果与避障性能。; 适合人群：具备一定机器人学、自动控制或路径规划基础知识的研究生、科研人员及从事智能机器人开发的工程技术人员。; 使用场景及目标：①应用于移动机器人在静态与动态障碍共存环境中的自主导航任务；②为研究高效全局规划与实时局部避障的融合策略提供技术参考与实现案例；③支持Matlab仿真环境下的算法验证与优化。; 阅读建议：建议读者结合Matlab代码深入理解JPS与DWA的集成逻辑，重点关注算法在路径最优性、计算效率与避障实时性之间的平衡设计，可进一步扩展至多机器人系统或复杂地形场景的应用研究。

Lua中loadstring应用[源码]

最新发布

11-24

本文介绍了在Lua编程中使用loadstring函数解析字符串公式的方法，特别是在游戏开发中的应用。通过示例代码展示了如何解析包含动态变量的字符串，如属性键、操作符和技能等级等，并动态计算其值。文章详细说明了如何利用loadstring将字符串转换为可执行的Lua代码，并处理复杂的公式解析，如计算buff持续时间和属性加成。这对于需要动态处理游戏内文本和公式的开发者具有实用价值。

VINS-Fusion部署流程[项目源码]

11-24

本文详细介绍了VINS-Fusion的部署及启动流程。首先，系统需要安装Ubuntu16.04以上版本并配置ROS环境，同时安装OpenCV、Glog、Ceres等依赖库。其次，编译功能包并进行多线程编译。启动阶段需获取IMU数据和图像信息，通过模拟器启动VINS-Fusion并查看Rviz可视化效果。标定部分包括相机内参和外参的配置，以及回环检测的优化。最后，文章简要提及实机启动的步骤，包括飞控和相机驱动的安装，以及通过脚本启动VINS-Fusion的流程。

Lua table.concat函数详解[项目源码]

11-24

本文详细介绍了Lua中的table.concat函数，该函数用于连接表中数组部分的元素，并可通过参数指定分隔符、起始和结束位置。文章通过多个示例展示了不同参数组合下的函数行为，包括默认参数的使用、自定义分隔符、指定连接范围等。此外，文章还解释了为何table.concat比for循环更高效，特别是在处理大量字符串连接时，table.concat经过优化，能显著减少时间消耗。最后，文章强调table.concat不会改变原始表的结构，为开发者提供了安全的使用保障。

基于Python的深度学习回归模型实现与神经网络应用

11-24

深度学习作为人工智能的关键分支，依托多层神经网络架构对高维数据进行模式识别与函数逼近，广泛应用于连续变量预测任务。在Python编程环境中，得益于TensorFlow、PyTorch等框架的成熟生态，研究者能够高效构建面向回归分析的神经网络模型。本资源库聚焦于通过循环神经网络及其优化变体解决时序预测问题，特别针对传统RNN在长程依赖建模中的梯度异常现象，引入具有门控机制的长短期记忆网络（LSTM）以增强序列建模能力。实践案例涵盖从数据预处理到模型评估的全流程：首先对原始时序数据进行标准化处理与滑动窗口分割，随后构建包含嵌入层、双向LSTM层及全连接层的网络结构。在模型训练阶段，采用自适应矩估计优化器配合早停策略，通过损失函数曲线监测过拟合现象。性能评估不仅关注均方根误差等量化指标，还通过预测值与真实值的轨迹可视化进行定性分析。资源包内部分为三个核心模块：其一是经过清洗的金融时序数据集，包含标准化后的股价波动记录；其二是模块化编程实现的模型构建、训练与验证流程；其三是基于Matplotlib实现的动态结果展示系统。所有代码均遵循面向对象设计原则，提供完整的类型注解与异常处理机制。该实践项目揭示了深度神经网络在非线性回归任务中的优势：通过多层非线性变换，模型能够捕获数据中的高阶相互作用，而Dropout层与正则化技术的运用则保障了泛化能力。值得注意的是，当处理高频时序数据时，需特别注意序列平稳性检验与季节性分解等预处理步骤，这对预测精度具有决定性影响。资源来源于网络分享，仅用于学习交流使用，请勿用于商业，如有侵权请联系我删除！