量化投资之工具篇一：Backtrader从入门到精通（6）-Indicator类源代码解读（1）

前面的3篇文章我们分别介绍了Cerebro、Data相关类、Strategy类，基本上Backtrader的框架已经具备，从这篇文章开始我们介绍Backtrader的重要部件，从最重要额Indicator开始。

老规矩，从家谱图开始。

家谱图

是不是很眼熟，对了，和Strategy/Data继承关系基本就是一样的，所以从面向对象来说，他和Strategy/Data基本上就是亲兄弟。在文章2中就明确说了，在Backtrader中，一切都是数据。

另外，看了前面几篇文章，对Backtrader的元类套路很熟悉了吧，后面就不细讲了，有兴趣的话可以对照Strategy来读代码（元类的继承关系以及代码是一样的），后面只讲特殊的处理。

Indicator的实例化和初始化

大家还记得Indicator什么时候实例化的？在Strategy初始化的时候，请参见咱们Strategy代码解读中的MyCustomStrategy的__init__函数：

# 增加MovingAverageSimple指标
        self.sma = bt.indicators.SimpleMovingAverage(
            self.datas[0], period=self.params.maperiod)

然后又是元类MetaBase的一整套动作（doprenew、donew、dopreinit、doinit和dopostinit），具体对照Strategy的代码解读对照，说明下大概：

• 在MetaLineSeries的donew中，初始化一个LineBuffer存储在lines里面，可以看出，Indicator本质上上也是数据源，拥有Lines（家谱图中也可以看到）。初始化的时候只有一个LineBuffer.

• 在MetaLineIterator的donew中，会将参数中输入的数据（例子中的self.datas[0]）加入datas容器（既然是复数，那么可以输入多个数据，如果有的指标需要多个数据的话）中，这个数据是后续计算Indicator的基本数据。如果参数不输入数据咋办呢？就会将这个Indicator的owner的缺省data加入。Indicator的owner是谁？是MyCustomStrategy，因为是它初始化了这个Indicator。那么MyCustomStrategy的缺省data，也就是是MyCustomStrategy的第一个数据（self.datas[0]）。那MyCustomStrategy的第一个数据是谁？就是Cerebro加入的第一个数据。所以不输入这个参数数据也可以（文章2有说明，代码原理在这里）。

• 以上实例化完成，就开始初始化了__init__了，首先就进入到MovingAverageSimple的__init__了：

  def __init__(self):
          # Before super to ensure mixins (right-hand side in subclassing)
          # can see the assignment operation and operate on the line
          self.lines[0] = Average(self.data, period=self.p.period)
  
          super(MovingAverageSimple, self).__init__()
  

  1. 首先就是在实例化一个Average，各种均线指标是非常重要也使用广泛的指标。Average是非常基本的一个类，提供的是简单的算术平均结果，这个记住如何使用就行了，具体代码就不看了。这里记住，第一个line就是Average实例化的时候返回的一个LineBuffer实例，也就是具体的数据在Average中计算。可以看出，数据的计算是在初始化的时候。
  2. 调用父类的__init__，没做啥。

• 下面就是dopostinit了，在MetaLineIterator的dopostinit中，将自己（初始化后的SimpleMovingAverage实例）传递给自己的owner（MyCustomStrategy），MyCustomStrategy就可以使用这个Indicator了。

至此初始化完成。

Indicator的使用

Indicator的代码流程

前面一再强调，Indicator逻辑（继承关系）上和Data是一样的，所以它的使用基本和Data类是一样的。区别在于：Data的数据通过从元素数据（比如PandaData中 获取），而Indicator的数据来自于计算（比如本例中计算的移动平均值）。有了数据之后，我们循着它代码来看，这些数据是如何使用的。

在Cerebro以及Strategy的代码解读中，我们可以看出Indicator的使用轨迹，从Cerebro的runstrategies->_runonce–>Strategy的_oncepost，代码：

def _oncepost(self, dt):
        for indicator in self._lineiterators[LineIterator.IndType]:
            if len(indicator._clock) > len(indicator):
                indicator.advance()

首先要调用Indicator的Advance：

def advance(self, size=1):
        # Need intercepting this call to support datas with
        # different lengths (timeframes)
        if len(self) < len(self._clock):
            self.lines.advance(size=size)

可以看出，直接就到Indicator所有line的advance了，line（LineBuffer）的advance干啥了，PandasData类详解的时候说明过：所有line索引idx后移，长度计数增加。这里只改索引，不涉及底层数据。也就是当前数据移到下一个了。这个数据不断后移，移到大于最小周期之后，就进入MyCustomStrategy的next了，在这个next中，可以直接对Indicator的指标数据应用进行处理：

def next(self):
        # 记录下本次的close和sma值
        self.log('Close:%.3f' % self.data.close[0])
        self.log('sma:%.3f' % self.sma[0])
   
        # 检查是否还有订单未处理，有的话等等
        if self.order:
            return
        #Check if we are in the market
        if not self.position:
            # 大于均线就买
            if self.dataclose[0] > self.sma[0]:
                # BUY, BUY, BUY!!! (with all possible default parameters)
                self.log('BUY CREATE, %.2f' % self.dataclose[0])
                # Keep track of the created order to avoid a 2nd order
                self.order = self.buy()
        else:

            if self.dataclose[0] < self.sma[0]:
                # 小于均线卖卖卖！
                self.log('SELL CREATE, %.2f' % self.dataclose[0])

                # Keep track of the created order to avoid a 2n