Backtrader（开源量化回测框架）
Backtrader 是一个开源 Python 量化回测框架。采用事件驱动架构，核心组件包括：Cerebro（引擎）、Strategy（策略类）、Data Feed（数据源）、Broker（经纪商）、Indicator（内置 100+ 技术指标）、Analyzer（绩效分析）。纯 Python 实现，无外部依赖，适合离线研究。
安装
bashpip install backtrader # 如需绘图 pip install backtrader[plotting] # 或 pip install matplotlib
最简示例
pythonimport backtrader as bt class MyStrategy(bt.Strategy): """简单均线策略""" params = (('period', 20),) # 策略参数：均线周期 def __init__(self): # 初始化指标（在__init__中定义，自动计算） self.sma = bt.indicators.SimpleMovingAverage(self.data.close, period=self.params.period) def next(self): # 每根K线触发一次，在此编写交易逻辑 if self.data.close[0] > self.sma[0]: if not self.position: # 无持仓则买入 self.buy() elif self.data.close[0] < self.sma[0]: if self.position: # 有持仓则卖出 self.sell() # 创建引擎 cerebro = bt.Cerebro() cerebro.addstrategy(MyStrategy) # 加载数据（Yahoo CSV格式） data = bt.feeds.YahooFinanceCSVData(dataname='stock_data.csv') cerebro.adddata(data) # 设置初始资金 cerebro.broker.setcash(100000.0) # 设置手续费 cerebro.broker.setcommission(commission=0.001) # 运行回测 print(f'初始资金: {cerebro.broker.getvalue():.2f}') cerebro.run() print(f'最终资金: {cerebro.broker.getvalue():.2f}') # 绘制结果 cerebro.plot()
数据源
从Pandas DataFrame加载
pythonimport backtrader as bt import pandas as pd # 从CSV读取数据 df = pd.read_csv('stock_data.csv', parse_dates=['date'], index_col='date') # DataFrame必须包含列: open, high, low, close, volume（小写列名） data = bt.feeds.PandasData(dataname=df) cerebro.adddata(data)
从CSV文件加载
python# 通用CSV格式 data = bt.feeds.GenericCSVData( dataname='stock_data.csv', dtformat='%Y-%m-%d', # 日期格式 datetime=0, # 日期列索引 open=1, # 开盘价列索引 high=2, # 最高价列索引 low=3, # 最低价列索引 close=4, # 收盘价列索引 volume=5, # 成交量列索引 openinterest=-1 # 持仓量列索引（-1表示无此列） ) cerebro.adddata(data)
多股票 / 多周期
python# 加载多只股票数据 data1 = bt.feeds.PandasData(dataname=df1, name='stock1') data2 = bt.feeds.PandasData(dataname=df2, name='stock2') cerebro.adddata(data1) cerebro.adddata(data2) # 在策略中访问多只股票 class MultiStockStrategy(bt.Strategy): def __init__(self): # self.datas[0]是第一只股票，self.datas[1]是第二只 self.sma1 = bt.indicators.SMA(self.datas[0].close, period=20) self.sma2 = bt.indicators.SMA(self.datas[1].close, period=20) def next(self): for i, d in enumerate(self.datas): print(f'{d._name}: close={d.close[0]:.2f}')
数据重采样（分钟线转日线）
python# 加载分钟数据 data_min = bt.feeds.GenericCSVData(dataname='1min_data.csv', timeframe=bt.TimeFrame.Minutes) cerebro.adddata(data_min) # 重采样为日线 cerebro.resampledata(data_min, timeframe=bt.TimeFrame.Days)
策略类详解
策略参数
pythonclass MyStrategy(bt.Strategy): # 定义可调参数（元组格式） params = ( ('fast_period', 5), # 快速均线周期 ('slow_period', 20), # 慢速均线周期 ('stake', 100), # 每次交易手数 ) def __init__(self): self.fast_ma = bt.indicators.SMA(period=self.p.fast_period) self.slow_ma = bt.indicators.SMA(period=self.p.slow_period) # self.p 是 self.params 的简写 def next(self): if self.fast_ma[0] > self.slow_ma[0]: self.buy(size=self.p.stake) # 参数可在运行时覆盖 cerebro.addstrategy(MyStrategy, fast_period=10, slow_period=30)
交易方法
pythonclass MyStrategy(bt.Strategy): def next(self): # 按数量买入 self.buy(size=100) # 买入100股 self.sell(size=100) # 卖出100股 # 调整到目标仓位 self.order_target_size(target=500) # 调整持仓为500股 self.order_target_value(target=50000) # 调整持仓为5万元市值 self.order_target_percent(target=0.5) # 调整持仓为总资产的50% # 限价单 self.buy(size=100, price=10.5, exectype=bt.Order.Limit) # 止损单 self.sell(size=100, price=9.0, exectype=bt.Order.Stop) # 止损限价单 self.buy(size=100, price=10.5, pricelimit=10.8, exectype=bt.Order.StopLimit) # 撤单 order = self.buy(size=100) self.cancel(order) # 对其他股票下单 self.buy(data=self.datas[1], size=200) # 买入第二只股票
订单通知回调
pythonclass MyStrategy(bt.Strategy): def notify_order(self, order): """订单状态变化时触发""" if order.status in [order.Submitted, order.Accepted]: return # 订单已提交/已接受，等待执行 if order.status in [order.Completed]: if order.isbuy(): print(f'买入执行: 价格={order.executed.price:.2f}, ' f'数量={order.executed.size}, 手续费={order.executed.comm:.2f}') else: print(f'卖出执行: 价格={order.executed.price:.2f}, ' f'数量={order.executed.size}, 手续费={order.executed.comm:.2f}') elif order.status in [order.Canceled, order.Margin, order.Rejected]: print(f'订单失败: 状态={order.getstatusname()}') def notify_trade(self, trade): """交易完成时触发（一买一卖构成完整交易）""" if trade.isclosed: print(f'交易完成: 毛利润={trade.pnl:.2f}, 净利润={trade.pnlcomm:.2f}')
获取数据与持仓
pythonclass MyStrategy(bt.Strategy): def next(self): # 当前K线数据 current_close = self.data.close[0] # 当前收盘价 prev_close = self.data.close[-1] # 前一根K线收盘价 current_volume = self.data.volume[0] # 当前成交量 current_date = self.data.datetime.date(0) # 当前日期 # 持仓信息 position = self.getposition(self.data) print(f'持仓数量: {position.size}') print(f'平均成本: {position.price:.2f}') # 账户信息 cash = self.broker.getcash() # 可用资金 value = self.broker.getvalue() # 总资产 print(f'可用资金: {cash:.2f}, 总资产: {value:.2f}')
内置技术指标
pythonclass MyStrategy(bt.Strategy): def __init__(self): # 均线 self.sma = bt.indicators.SimpleMovingAverage(self.data.close, period=20) self.ema = bt.indicators.ExponentialMovingAverage(self.data.close, period=20) self.wma = bt.indicators.WeightedMovingAverage(self.data.close, period=20) # MACD self.macd = bt.indicators.MACD(self.data.close) # self.macd.macd = DIF线, self.macd.signal = DEA线, self.macd.histo = MACD柱 # RSI self.rsi = bt.indicators.RSI(self.data.close, period=14) # 布林带 self.boll = bt.indicators.BollingerBands(self.data.close, period=20, devfactor=2.0) # self.boll.mid = 中轨, self.boll.top = 上轨, self.boll.bot = 下轨 # KDJ（随机振荡器） self.stoch = bt.indicators.Stochastic(self.data, period=14) # ATR（真实波动幅度） self.atr = bt.indicators.ATR(self.data, period=14) # 交叉信号 self.crossover = bt.indicators.CrossOver(self.sma, self.ema) # crossover > 0 表示金叉, < 0 表示死叉
券商/经纪商设置
pythoncerebro = bt.Cerebro() # 设置初始资金 cerebro.broker.setcash(1000000.0) # 设置手续费 cerebro.broker.setcommission(commission=0.001) # 0.1% # 按百分比设置手续费 cerebro.broker.setcommission( commission=0.0003, # 0.03% margin=None, # 保证金（期货用） mult=1.0 # 合约乘数（期货用） ) # 设置滑点 cerebro.broker.set_slippage_perc(perc=0.001) # 百分比滑点 cerebro.broker.set_slippage_fixed(fixed=0.02) # 固定滑点 # 设置每笔交易数量 cerebro.addsizer(bt.sizers.FixedSize, stake=100) # 固定100股 cerebro.addsizer(bt.sizers.PercentSizer, percents=95) # 总资产的95%
分析器
pythoncerebro = bt.Cerebro() cerebro.addstrategy(MyStrategy) # 添加分析器 cerebro.addanalyzer(bt.analyzers.SharpeRatio, _name='sharpe') # 夏普比率 cerebro.addanalyzer(bt.analyzers.DrawDown, _name='drawdown') # 最大回撤 cerebro.addanalyzer(bt.analyzers.Returns, _name='returns') # 收益率 cerebro.addanalyzer(bt.analyzers.TradeAnalyzer, _name='trades') # 交易统计 cerebro.addanalyzer(bt.analyzers.SQN, _name='sqn') # 系统质量数 cerebro.addanalyzer(bt.analyzers.AnnualReturn, _name='annual') # 年化收益 results = cerebro.run() strat = results[0] # 获取分析结果 print(f"夏普比率: {strat.analyzers.sharpe.get_analysis()['sharperatio']:.2f}") print(f"最大回撤: {strat.analyzers.drawdown.get_analysis()['max']['drawdown']:.2f}%") print(f"总收益率: {strat.analyzers.returns.get_analysis()['rtot']:.4f}") # 交易统计 trade_analysis = strat.analyzers.trades.get_analysis() print(f"总交易次数: {trade_analysis['total']['total']}") print(f"盈利次数: {trade_analysis['won']['total']}") print(f"亏损次数: {trade_analysis['lost']['total']}")
参数优化
python# 使用 optstrategy 进行参数网格搜索 cerebro = bt.Cerebro() cerebro.optstrategy( MyStrategy, fast_period=range(5, 15), # 快速均线: 5 到 14 slow_period=range(20, 40, 5) # 慢速均线: 20, 25, 30, 35 ) data = bt.feeds.PandasData(dataname=df) cerebro.adddata(data) cerebro.broker.setcash(100000) cerebro.addanalyzer(bt.analyzers.SharpeRatio, _name='sharpe') # 运行优化（自动遍历所有参数组合） results = cerebro.run(maxcpus=4) # 多核并行 # 提取最优参数 best_sharpe = -999 best_params = None for result in results: for strat in result: sharpe = strat.analyzers.sharpe.get_analysis().get('sharperatio', 0) or 0 if sharpe > best_sharpe: best_sharpe = sharpe best_params = strat.params print(f'最优参数: fast={best_params.fast_period}, slow={best_params.slow_period}') print(f'最优夏普: {best_sharpe:.2f}')
进阶示例
更多完整策略示例（MACD+布林带组合、海龟交易、多股票轮动）见 references/advanced-strategies.md。
常见错误处理
| 错误 | 原因 | 解决方法 |
|---|---|---|
KeyError 或数据列缺失 | DataFrame 列名不符合要求 | 确保列名为小写：open, high, low, close, volume，索引为日期 |
IndexError: array index out of range | 数据量不足，指标无法计算 | 增加数据量或减少指标周期 |
| 绘图无输出/报错 | 未安装 matplotlib | pip install matplotlib |
| 参数优化结果为空 | sharpe 返回 None | 使用 or 0 处理空值（见参数优化示例） |
| 策略不触发交易 | 数据格式或逻辑问题 | 检查 DataFrame 索引是否为 DatetimeIndex，数据是否按日期排序 |
NegativeStackSize | 数据长度不足以覆盖预热期 | 增加数据量或减小指标窗口 |
使用技巧
- Backtrader 是纯本地框架，不依赖在线服务，适合离线研究。
- 数据需要用户自行准备（可配合 baostock、AKShare、Tushare 等数据源 Skill 使用）。
- 在
__init__中定义指标，在next中编写交易逻辑 — 这是核心模式。 - 使用
self.data.close[0]访问当前值，[-1]访问前一个值。 - 通过
optstrategy进行参数优化支持多核并行，显著加速。 - 绘图需要安装 matplotlib；直接调用
cerebro.plot()即可。
资源索引
- references/advanced-strategies.md — 完整策略示例（MACD+布林带、海龟交易、多股票轮动）。需要参考进阶策略实现时读取。
规则
- 使用此 Skill 前，确认用户明确需要 backtrader 框架进行策略开发。若用户仅需要数据获取，引导使用 baostock/pywencai 等数据 Skill。
- 指标必须在
__init__中定义，交易逻辑必须在next中编写，不要在next中创建指标。 - DataFrame 列名必须为小写（
open, high, low, close, volume），索引必须为日期（DatetimeIndex）。 - 示例中若需真实市场数据，应提示用户配合 baostock 等数据源 Skill 获取，不要在示例中使用虚构数据路径。
- 始终在策略中处理
sharpe为None的情况（参数优化时）。
