python股票回测源码_股票量化交易回测框架pyalgotrade源码阅读(一)
PyAlgoTrade是什么呢？
一个股票量化交易的策略回测框架。
而作者的说明如下。
To make it easy to backtest stock trading strategies.
简单的来说，是一个用于验证自己交易策略的框架。
适用以下场景：
我有个前无古人后无来者的想法，我觉得我按照这个想法去买股票稳赚不赔，但是为了稳妥起见，我需要测试一下这个我的这个想法到底用没有用，怎么测试呢？
大概下面两种方法
一：弄个模拟交易的软件，每天按照自己的想法买入卖出，然后看看一个月或者一年后的收益如何。
优点:更贴近现实，至少当下的现实
缺点:测试周期大，数据有限
二：我相信我的这个想法不是针对现在或者未来有用，甚至是在以前应该也是起作用的，那么我可以将历史数据调出来，用于测试，看看在历史行情中收益如何。
优点:数据充分，可以反复测试。
缺点:可能不能贴近现实
而pyalgotrade就是为了提供给使用者基于历史数据回测的框架，即为了让你更好的使用上述的第二种方法。
注:无论怎么测，肯定都有偏差的, 因为都是猜，就像×××，你算好了各种概率，想好了各种策略，但是你能保证的只是你赢钱的概率大一些，而不是必赢，因为在没有欺诈的情况下，未来是不可测，也不能确定的，谁也不能预知未来~吧~
文章目录官方示例
设计模式之观察者模式
源码解析
官方示例
sma_crossover.py文件from pyalgotrade import strategy
from pyalgotrade.technical import ma
from pyalgotrade.technical import cross
class SMACrossOver(strategy.BacktestingStrategy):
def __init__(self, feed, instrument, smaPeriod):
super(SMACrossOver, self).__init__(feed)
self.__instrument = instrument
self.__position = None
# We'll use adjusted close values instead of regular close values.
self.setUseAdjustedValues(True)
self.__prices = feed[instrument].getPriceDataSeries()
self.__sma = ma.SMA(self.__prices, smaPeriod)
def getSMA(self):
return self.__sma
def onEnterCanceled(self, position):
self.__position = None
def onExitOk(self, position):
self.__position = None
def onExitCanceled(self, position):
# If the exit was canceled, re-submit it.
self.__position.exitMarket()
def onBars(self, bars):
# If a position was not opened, check if we should enter a long position.
if self.__position is None:
if cross.cross_above(self.__prices, self.__sma) > 0:
shares = int(self.getBroker().getCash() * 0.9 / bars[self.__instrument].getPrice())
# Enter a buy market order. The order is good till canceled.
self.__position = self.enterLong(self.__instrument, shares, True)
# Check if we have to exit the position.
elif not self.__position.exitActive() and cross.cross_below(self.__prices, self.__sma) > 0:
self.__position.exitMarket()
sma_crossover_sample.pyimport sma_crossover
from pyalgotrade import plotter
from pyalgotrade.tools import yahoofinance
from pyalgotrade.stratanalyzer import sharpe
def main(plot):
instrument = "aapl"
smaPeriod = 163
# Download the bars.
feed = yahoofinance.build_feed([instrument], 2011, 2012, ".")
strat = sma_crossover.SMACrossOver(feed, instrument, smaPeriod)
sharpeRatioAnalyzer = sharpe.SharpeRatio()
strat.attachAnalyzer(sharpeRatioAnalyzer)
if plot:
plt = plotter.StrategyPlotter(strat, True, False, True)
plt.getInstrumentSubplot(instrument).addDataSeries("sma", strat.getSMA())
strat.run()
print "Sharpe ratio: %.2f" % sharpeRatioAnalyzer.getSharpeRatio(0.05)
if plot:
plt.plot()
if __name__ == "__main__":
main(True)
上面的代码主要做一件这样的事。
创建了一个策略，这个策略就是你的想法，这个想法是什么呢？
想法是，当价格高于近163日内的平均价格就买入，低于近163日内的平均价格就卖出(平仓)。
其实还做了其他的事，比如策略分析之类的，但是这篇文章暂时忽略。
设计模式之观察者模式#!/usr/bin/python
#coding:utf8
'''
Observer
'''
class Subject(object):
def __init__(self):
self._observers = []
def attach(self, observer):
if not observer in self._observers:
self._observers.append(observer)
def detach(self, observer):
try:
self._observers.remove(observer)
except ValueError:
pass
def notify(self, modifier=None):
for observer in self._observers:
if modifier != observer:
observer.update(self)
# Example usage
class Data(Subject):
def __init__(self, name=''):
Subject.__init__(self)
self.name = name
self._data = 0
@property
def data(self):
return self._data
@data.setter
def data(self, value):
self._data = value
self.notify()
class HexViewer:
def update(self, subject):
print('HexViewer: Subject %s has data 0x%x' %
(subject.name, subject.data))
class DecimalViewer:
def update(self, subject):
print('DecimalViewer: Subject %s has data %d' %
(subject.name, subject.data))
# Example usage...
def main():
data1 = Data('Data 1')
data2 = Data('Data 2')
view1 = DecimalViewer()
view2 = HexViewer()
data1.attach(view1)
data1.attach(view2)
data2.attach(view2)
data2.attach(view1)
print("Setting Data 1 = 10")
data1.data = 10
print("Setting Data 2 = 15")
data2.data = 15
print("Setting Data 1 = 3")
data1.data = 3
print("Setting Data 2 = 5")
data2.data = 5
print("Detach HexViewer from data1 and data2.")
data1.detach(view2)
data2.detach(view2)
print("Setting Data 1 = 10")
data1.data = 10
print("Setting Data 2 = 15")
data2.data = 15
if __name__ == '__main__':
main()
意图：
定义对象间的一种一对多的依赖关系,当一个对象的状态发生改变时, 所有依赖于它的对象都得到通知并被自动更新。
适用性：
当一个抽象模型有两个方面, 其中一个方面依赖于另一方面。将这二者封装在独立的对象中以使它们可以各自独立地改变和复用。
当对一个对象的改变需要同时改变其它对象, 而不知道具体有多少对象有待改变。
当一个对象必须通知其它对象，而它又不能假定其它对象是谁。换言之, 你不希望这些对象是紧密耦合的。
如果你看得懂就略过吧。
上面的代码想做个上面事情呢？
想达到事件的目的，即，在更新数据的时候，会触发相关的事件。
上面定义了主要三个种类型的类，subject，data，viewer。
其中subject是data的父类。
通过attach的操作，将不同的viewer加入到self.__observers列表里面，当data对象要更新数据的时候，就回调用notify方法，而notify方法则会遍历self.__observers列表的每个observer,然后依次调用其update方法。
这也是为毛hexViewer,DecimalViewer都要实现自身的update方法。
为毛要这么写？
前人总结的经验~
能不能不这么写？
可以的。
如果看不懂这个设计模式，那么pyalgotrade的源码看起来可能会比较吃力，但是也只是可能而已，因为很多人看不懂，只是因为没有实际的有用场景而已。
源码解析
首先是框架，看一遍，比如那些模块，不过个人经验之谈就是，看完之后，一般都会有一下迷思。
为毛这么写？
这里到底想干什么？
这么复杂有毛用~
恩，我也是这种感觉~
一般是pdb跟一遍流程或者一个一个找继承关系。
pdb这里就不讲了，主要就是跟每个方法调用死磕到底，当然了，你也许有你得方法，我比较较真就是这样看源代码的，至少现在是这样的。
在看源代码之前，官方文档，示例什么的最好也看一下，这样才能跟接近作者的意思。
这里面有个对象，需要着重声明，那就是bar。
什么是bar呢？
每个bar都是一个时刻股票各个价格的集合，即，当前价格，当前时间，最高价，最低价，成交量什么的。
而这些属性都是通过get_xxx的方法获取的。
获取数据
很明显数据是通过下面这行代码获取的。feed = yahoofinance.build_feed([instrument], 2011, 2012, ".")
build_feed方法在tools/yahoofinance.pydef build_feed(instruments, fromYear, toYear, storage, frequency=bar.Frequency.DAY, timezone=None, skipErrors=False):
logger = pyalgotrade.logger.getLogger("yahoofinance")
logger = pyalgotrade.logger.getLogger("yahoofinance")
ret = yahoofeed.Feed(frequency, timezone)
for year in range(fromYear, toYear+1):
for instrument in instruments:
fileName = os.path.join(storage, "%s-%d-yahoofinance.csv" % (instrument, year))
if not os.path.exists(fileName):
logger.info("Downloading %s %d to %s" % (instrument, year, fileName))
try:
if frequency == bar.Frequency.DAY:
download_daily_bars(instrument, year, fileName)
elif frequency == bar.Frequency.WEEK:
download_weekly_bars(instrument, year, fileName)
else:
raise Exception("Invalid frequency")
except Exception, e:
if skipErrors:
logger.error(str(e))
continue
else:
raise e
ret.addBarsFromCSV(instrument, fileName)
return ret
在build_feed函数里面又根据情况调用了相应的下载函数def download_csv(instrument, begin, end, frequency):
url = "http://ichart.finance.yahoo.com/table.csv?s=%s&a=%d&b=%d&c=%d&d=%d&e=%d&f=%d&g=%s&ignore=.csv" % (instrument, __adjust_month(begin.month), begin.day, begin.year, __adjust_month(end.month), end.day, end.year, frequency)
return csvutils.download_csv(url)
而最终执行的下载函数为download_csv，通过这个函数我们可以访问yahoo的api，最终下载函数，当然了，可以进一步的查看csvutils.download_csv函数。
这里我们知道数据是通过download_csv这个函数，将相应的股票代码，开始结束时间及频率传入，然后访问相应的url，得到相应的数据。
feed对象
在tools/yahoofinance.py中我们可以看到，返回的结果并不是一个csv的对象，而是一个ret即,Feed对象，而Feed对象通过addBarsFromCSV将下载的数据加载到内存。
从这里你也许会开始抓狂了为毛一层一层的继承。
其中yahoofeed.Feed在barfeed/yahoofeed.pyclass Feed(csvfeed.BarFeed):
def addBarsFromCSV(self, instrument, path, timezone=None):
rowParser = RowParser(
self.getDailyBarTime(), self.getFrequency(), timezone, self.__sanitizeBars, self.__barClass
)
super(Feed, self).addBarsFromCSV(instrument, path, rowParser)
上面调用了父类的addBarsFromCSV方法。
父类的addBarsFromCSV在barfeed/csvfeed.pyclass BarFeed(membf.BarFeed):
def addBarsFromCSV(self, instrument, path, rowParser):
# Load the csv file
loadedBars = []
reader = csvutils.FastDictReader(open(path, "r"), fieldnames=rowParser.getFieldNames(), delimiter=rowParser.getDelimiter())
for row in reader:
bar_ = rowParser.parseBar(row)
if bar_ is not None and (self.__barFilter is None or self.__barFilter.includeBar(bar_)):
loadedBars.append(bar_)
self.addBarsFromSequence(instrument, loadedBars)
然后csvfeed又调用了父类的方法~
值得注意的是，上面的rowParser.parseBar方法在子类实现的 。。。后面会在提及。
addBarsFromSequence方法在barfeed/membf.pyclass BarFeed(barfeed.BaseBarFeed):
def addBarsFromSequence(self, instrument, bars):
if self.__started:
raise Exception("Can't add more bars once you started consuming bars")
self.__bars.setdefault(instrument, [])
self.__nextPos.setdefault(instrument, 0)
# Add and sort the bars
self.__bars[instrument].extend(bars)
barCmp = lambda x, y: cmp(x.getDateTime(), y.getDateTime())
self.__bars[instrument].sort(barCmp)
self.registerInstrument(instrument)
然后又调用了父类的方法~
值得注意的是这里将yahoo的数据存在了self.__bars中，至于bars是什么对象，后面再说。
registerInstrument方法在barfeed/__init__.pyclass BaseBarFeed(feed.BaseFeed):
def registerInstrument(self, instrument):
self.__defaultInstrument = instrument
self.registerDataSeries(instrument)
然后又调用了父类的方法~
registerDataSeries方法在feed/__init__.pyclass BaseFeed(observer.Subject):
def __init__(self, maxLen):
super(BaseFeed, self).__init__()
maxLen = dataseries.get_checked_max_len(maxLen)
self.__ds = {}
self.__event = observer.Event()
self.__maxLen = maxLen
def registerDataSeries(self, key):
if key not in self.__ds:
self.__ds[key] = self.createDataSeries(key, self.__maxLen)
恩，这里就是逻辑的终点了，虽然它还是继承，不过pyalgotrade里面大多数对象都是是继承observer.Subject，之所以继承，是为了完成类似观察者的设计模式里面的事件操作。
简单总结一下继承关系。
barfeed/yahoofeed.Feed -> barfeed/csvfeed.BarFeed -> barfeed/membf.BarFeed -> barfeed/__init__.py.BaseFeed -> feed/__init.py.BaseFeed
然后yahoo的数据结果，最终是由RowParser的parseBar方法依次导入，而RowPaser.parseBar方法是在barfeed/yahoofeed.py中。
然后我们再来走一遍加载数据的流程，不过这次不只是整个逻辑，而这次我们关注于具体的数据是啥。
其中barfeed/yahoofeed里面的RowParser的逻辑及parsrBar的具体的具体实现,截取如下。class RowParser(csvfeed.RowParser):
def __init__(self, dailyBarTime, frequency, timezone=None, sanitize=False, barClass=bar.BasicBar):
self.__dailyBarTime = dailyBarTime
self.__frequency = frequency
self.__timezone = timezone
self.__sanitize = sanitize
self.__barClass = barClass
def __parseDate(self, dateString):
ret = parse_date(dateString)
# Time on Yahoo! Finance CSV files is empty. If told to set one, do it.
if self.__dailyBarTime is not None:
ret = datetime.datetime.combine(ret, self.__dailyBarTime)
# Localize the datetime if a timezone was given.
if self.__timezone:
ret = dt.localize(ret, self.__timezone)
return ret
def getFieldNames(self):
# It is expected for the first row to have the field names.
return None
def getDelimiter(self):
return ","
def parseBar(self, csvRowDict):
dateTime = self.__parseDate(csvRowDict["Date"])
close = float(csvRowDict["Close"])
open_ = float(csvRowDict["Open"])
high = float(csvRowDict["High"])
low = float(csvRowDict["Low"])
volume = float(csvRowDict["Volume"])
adjClose = float(csvRowDict["Adj Close"])
if self.__sanitize:
open_, high, low, close = common.sanitize_ohlc(open_, high, low, close)
return self.__barClass(dateTime, open_, high, low, close, volume, adjClose, self.__frequency)
其中解析后返回的结果是一个bar.BasicBar对象。
然后调用父类barfeed/csvfeed里面的addBarsFromCSV方法，得到一个bar.BasicBar对象的列表，即loadBars。传入继承于父类的addBarsFromSequence方法，截取如下。class BarFeed(membf.BarFeed):
def addBarsFromCSV(self, instrument, path, rowParser):
# Load the csv file
loadedBars = []
reader = csvutils.FastDictReader(open(path, "r"), fieldnames=rowParser.getFieldNames(), delimiter=rowParser.getDelimiter())
for row in reader:
bar_ = rowParser.parseBar(row)
if bar_ is not None and (self.__barFilter is None or self.__barFilter.includeBar(bar_)):
loadedBars.append(bar_)
self.addBarsFromSequence(instrument, loadedBars)
下面则是处理addBarsFromSequence的操作，主要是创建了一个self.__bars的字典,每个股票代码对应相应时间段的bar.BasicBar对象的列表，然后调用父类的registerInstrument方法，传入相应的股票代码。
barfeed/membf.py --> BarFeedclass BarFeed(barfeed.BaseBarFeed):
def addBarsFromSequence(self, instrument, bars):
if self.__started:
raise Exception("Can't add more bars once you started consuming bars")
self.__bars.setdefault(instrument, [])
self.__nextPos.setdefault(instrument, 0)
# Add and sort the bars
self.__bars[instrument].extend(bars)
barCmp = lambda x, y: cmp(x.getDateTime(), y.getDateTime())
self.__bars[instrument].sort(barCmp)
self.registerInstrument(instrument)
下面则是registerInstrument的具体逻辑，即注册DataSeries对象,而registerDataSeries方法是在父类实现。
barfeed/__init__.py --->BaseBarFeedBaseBarFeed(feed.BaseFeed):
def registerInstrument(self, instrument):
self.__defaultInstrument = instrument
self.registerDataSeries(instrument)
下面则是最终的registerDataSeries操作，创建了一个dataseries的对象。
feed/__init__.py --->BaseFeedclass BaseFeed(observer.Subject):
def registerDataSeries(self, key):
if key not in self.__ds:
self.__ds[key] = self.createDataSeries(key, self.__maxLen)
而createDataSeries方法并没有在基类中实现。@abc.abstractmethod
def createDataSeries(self, key, maxLen):
raise NotImplementedError()
createDataSeries的具体实现则是在barfeed/__init__.py --->BaseBarFeeddef createDataSeries(self, key, maxLen):
ret = bards.BarDataSeries(maxLen)
ret.setUseAdjustedValues(self.__useAdjustedValues)
return ret
所以最终，feed对象有两个重要的数据集。
一:
self.__bars
里面的数据结构大概是{"instrument_xx":[bar1,bar2,bar3]}
self.__ds = {}
里面的数据结构大概是self.__ds = {"instrument_xx": dataseries_xx}
其中instrument指特定的股票代码，比如aapl，bar1，bar2则是bar.BasicBar对象，dataseries则是bards.BarDataSeries对象。
至于bar.BasicBar以及dataseries的数据结构到底是什么，大家可以自行瞧瞧。
值得注意的是，父类与基类之间数据获取不会通过共享变量的方式获得，比如最终通过基类self.__ds的数据是通过基类的getKeys的方法暴露给子类去获取实际的数据。。
策略
初始化策略strat = sma_crossover.SMACrossOver(feed, instrument, smaPeriod)
策略最终继承于strategy.BacktestingStrategy
analyzer
创建一个stratanalyzer的实例并attachsharpeRatioAnalyzer = sharpe.SharpeRatio()
strat.attachAnalyzer(sharpeRatioAnalyzer)
analyzer这里暂时不说，因为，这里主要将具体的策略实现，以及feed对象，analyzer以及broker的内容会放在下一篇文章讲。
run
运行策略。strat.run()
run方法在strategy/__init__.py里面的BaseStrategy类。class BaseStrategy(object):
def run(self):
"""Call once (**and only once**) to run the strategy."""
self.__dispatcher.run()
if self.__barFeed.getCurrentBars() is not None:
self.onFinish(self.__barFeed.getCurrentBars())
else:
raise Exception("Feed was empty")
而run方法会调用self.__dispatcher的run方法，即dispatcher.py里面的Dispatcher类，在说Dispatcher类之前，我们得先看看BaseStrategy在初始化的时候到底初始化了啥。class BaseStrategy(object):
def __init__(self, barFeed, broker):
self.__barFeed = barFeed
self.__broker = broker
self.__activePositions = set()
self.__orderToPosition = {}
self.__barsProcessedEvent = observer.Event()
self.__analyzers = []
self.__namedAnalyzers = {}
self.__resampledBarFeeds = []
self.__dispatcher = dispatcher.Dispatcher()
self.__broker.getOrderUpdatedEvent().subscribe(self.__onOrderEvent)
self.__barFeed.getNewValuesEvent().subscribe(self.__onBars)
self.__dispatcher.getStartEvent().subscribe(self.onStart)
self.__dispatcher.getIdleEvent().subscribe(self.__onIdle)
# It is important to dispatch broker events before feed events, specially if we're backtesting.
self.__dispatcher.addSubject(self.__broker)
self.__dispatcher.addSubject(self.__barFeed)
绑定barFeed，broker到self，初始化__activePositions，OderToPosition，__analyzers，__namedAnlyzers，__resampledBarFeeds的值，并初始化一个observer.Event的实例。
创建一个dispatcher的实例，并在dispatcher的初始化过程中创建两个observer.Event，observer.Event的实例。
其中broker实例通过getOrderUpdatedEvent方法得到一个event实例，并订阅策略的onOrderEvent的事件
barFeed实例通过getNewValuesEvent方法得到一个event实例，并订阅策略的onBars的事件。
dispatcher的实例分别获得startEvent，IdleEvent并订阅onStart，__onIdle事件。
最后dispatcher实例将broker，barFeed两个subject分别加入到dispatcher的subjects列表中。
然后我们在回到Dispatcher类的run方法，这里主要是首先遍历自己__subjects列表里面的subject，然后调用每个subject的start方法，由BaseStrategy类的初始化方法可知，dispatcher加入了两个subject，分别是broker，barFeed。
具体实现如下。class Dispatcher(object):
def run(self):
try:
for subject in self.__subjects:
subject.start()
self.__startEvent.emit()
while not self.__stop:
eof, eventsDispatched = self.__dispatch()
if eof:
self.__stop = True
elif not eventsDispatched:
self.__idleEvent.emit()
finally:
for subject in self.__subjects:
subject.stop()
for subject in self.__subjects:
subject.join()
整个回测策略的逻辑基本就是在dispatcher调度各个subject并触发事件的过程。
调用完每个subject的start方法后，执行自身的self.__startEvent.emit方法。
然后通过while循环启动整个运转逻辑。
在循环结束后依次启动每个subject并等待所有subject关闭。
现在再次回到初始化过程，查看各个event，subject的内容到底是什么。self.__broker.getOrderUpdatedEvent().subscribe(self.__onOrderEvent)
def __onOrderEvent(self, broker_, orderEvent):
order = orderEvent.getOrder()
self.onOrderUpdated(order)
self.__barFeed.getNewValuesEvent().subscribe(self.__onBars)
def __onBars(self, dateTime, bars):
# THE ORDER HERE IS VERY IMPORTANT
# 1: Let analyzers process bars.
self.__notifyAnalyzers(lambda s: s.beforeOnBars(self, bars))
# 2: Let the strategy process current bars and submit orders.
self.onBars(bars)
# 3: Notify that the bars were processed.
self.__barsProcessedEvent.emit(self, bars)
self.__dispatcher.getStartEvent().subscribe(self.onStart)
def onStart(self):
"""Override (optional) to get notified when the strategy starts executing. The default implementation is empty. """
pass
self.__dispatcher.getIdleEvent().subscribe(self.__onIdle)
def __onIdle(self):
# Force a resample check to avoid depending solely on the underlying
# barfeed events.
for resampledBarFeed in self.__resampledBarFeeds:
resampledBarFeed.checkNow(self.getCurrentDateTime())
self.onIdle()
上面是各个event订阅的subject，是相应的handler函数。
然后现在瞧瞧每个subject的start方法。
其中observer.py里面定义的Subject类似一个抽象工厂，只是定义了各个方法但是并没有实现具体方法的逻辑。
我们首先来看看broker这个subject的start方法的处理逻辑。
而继承observer.Subject的Broker也只是一个抽象工厂，定义了一系列的接口。
在此策略中，我们据代码得知，我们初始化的broker是一个backtesting的broker，代码如下。class BacktestingStrategy(BaseStrategy):
def __init__(self, barFeed, cash_or_brk=1000000):
# The broker should subscribe to barFeed events before the strategy.
# This is to avoid executing orders submitted in the current tick.
if isinstance(cash_or_brk, pyalgotrade.broker.Broker):
broker = cash_or_brk
else:
broker = backtesting.Broker(cash_or_brk, barFeed)
查看backtesting的broker
broker/backtesting.py
class Broker(broker.Broker):
def start(self):
super(Broker, self).start()
查看backtesting的broker -> broker/backtesting.pyclass Broker(broker.Broker):
def start(self):
super(Broker, self).start()
其中基类的start如下observer.py
class Subject(object):
@abc.abstractmethod
def start(self):
pass
然后再来看barFeed的subject的start
其中barFeed也没有自己定义start方法，即，start方法也是如上。
在每个subject调用start方法后，dispatcher就会调用自身self.__startEvent.emit。然后到循环eof, eventsDispatched = self.__dispatch()def __dispatch(self):
smallestDateTime = None
eof = True
eventsDispatched = False
# Scan for the lowest datetime.
for subject in self.__subjects:
if not subject.eof():
eof = False
smallestDateTime = utils.safe_min(smallestDateTime, subject.peekDateTime())
再次实例创建的feed为yahoofeed
而依次继承于csvfeed.BarFeed,membf.BarFeed,barfeed.BaseBaseFeed,feed.BaseFeed
其中membf.BarFeed，BaseBarFeed都实现了eof方法。
通过代码追踪，我们发现eof主要为了判断是否以及迭代完每一个bar
代码如下def eof(self):
ret = True
# Check if there is at least one more bar to return.
for instrument, bars in self.__bars.iteritems():
nextPos = self.__nextPos[instrument]
if nextPos
ret = False
break
return ret
其中self.__nextPos在addBarsFromSequence函数里面已经将其定义为0，也就是说，这个nextPos是为了在迭代每个bar的同时记录迭代的位置，即索引位置。
当判断完eof之后，则调用__dispatchSubject方法，迭代每个subject并调用其dispatch方法。
其中dispatch的实现在基类feed/__init__.pyclass BaseFeed(observer.Subject):
def dispatch(self):
dateTime, values = self.getNextValuesAndUpdateDS()
if dateTime is not None:
self.__event.emit(dateTime, values)
return dateTime is not None
getNextValuesAndUpdateDS方法实现在feed/__init__.pydef getNextValuesAndUpdateDS(self):
dateTime, values = self.getNextValues()
if dateTime is not None:
for key, value in values.items():
# Get or create the datseries for each key.
try:
ds = self.__ds[key]
except KeyError:
ds = self.createDataSeries(key, self.__maxLen)
self.__ds[key] = ds
ds.appendWithDateTime(dateTime, value)
return (dateTime, values)
def __iter__(self):
return feed_iterator(self)
而getNextValues的方法实现在barfeed/__init__.pyclass BaseBarFeed(feed.BaseFeed):
def getNextValues(self):
dateTime = None
bars = self.getNextBars()
if bars is not None:
dateTime = bars.getDateTime()
# Check that current bar datetimes are greater than the previous one.
if self.__currentBars is not None and self.__currentBars.getDateTime() >= dateTime:
raise Exception(
"Bar date times are not in order. Previous datetime was %s and current datetime is %s" % (
self.__currentBars.getDateTime(),
dateTime
)
)
# Update self.__currentBars and self.__lastBars
self.__currentBars = bars
for instrument in bars.getInstruments():
self.__lastBars[instrument] = bars[instrument]
return (dateTime, bars)
其中 getNextBars的方法实现在barfeed/membf.pyclass BarFeed(barfeed.BaseBarFeed):
def getNextBars(self):
# All bars must have the same datetime. We will return all the ones with the smallest datetime.
smallestDateTime = self.peekDateTime()
if smallestDateTime is None:
return None
# Make a second pass to get all the bars that had the smallest datetime.
ret = {}
for instrument, bars in self.__bars.iteritems():
nextPos = self.__nextPos[instrument]
if nextPos
ret[instrument] = bars[nextPos]
self.__nextPos[instrument] += 1
if self.__currDateTime == smallestDateTime:
raise Exception("Duplicate bars found for %s on %s" % (ret.keys(), smallestDateTime))
self.__currDateTime = smallestDateTime
return bar.Bars(ret)
其中Bars对象则是对bar的进一层封装
提供方法如下。def __getitem__(self, instrument):
return self.__barDict[instrument]
def __contains__(self, instrument):
return instrument in self.__barDict
def items(self):
def keys(self):
def getInstruments(self):
def getDateTime(self):
def getBar(self, instrument):
至此，我们了解到了feed对象，以及每个bar是怎么迭代的，但是还没有看到每个bar的处理操作。
所以在回到feed的dispatch方法，处理流程如下def dispatch(self):
dateTime, values = self.getNextValuesAndUpdateDS()
if dateTime is not None:
self.__event.emit(dateTime, values)
return dateTime is not None
需要着重说明的就是self.__event.emit(dateTime, values)
其中values是一个bar.Bars实例。
broker的dispatch方法def dispatch(self):
# All events were already emitted while handling barfeed events.
pass
这里，我们可以看到如果dataTime不是None的话，就会通过emit提交时间
而feed里面注册了__onBars的handlers
所以在每次迭代的时候都会触发event的emit操作，即执行每个在feed中注册了的handler，这里只注册了一个handler--->__onBarsdef __onBars(self, dateTime, bars):
# THE ORDER HERE IS VERY IMPORTANT
# 1: Let analyzers process bars.
self.__notifyAnalyzers(lambda s: s.beforeOnBars(self, bars))
# 2: Let the strategy process current bars and submit orders.
self.onBars(bars)
# 3: Notify that the bars were processed.
self.__barsProcessedEvent.emit(self, bars)
所以迭代每一个bar的时候，都会执行onBar的函数。
而onBar函数是自己定义的，在本示例中，onBar的函数内容如下def onBars(self, bars):
def onBars(self, bars):
# If a position was not opened, check if we should enter a long position.
if self.__position is None:
if cross.cross_above(self.__prices, self.__sma) > 0:
shares = int(self.getBroker().getCash() * 0.9 / bars[self.__instrument].getPrice())
# Enter a buy market order. The order is good till canceled.
self.__position = self.enterLong(self.__instrument, shares, True)
# Check if we have to exit the position.
elif not self.__position.exitActive() and cross.cross_below(self.__prices, self.__sma) > 0:
self.__position.exitMarket()
bar是每个指定频率的open,close,low,high,adj close，volume数据集合对象。
DataSeries是一个随着迭代，不断增加datetime，以及bar的序列。
而technical的触发是在feed/__init__.py里面的ds.appendWithDateTime。def getNextValuesAndUpdateDS(self):
dateTime, values = self.getNextValues()
if dateTime is not None:
for key, value in values.items():
# Get or create the datseries for each key.
try:
ds = self.__ds[key]
except KeyError:
ds = self.createDataSeries(key, self.__maxLen)
self.__ds[key] = ds
ds.appendWithDateTime(dateTime, value)
return (dateTime, values)
然后ma.pyclass SMA(technical.EventBasedFilter):
def __init__(self, dataSeries, period, maxLen=None):
super(SMA, self).__init__(dataSeries, SMAEventWindow(period), maxLen)
然后technical/__init__.pyclass EventBasedFilter(dataseries.SequenceDataSeries):
def __init__(self, windowSize, dtype=float, skipNone=True):
assert(windowSize > 0)
assert(isinstance(windowSize, int))
self.__values = collections.NumPyDeque(windowSize, dtype)
self.__windowSize = windowSize
self.__skipNone = skipNone
def __onNewValue(self, dataSeries, dateTime, value):
# Let the event window perform calculations.
self.__eventWindow.onNewValue(dateTime, value)
# Get the resulting value
newValue = self.__eventWindow.getValue()
# Add the new value.
self.appendWithDateTime(dateTime, newValue)
而__eventWindow.onNewValue在technical/ma.pyclass SMAEventWindow(technical.EventWindow):
def __init__(self, period):
assert(period > 0)
super(SMAEventWindow, self).__init__(period)
self.__value = None
def onNewValue(self, dateTime, value):
firstValue = None
if len(self.getValues()) > 0:
firstValue = self.getValues()[0]
assert(firstValue is not None)
super(SMAEventWindow, self).onNewValue(dateTime, value)
if value is not None and self.windowFull():
if self.__value is None:
self.__value = self.getValues().mean()
else:
self.__value = self.__value + value / float(self.getWindowSize()) - firstValue / float(self.getWindowSize())
def getValue(self):
return self.__value
至此基于pyalgotrade的一个简单示例，按照其执行流程的源码解读到此完毕。
后记:后面有点乱了，写篇文章还是蛮费时间的，太长了，pyalgotrade的源码解读估计还得写一段时间去了。
参考链接:
如果觉得不错，并有所收获，请我喝杯茶呗