Python量化交易学习笔记(12)——第一个策略回测程序v10

v10将对回测结果及相关指标进行绘图展示。

backtrader平台只需要在调用cerebro.run()后,添加如下一行代码就能完成绘图工作:

cerebro.plot()

为了展示backtrader自动绘图功能的易定制化及强大能力,将在v10中还添加了如下指标:

  • 指数移动均值(ExponentialMovingAverage)
  • 加权移动均值(WeightedMovingAverage)
  • 慢速随机指标(StochasticSlow)
  • MACD
  • RSI
  • 应用于RSI的简单移动均值(SimpleMovingAverage)
  • 真实波动幅度均值(AverageTrueRange )

需要在策略的init方法中添加如下代码:

        # 绘图显示的指标
        bt.indicators.ExponentialMovingAverage(self.datas[0], period = 25)
        bt.indicators.WeightedMovingAverage(self.datas[0], period = 25,
                                            subplot = True)
        bt.indicators.StochasticSlow(self.datas[0])
        bt.indicators.MACDHisto(self.datas[0])
        rsi = bt.indicators.RSI(self.datas[0])
        bt.indicators.SmoothedMovingAverage(rsi, period = 10)
        bt.indicators.ATR(self.datas[0], plot = False)

这里注意,即使指标没有像简单移动均值那样保存为策略的成员变量(self.sma = MovingAverageSimple…),这些指标仍然会被自动注册到策略中,影响next方法调用的最小周期数目,并且出现在最终的绘图结果里。

在代码中可以看到,只有RSI指标被赋值到了一个临时变量rsi内,这是为了在RSI上计算平滑移动均值(MovingAverageSmoothed)。

最终得到的绘图结果如下图所示:
Python量化交易学习笔记(12)——第一个策略回测程序v10_第1张图片
v10输出为:

Starting Portfolio Value: 100000.00
2019-11-22, Close, 15.59

2019-12-11, BUY CREATE, 15.66
2019-12-12, BUY EXECUTED, Price: 15.66, Cost: 1566.00, Comm 1.57
2019-12-12, Close, 15.60
2019-12-13, Close, 16.12
2019-12-16, Close, 16.13
2019-12-17, Close, 16.50

2020-02-26, SELL CREATE, 14.99
2020-02-27, SELL EXECUTED, Price: 14.96, Cost: 1533.00, Comm 1.50
2020-02-27, OPERATION PROFIT, GROSS -37.00, NET -40.03
2020-02-27, Close, 15.11
2020-02-27, BUY CREATE, 15.11
2020-02-28, BUY EXECUTED, Price: 14.85, Cost: 1485.00, Comm 1.49
2020-02-28, Close, 14.50
2020-02-28, SELL CREATE, 14.50
Final Portfolio Value: 100006.27

从输出结果可以看到,和v9相比,即使我们没有修改策略逻辑,我们的回测结果也发生了变化。v9在2019年10月28日开始有输出记录,而v10在2019年11月22日才开始有输出记录。这是因为我们在v10中添加了新的指标,正如前面所说,backtrader会等待所有指标都计算得出有效数值后,才会调用next函数开始回测。从绘制结果图中可以看到,MACD是最晚出现有效值的指标,开始出现有效值的时间为2019年11月22日,与我们的输出结果相匹配。

程序v10-绘图:

from __future__ import (absolute_import, division, print_function,
                        unicode_literals)
import datetime  # 用于datetime对象操作
import os.path  # 用于管理路径
import sys  # 用于在argvTo[0]中找到脚本名称
import backtrader as bt # 引入backtrader框架

# 创建策略
class TestStrategy(bt.Strategy):
    params = (
        ('maperiod', 15),
    )
    def log(self, txt, dt=None):
        ''' 策略的日志函数'''
        dt = dt or self.datas[0].datetime.date(0)
        print('%s, %s' % (dt.isoformat(), txt))
    def __init__(self):
        # 引用data[0]数据的收盘价数据
        self.dataclose = self.datas[0].close
        # 用于记录订单状态
        self.order = None
        self.buyprice = None
        self.buycomm = None
        # 添加MovingAverageSimple指标
        self.sma = bt.indicators.SimpleMovingAverage(
                self.datas[0], period = self.params.maperiod)
        # 绘图显示的指标
        bt.indicators.ExponentialMovingAverage(self.datas[0], period = 25)
        bt.indicators.WeightedMovingAverage(self.datas[0], period = 25,
                                            subplot = True)
        bt.indicators.StochasticSlow(self.datas[0])
        bt.indicators.MACDHisto(self.datas[0])
        rsi = bt.indicators.RSI(self.datas[0])
        bt.indicators.SmoothedMovingAverage(rsi, period = 10)
        bt.indicators.ATR(self.datas[0], plot = False)
    def notify_order(self, order):
        if order.status in [order.Submitted, order.Accepted]:
            # 提交给代理或者由代理接收的买/卖订单 - 不做操作
            return
        # 检查订单是否执行完毕
        # 注意:如果没有足够资金,代理会拒绝订单
        if order.status in [order.Completed]:
            if order.isbuy():
                self.log(
                    'BUY EXECUTED, Price: %.2f, Cost: %.2f, Comm %.2f' %
                    (order.executed.price,
                     order.executed.value,
                     order.executed.comm))
                self.buyprice = order.executed.price
                self.buycomm = order.executed.comm
            else: # 卖
                self.log('SELL EXECUTED, Price: %.2f, Cost: %.2f, Comm %.2f' %
                         (order.executed.price,
                          order.executed.value,
                          order.executed.comm))
            self.bar_executed = len(self)
        elif order.status in [order.Canceled, order.Margin, order.Rejected]:
            self.log('Order Canceled/Margin/Rejected')
        # 无等待处理订单
        self.order = None
    def notify_trade(self, trade):
        if not trade.isclosed:
            return
        self.log('OPERATION PROFIT, GROSS %.2f, NET %.2f' %
                 (trade.pnl, trade.pnlcomm))
    def next(self):
        # 日志输出收盘价数据
        self.log('Close, %.2f' % self.dataclose[0])
        # 检查是否有订单等待处理,如果是就不再进行其他下单
        if self.order:
            return
        # 检查是否已经进场
        if not self.position:
            # 还未进场,则只能进行买入
            # 当日收盘价小于前一日收盘价
            # 当收盘价大于均线值时
            if self.dataclose[0] > self.sma[0]:
                # 买买买
                self.log('BUY CREATE, %.2f' % self.dataclose[0])
                # 记录订单避免二次下单
                self.order = self.buy()
        # 如果已经在场内,则可以进行卖出操作
        else:
            # 卖卖卖
            if self.dataclose[0] < self.sma[0]:
                self.log('SELL CREATE, %.2f' % self.dataclose[0])
                # 记录订单避免二次下单
                self.order = self.sell()
                
# 创建cerebro实体
cerebro = bt.Cerebro()
# 添加策略
cerebro.addstrategy(TestStrategy)
# 先找到脚本的位置,然后根据脚本与数据的相对路径关系找到数据位置
# 这样脚本从任意地方被调用,都可以正确地访问到数据
modpath = os.path.dirname(os.path.abspath(sys.argv[0]))
datapath = os.path.join(modpath, '../TQDat/day/stk/000001.csv')
# 创建价格数据
data = bt.feeds.GenericCSVData(
        dataname = datapath,
        fromdate = datetime.datetime(2019, 10, 1),
        todate = datetime.datetime(2020, 2, 29),
        nullvalue = 0.0,
        dtformat = ('%Y-%m-%d'),
        datetime = 0,
        open = 1,
        high = 2,
        low = 3,
        close = 4,
        volume = 5,
        openinterest = -1
        )
# 在Cerebro中添加价格数据
cerebro.adddata(data)
# 设置启动资金
cerebro.broker.setcash(100000.0)
# 设置交易单位大小
cerebro.addsizer(bt.sizers.FixedSize, stake = 100)
# 设置佣金为千分之一
cerebro.broker.setcommission(commission=0.001)
# 打印开始信息
print('Starting Portfolio Value: %.2f' % cerebro.broker.getvalue())
# 遍历所有数据
cerebro.run()
# 打印最后结果
print('Final Portfolio Value: %.2f' % cerebro.broker.getvalue())
# 绘制结果
cerebro.plot()

为了便于相互交流学习,新建了微信群,感兴趣的读者请加微信。
在这里插入图片描述

你可能感兴趣的:(Python量化交易)