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

你可能感兴趣的:(python股票回测源码)