Backtrader 文档学习-Data Feeds(下)

Backtrader 文档学习-Data Feeds(下)

1. Data Resampling

当数据仅在单个时间范围内可用,需要在不同的时间范围内进行分析时,就需要进行一些重采样。
“重采样”实际上应该称为“上采样”,因为它是从一个源时间区间到一个更大的时间区间(例如:几天到几周)
语法:

cerebro.resampledata(data, timeframe=bt.TimeFrame.Minutes, compression=1)

两个目的:

  • 改变时间区间
  • 压缩数据 bar数量
    注意:
    如果采用了resmaple方法,则数据不会预加载preload。

参数:

  • data: bt数据源
  • timeframe:用于指定合成结果(Ticks, MicroSeconds, Seconds, Minutes, Days, Weeks, Months, Years, NoTimeFrame)
  • compression:设置bar的条数进一步压缩合并,如resmaple初次合成为周数据后,每根bar是周线。如设置compression=2,则进一步将两条周数据bar压缩成 一根bar为两周数据。

前置条件:

  • 最小粒度的数据必须被第一个加入到Cerebro实例中
  • 数据必须按照日期时间升序排列
  • 大粒度数据的使用有可能使得策略的最小周期变大
  • 若使用不同时间粒度的指标进行运算,则要采用cerebro.run(runonce=False) 若策略中使用了不同时间粒度的指标进行运算,不能用cerebro.run()

程序:

from __future__ import (absolute_import, division, print_function,
                        unicode_literals)

import argparse

import backtrader as bt
import backtrader.feeds as btfeeds


def runstrat():
    args = parse_args()

    # Create a cerebro entity
    cerebro = bt.Cerebro(stdstats=False)

    # Add a strategy
    cerebro.addstrategy(bt.Strategy)

    # Load the Data
    datapath = args.dataname or './datas/2006-day-001.txt'
    data = btfeeds.BacktraderCSVData(dataname=datapath)

    # Handy dictionary for the argument timeframe conversion
    tframes = dict(
        daily=bt.TimeFrame.Days,
        weekly=bt.TimeFrame.Weeks,
        monthly=bt.TimeFrame.Months)

    # Add the resample data instead of the original
    cerebro.resampledata(data,
                         timeframe=tframes[args.timeframe],
                         compression=args.compression)

    # Run over everything
    cerebro.run()

    # Plot the result
    cerebro.plot(style='bar')


def parse_args():
    parser = argparse.ArgumentParser(
        description='Pandas test script')

    parser.add_argument('--dataname', default='', required=False,
                        help='File Data to Load')

    parser.add_argument('--timeframe', default='weekly', required=False,
                        choices=['daily', 'weekly', 'monthly'],
                        help='Timeframe to resample to')

    parser.add_argument('--compression', default=1, required=False, type=int,
                        help='Compress n bars into 1')

    return parser.parse_args()


if __name__ == '__main__':
    runstrat()


执行效果:

(1)日线

python ./resampling-example.py
Backtrader 文档学习-Data Feeds(下)_第1张图片

(2)周线

python ./resampling-example.py --timeframe weekly --compression 1

Backtrader 文档学习-Data Feeds(下)_第2张图片

(3)月线

python ./resampling-example.py --timeframe monthly --compression 1

Backtrader 文档学习-Data Feeds(下)_第3张图片

2. Data - Replay

  • 策略使用数据区间X ,假设是日线
  • 数据需要更小的时间区间Y,比如分钟线可用
    replay 实现:
  • 用分钟线重演替代日线

用分钟线模拟日线当然不是市场精确的走势,但比孤立地等待每天完全形成的日线好得多。
如果策略定义在日线中实时运行处理,日线形成的近似值就可能在真实条件下重演策略的实际操作。
语法:

cerebro.replaydata(data,timeframe,compression)

参数与resample一样。

程序:

from __future__ import (absolute_import, division, print_function,
                        unicode_literals)

import argparse

import backtrader as bt
import backtrader.feeds as btfeeds
import backtrader.indicators as btind


class SMAStrategy(bt.Strategy):
    params = (
        ('period', 10),
        ('onlydaily', False),
    )

    def __init__(self):
        self.sma = btind.SMA(self.data, period=self.p.period)

    def start(self):
        self.counter = 0

    def prenext(self):
        self.counter += 1
        print('prenext len %d - counter %d' % (len(self), self.counter))

    def next(self):
        self.counter += 1
        print('---next len %d - counter %d' % (len(self), self.counter))


def runstrat():
    args = parse_args()

    # Create a cerebro entity
    cerebro = bt.Cerebro(stdstats=False)

    cerebro.addstrategy(
        SMAStrategy,
        # args for the strategy
        period=args.period,
    )

    # Load the Data
    datapath = args.dataname or './datas/2006-day-001.txt'
    data = btfeeds.BacktraderCSVData(dataname=datapath)

    # Handy dictionary for the argument timeframe conversion
    tframes = dict(
        daily=bt.TimeFrame.Days,
        weekly=bt.TimeFrame.Weeks,
        monthly=bt.TimeFrame.Months)

    # First add the original data - smaller timeframe
    cerebro.replaydata(data,
                       timeframe=tframes[args.timeframe],
                       compression=args.compression)

    # Run over everything
    cerebro.run()

    # Plot the result
    cerebro.plot(style='bar')


def parse_args():
    parser = argparse.ArgumentParser(
        description='Pandas test script')

    parser.add_argument('--dataname', default='', required=False,
                        help='File Data to Load')

    parser.add_argument('--timeframe', default='weekly', required=False,
                        choices=['daily', 'weekly', 'monthly'],
                        help='Timeframe to resample to')

    parser.add_argument('--compression', default=1, required=False, type=int,
                        help='Compress n bars into 1')

    parser.add_argument('--period', default=10, required=False, type=int,
                        help='Period to apply to indicator')

    return parser.parse_args()


if __name__ == '__main__':
    runstrat()

(1)日线replay

python replaying_example.py --timeframe daily --compression 2

prenext len 1 - counter 1
prenext len 1 - counter 2
prenext len 2 - counter 3
prenext len 2 - counter 4
prenext len 3 - counter 5
prenext len 3 - counter 6
prenext len 4 - counter 7
prenext len 4 - counter 8
prenext len 5 - counter 9
prenext len 5 - counter 10
prenext len 6 - counter 11
prenext len 6 - counter 12
prenext len 7 - counter 13
prenext len 7 - counter 14
prenext len 8 - counter 15
prenext len 8 - counter 16
prenext len 9 - counter 17
prenext len 9 - counter 18
---next len 10 - counter 19
---next len 10 - counter 20
---next len 11 - counter 21
---next len 11 - counter 22
---next len 12 - counter 23
---next len 12 - counter 24
---next len 13 - counter 25
---next len 13 - counter 26
---next len 14 - counter 27
---next len 14 - counter 28
---next len 15 - counter 29
---next len 15 - counter 30
---next len 16 - counter 31
---next len 16 - counter 32
---next len 17 - counter 33
---next len 17 - counter 34
---next len 18 - counter 35
---next len 18 - counter 36
---next len 19 - counter 37
---next len 19 - counter 38
---next len 20 - counter 39
---next len 20 - counter 40
---next len 21 - counter 41
---next len 21 - counter 42
---next len 22 - counter 43
---next len 22 - counter 44
---next len 23 - counter 45
---next len 23 - counter 46
---next len 24 - counter 47
---next len 24 - counter 48
---next len 25 - counter 49
---next len 25 - counter 50
---next len 26 - counter 51
---next len 26 - counter 52
---next len 27 - counter 53
---next len 27 - counter 54
---next len 28 - counter 55
---next len 28 - counter 56
---next len 29 - counter 57
---next len 29 - counter 58
---next len 30 - counter 59
---next len 30 - counter 60
---next len 31 - counter 61
---next len 31 - counter 62
---next len 32 - counter 63
---next len 32 - counter 64
---next len 33 - counter 65
---next len 33 - counter 66
---next len 34 - counter 67
---next len 34 - counter 68
---next len 35 - counter 69
---next len 35 - counter 70
---next len 36 - counter 71
---next len 36 - counter 72
---next len 37 - counter 73
---next len 37 - counter 74
---next len 38 - counter 75
---next len 38 - counter 76
---next len 39 - counter 77
---next len 39 - counter 78
---next len 40 - counter 79
---next len 40 - counter 80
---next len 41 - counter 81
---next len 41 - counter 82
---next len 42 - counter 83
---next len 42 - counter 84
---next len 43 - counter 85
---next len 43 - counter 86
---next len 44 - counter 87
---next len 44 - counter 88
---next len 45 - counter 89
---next len 45 - counter 90
---next len 46 - counter 91
---next len 46 - counter 92
---next len 47 - counter 93
---next len 47 - counter 94
---next len 48 - counter 95
---next len 48 - counter 96
---next len 49 - counter 97
---next len 49 - counter 98
---next len 50 - counter 99
---next len 50 - counter 100
---next len 51 - counter 101
---next len 51 - counter 102
---next len 52 - counter 103
---next len 52 - counter 104
---next len 53 - counter 105
---next len 53 - counter 106
---next len 54 - counter 107
---next len 54 - counter 108
---next len 55 - counter 109
---next len 55 - counter 110
---next len 56 - counter 111
---next len 56 - counter 112
---next len 57 - counter 113
---next len 57 - counter 114
---next len 58 - counter 115
---next len 58 - counter 116
---next len 59 - counter 117
---next len 59 - counter 118
---next len 60 - counter 119
---next len 60 - counter 120
---next len 61 - counter 121
---next len 61 - counter 122
---next len 62 - counter 123
---next len 62 - counter 124
---next len 63 - counter 125
---next len 63 - counter 126
---next len 64 - counter 127
---next len 64 - counter 128
---next len 65 - counter 129
---next len 65 - counter 130
---next len 66 - counter 131
---next len 66 - counter 132
---next len 67 - counter 133
---next len 67 - counter 134
---next len 68 - counter 135
---next len 68 - counter 136
---next len 69 - counter 137
---next len 69 - counter 138
---next len 70 - counter 139
---next len 70 - counter 140
---next len 71 - counter 141
---next len 71 - counter 142
---next len 72 - counter 143
---next len 72 - counter 144
---next len 73 - counter 145
---next len 73 - counter 146
---next len 74 - counter 147
---next len 74 - counter 148
---next len 75 - counter 149
---next len 75 - counter 150
---next len 76 - counter 151
---next len 76 - counter 152
---next len 77 - counter 153
---next len 77 - counter 154
---next len 78 - counter 155
---next len 78 - counter 156
---next len 79 - counter 157
---next len 79 - counter 158
---next len 80 - counter 159
---next len 80 - counter 160
---next len 81 - counter 161
---next len 81 - counter 162
---next len 82 - counter 163
---next len 82 - counter 164
---next len 83 - counter 165
---next len 83 - counter 166
---next len 84 - counter 167
---next len 84 - counter 168
---next len 85 - counter 169
---next len 85 - counter 170
---next len 86 - counter 171
---next len 86 - counter 172
---next len 87 - counter 173
---next len 87 - counter 174
---next len 88 - counter 175
---next len 88 - counter 176
---next len 89 - counter 177
---next len 89 - counter 178
---next len 90 - counter 179
---next len 90 - counter 180
---next len 91 - counter 181
---next len 91 - counter 182
---next len 92 - counter 183
---next len 92 - counter 184
---next len 93 - counter 185
---next len 93 - counter 186
---next len 94 - counter 187
---next len 94 - counter 188
---next len 95 - counter 189
---next len 95 - counter 190
---next len 96 - counter 191
---next len 96 - counter 192
---next len 97 - counter 193
---next len 97 - counter 194
---next len 98 - counter 195
---next len 98 - counter 196
---next len 99 - counter 197
---next len 99 - counter 198
---next len 100 - counter 199
---next len 100 - counter 200
---next len 101 - counter 201
---next len 101 - counter 202
---next len 102 - counter 203
---next len 102 - counter 204
---next len 103 - counter 205
---next len 103 - counter 206
---next len 104 - counter 207
---next len 104 - counter 208
---next len 105 - counter 209
---next len 105 - counter 210
---next len 106 - counter 211
---next len 106 - counter 212
---next len 107 - counter 213
---next len 107 - counter 214
---next len 108 - counter 215
---next len 108 - counter 216
---next len 109 - counter 217
---next len 109 - counter 218
---next len 110 - counter 219
---next len 110 - counter 220
---next len 111 - counter 221
---next len 111 - counter 222
---next len 112 - counter 223
---next len 112 - counter 224
---next len 113 - counter 225
---next len 113 - counter 226
---next len 114 - counter 227
---next len 114 - counter 228
---next len 115 - counter 229
---next len 115 - counter 230
---next len 116 - counter 231
---next len 116 - counter 232
---next len 117 - counter 233
---next len 117 - counter 234
---next len 118 - counter 235
---next len 118 - counter 236
---next len 119 - counter 237
---next len 119 - counter 238
---next len 120 - counter 239
---next len 120 - counter 240
---next len 121 - counter 241
---next len 121 - counter 242
---next len 122 - counter 243
---next len 122 - counter 244
---next len 123 - counter 245
---next len 123 - counter 246
---next len 124 - counter 247
---next len 124 - counter 248
---next len 125 - counter 249
---next len 125 - counter 250
---next len 126 - counter 251
---next len 126 - counter 252
---next len 127 - counter 253
---next len 127 - counter 254
---next len 128 - counter 255

Backtrader 文档学习-Data Feeds(下)_第4张图片

(2)周线replay

python ./resampling-example.py --timeframe weekly --compression 1
Backtrader 文档学习-Data Feeds(下)_第5张图片

(3)月线replay

python ./resampling-example.py --timeframe monthly --compression 1
Backtrader 文档学习-Data Feeds(下)_第6张图片

3. Replay和Resample 应用说明

Replay和Resample 应用场景:

(1)Replay

在 BackTrader 框架中主要用于回放历史数据,以在策略中进行回测和验证。以下是其应用场景的一些示例:

  • 策略回测:开发了一个新的交易策略后,可以使用 cerebro.replaydata() 方法将历史数据输入到该策略中,以评估其性能。通过回放历史数据,可以了解策略在实际市场环境中的表现,并对其参数进行优化。
  • 系统验证:已经开发了一个交易系统,希望对其性能进行测试和验证。可以使用 cerebro.replaydata() 方法将历史数据输入到该系统中,以检查其是否能够有效地跟随市场趋势,并对其性能进行评估。
  • 风险管理:在开发交易策略时,了解风险管理是很重要的。通过使用 cerebro.replaydata() 方法回放历史数据,可以模拟策略在各种市场条件下的风险状况,并制定相应的风险管理措施。
  • 算法交易:对于开发基于算法的交易策略,使用 cerebro.replaydata() 方法回放历史数据可以帮助测试和验证算法的正确性。通过将算法应用于历史数据,可以了解其在不同市场条件下的表现,并对算法进行调整和优化。
(2)Resample

在 BackTrader 框架中主要用于对数据进行重采样,以适应不同的时间间隔或频率。以下是其应用场景的一些示例:

  • 时间间隔转换:有时,原始数据的时间间隔可能不适合策略或分析需求。例如,原始数据可能是每分钟获取的,但策略需要更长的时间间隔,如每小时或每天。在这种情况下,可以使用 cerebro.resampledata() 方法将数据重采样到所需的时间间隔。
  • 数据平滑:重采样数据还可以用于数据平滑。通过将数据重采样到更大的时间间隔,可以减少数据的波动性,从而更好地观察市场趋势和模式。这对于策略开发和验证非常有用,因为它可以帮助消除短期噪音并突出长期趋势。
  • 跨市场对齐:如果策略需要在多个市场进行交易,而这些市场的数据时间间隔不同,那么可以使用 cerebro.resampledata() 方法将不同市场的数据进行对齐。这样可以确保所有数据都以相同的频率进行分析和处理,以实现一致性和可比性。
  • 预测模型:对于基于预测的策略,使用重采样数据可能更为关键。一些预测模型可能需要特定频率的数据输入,如每日收盘价而不是更高频率的数据。通过使用 cerebro.resampledata() 方法,可以将数据调整为预测模型的输入要求。

4.Data Rollover

貌似处理期货交割的时间连续性。

import backtrader as bt

cerebro = bt.Cerebro()
data0 = bt.feeds.MyFeed(dataname='Expiry0')
data1 = bt.feeds.MyFeed(dataname='Expiry1')
...
dataN = bt.feeds.MyFeed(dataname='ExpiryN')

drollover = bt.feeds.RollOver(data0, data1, ..., dataN, dataname='MyRoll', **kwargs)
cerebro.adddata(drollover)

cerebro.run()

没有数据,无法测试理解。

5. Filters

应用场景没有明白,暂时放一下。

其他的除了Panda ,用Panda 加载数据前面应用多次了,其他也没有应用场景。

你可能感兴趣的:(BackTrader,数据分析,量化,BackTrader)