版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。 本文链接： https://blog.csdn.net/kuangzhi9124/article/details/108642525

在做量化分析时，我们有很多种策略，这些策略的好坏如何去评价，那就是用过往数据进行测试。这里就需要用到量化分析的回测系统了。由于刚入门，就使用了Python中的backtrader。由于自己Python水平有限，也是摸索了很久，才简单的掌握了如何用这个系统去进行回测。很多文章中，有介绍比较简单的均线策略，关于indicators里的其他包介绍比较少，这里我就用布林带策略作为演示。因为我基本没有查到有用这个包做测试的文章，而且我对于类的调用不是很熟悉，如果你和我一样，对于类不是很熟悉，那么想去调用，确实会很费劲。

回测系统，我的理解是一个迭代器，在一段时间内，使用我们写的策略去迭代，然后这个时间段内的收益。首先介绍策略的写法。

import pandas as pd  
from datetime import datetime
from datetime import timedelta
import backtrader as bt
import matplotlib.pyplot as plt
class Boll_strategy(bt.Strategy):
    #自定义参数，每次买入100手
    params=(('size',1000),)
    def __init__(self):
        self.dataclose=self.datas[0].close
        self.order=None
        self.buyprice=None
        self.buycomm=None
        ##使用自带的indicators中自带的函数计算出支撑线和压力线，period设置周期，默认是20
        self.lines.top=bt.indicators.BollingerBands(self.datas[0],period=20).top
        self.lines.bot=bt.indicators.BollingerBands(self.datas[0],period=20).bot
    def next(self):
        if not self.position:
            if self.dataclose<=self.lines.bot[0]:
                #执行买入
                self.order=self.buy(size=self.params.size)
        else:
            if self.dataclose>=self.lines.top[0]:
                #执行卖出
                self.order=self.sell(size=self.params.size)

BollingerBands函数，一共有三个值分别为mid（均值），top（压力线），bot（支撑线）,设置时间周期参数是period，默认20，还有一个倍数参数devfactor，默认2.0。若不设置，则为默认值。

策略写好后，就是调用并回测计算收益了。但是我先通过tushare获取数据。

#使用tushare旧版接口获取数据
import tushare as ts
def get_data(code,start=start.strftime("%Y-%m-%d"),end=end.strftime("%Y-%m-%d")):
    df=ts.get_k_data(code,autype='qfq',start=start,end=end)
    df.index=pd.to_datetime(df.date)
    df['openinterest']=0
    df=df[['open','high','low','close','volume','openinterest']]
    return df

##加载数据
start=datetime(2020,1,31)
end=datetime(2020,9,15)
dataframe=get_data('601021')
#将数据转换为回测系统可识别的
data = bt.feeds.PandasData(dataname=dataframe,fromdate=start,todate=end)

通过code码获取了2020年1月31号开始的数据，接下来就是回测步骤了。

##回测设置主要包括几项：回测系统初始化，数据加载到回测系统，添加交易策略， broker设置（如交易资金和交易佣金），
##头寸规模设置作为策略一部分的交易规模等，最后显示执行交易策略时积累的总资金和净收益。 
# 初始化cerebro回测系统设置                           
cerebro=bt.Cerebro()
#将数据传入回测系统
cerebro.adddata(data)
# 将交易策略加载到回测系统中
cerebro.addstrategy(Boll_strategy)
# 设置初始资本为200,000
startcash=200000
cerebro.broker.setcash(startcash)
# 设置交易手续费为 0.25%
cerebro.broker.setcommission(commission=0.0025)
d1=start.strftime('%Y%m%d')
d2=end.strftime('%Y%m%d')
print(f'初始资金: {startcash}\n回测期间：{d1}:{d2}')
#运行回测系统
cerebro.run()
#获取回测结束后的总资金
portvalue=cerebro.broker.getvalue()
pnl=portvalue-startcash
#打印结果
print(f'总资金: {round(portvalue,2)}')
#最后可视化
%matplotlib inline
cerebro.plot(style='candlestick')

最后就输出我们的结果啦，如下所示：

初始资金: 200000
回测期间：20200131:20200916
总资金: 204718.38

截了一张模糊的图，可以试运行一下，有问题请留言。

import matplotlib.pyplot as plt #读取数据 data=pd.read_csv('C:/Users/Administrator/Desktop/rb000.csv',encoding='gbk') data=data.iloc[::,:7] data.columns=['time','oe