- 假設我們現在有策略A，在股票a的歷史數據上進行回測後，發現能夠取得穩定收益。但是我們有很長時間要等待股票a達到買入條件後，才能進行買入。這是對時間成本的嚴重浪費。
- 我們可以嘗試做這樣的改進：在股票a，b，c……的歷史數據上分別進行策略回測，找到一個能夠穩定收益策略B，來避免時間成本浪費的問題。但是這樣仍然存在問題，在等待股票a出現買點的時候，股票b，c……的買點可能也沒有出現。因此對所有股票依次做單獨的策略回測，不足以驗證策略的優劣。
鑑於以上兩點，我們在驗證策略時，需要對多隻甚至全部的股票同時進行回測。本文基於backtrader，編寫了多股票同時回測程序。
同樣，本文旨在驗證回測功能，策略依然選擇簡單的長短期均線金叉買入死叉賣出策略。核心代碼位於策略類的init及next方法，先來看init方法：
<code>def __init__(self):
self.inds = dict()
for i, d in enumerate(self.datas):
self.inds[d] = dict()
self.inds[d]['sma1'] = bt.ind.SMA(d.close, period=self.p.pfast) # 短期均線
self.inds[d]['sma2'] = bt.ind.SMA(d.close, period=self.p.pslow) # 長期均線
self.inds[d]['cross'] = bt.ind.CrossOver(self.inds[d]['sma1'], self.inds[d]['sma2'], plot = False) # 交叉信號/<code>這裡定義了一個python字典類型變量self.inds，用於存儲不同股票數據的技術指標，該字典的key為單支股票的數據，即代碼中的d，value對應的該股票對應的技術指標，這些技術指標也存在一個字典內，字典內包含短期均線、長期均線、交叉信號3個指標。
再來看next方法：
<code> def __init__(self):
self.inds = dict()
for i, d in enumerate(self.datas):
self.inds[d] = dict()
self.inds[d]['sma1'] = bt.ind.SMA(d.close, period=self.p.pfast) # 短期均線
self.inds[d]['sma2'] = bt.ind.SMA(d.close, period=self.p.pslow) # 長期均線
self.inds[d]['cross'] = bt.ind.CrossOver(self.inds[d]['sma1'], self.inds[d]['sma2'], plot = False) # 交叉信號/<code>next方法中，循環遍歷所有待測的股票，對每隻股票，獲取時間及股票名稱，這樣便於後續打印輸出、日誌留存或者調試。然後通過判斷當前股票position的size，判斷是否已經買入該股票，如果沒有買入，判斷短期均線金叉長期均線後，即可買入。如果已經持有了該股票，那麼判斷長期均線死叉短期均線後即可賣出。
最後要注意的是，向cerebro添加不同股票數據時，補充添加股票名稱，以便後續調試及分析使用：
<code>cerebro.adddata(data, name = stk_code) # 在Cerebro中添加股票數據/<code>
我們依然選擇5日線作為短期均線，60日線作為長期均線，回測初始資金100000，單筆操作單位1000股，佣金千分之一，回測時間自2018年1月1日至2020年3月3日，按股票代碼的升序排列依次添加回測股票，即先回測000001， 再加入000002，再加入000004……（000003停牌還是退市了。。。）
當1只股票進行回測時，回測最終資產103355.34：
當2只股票進行回測時，回測最終資產97427.99：
當3只股票進行回測時，回測最終資產120535.95：
此外，還測試了5只股票回測最終資產為118823.75，10只股票最終資產為116871.02，隨著回測股票數目的增加，程序運行的時間也越長。
友情提示：本系列學習筆記只做數據分析，記錄個人學習過程，不作為交易依據，盈虧自負。
多隻股票同時策略回測程序：
<code>from __future__ import (absolute_import, division, print_function,
unicode_literals)
import datetime # 用於datetime對象操作
import os.path # 用於管理路徑
import sys # 用於在argvTo[0]中找到腳本名稱
import backtrader as bt # 引入backtrader框架
import pandas as pd
stk_num = 3 # 回測股票數目
# 創建策略
class SmaCross(bt.Strategy):
# 可配置策略參數
params = dict(
pfast=5, # 短期均線週期
pslow=60, # 長期均線週期
poneplot = False, # 是否打印到同一張圖
pstake = 1000 # 單筆交易股票數目
)
def __init__(self):
self.inds = dict()
for i, d in enumerate(self.datas):
self.inds[d] = dict()
self.inds[d]['sma1'] = bt.ind.SMA(d.close, period=self.p.pfast) # 短期均線
self.inds[d]['sma2'] = bt.ind.SMA(d.close, period=self.p.pslow) # 長期均線
self.inds[d]['cross'] = bt.ind.CrossOver(self.inds[d]['sma1'], self.inds[d]['sma2'], plot = False) # 交叉信號
# 跳過第一隻股票data，第一隻股票data作為主圖數據
if i > 0:
if self.p.poneplot:
d.plotinfo.plotmaster = self.datas[0]
def next(self):
for i, d in enumerate(self.datas):
dt, dn = self.datetime.date(), d._name
pos = self.getposition(d).size
if not pos:
if self.inds[d]['cross'] > 0:
self.buy(data = d, size = self.p.pstake)
elif self.inds[d]['cross'] < 0:
self.close(data = d)
cerebro = bt.Cerebro() # 創建cerebro
# 讀入股票代碼
stk_code_file = '../TQDat/data/tq_stock_code.csv'
stk_pools = pd.read_csv(stk_code_file, encoding = 'gbk')
if stk_num > stk_pools.shape[0]:
print('股票數目不能大於%d' % stk_pools.shape[0])
exit()
for i in range(stk_num):
stk_code = stk_pools['code'][stk_pools.index[i]]
stk_code = '%06d' % stk_code
# 讀入數據
datapath = '../TQDat/day/stk/' + stk_code + '.csv'
# 創建數據
data = bt.feeds.GenericCSVData(
dataname = datapath,
fromdate = datetime.datetime(2018, 1, 1),
todate = datetime.datetime(2020, 3, 31),
nullvalue = 0.0,
dtformat = ('%Y-%m-%d'),
datetime = 0,
open = 1,
high = 2,
low = 3,
close = 4,
volume = 5,
openinterest = -1
)
# 在Cerebro中添加股票數據
cerebro.adddata(data, name = stk_code)
# 設置啟動資金
cerebro.broker.setcash(100000.0)
# 設置交易單位大小
#cerebro.addsizer(bt.sizers.FixedSize, stake = 5000)
# 設置佣金為千分之一
cerebro.broker.setcommission(commission=0.001)
cerebro.addstrategy(SmaCross, poneplot = False) # 添加策略
cerebro.run() # 遍歷所有數據
# 打印最後結果
print('Final Portfolio Value: %.2f' % cerebro.broker.getvalue())
cerebro.plot(style = "candlestick") # 繪圖/<code>
