1引言
關於backtrader,公眾號已連續發佈了三篇推文:《【手把手教你】入門量化回測最強神器backtrader(一)》、《【手把手教你】入門量化回測最強神器backtrader(二)》和《【手把手教你】入門量化回測最強神器backtrader(三)》,分別介紹了backtrader整個框架的組成部分、回測系統的運行、策略模塊交易日誌的編寫和策略參數的尋優,以及Analyzers模塊的用法,並對策略的業績評價指標進行可視化分析。之前在回測中使用的數據僅限於系統默認的價格和成交量,那麼如何加載其它數據或因子呢,如換手率、市盈率(PE)市淨率(PB)和其他財務指標等?其實前面一直強調backtrader由於採用元編程,具有很強的擴展性,本文為大家展示如何擴展feeds模塊中的數據加載,使系統能添加換手率、市盈率等數據,並以市盈率和換手率為指標構建交易策略進行回測。
2數據擴展實例
01數據準備
下面使用tushare pro獲取個股交易數據,包含日期(datetime)、價格(open、high、low、close)和成交量(volume)、換手率(turnover_rate)、市盈率(pe)、市淨率(pb)等數據。
<code>import pandas as pd import tushare as ts #tushare pro需到官網註冊並獲取token才能用 token='輸入你的token' pro=ts.pro_api(token) def get_data(code,date='20200101'): data1=ts.pro_bar(ts_code=code, adj='qfq', start_date=date) data1=data1[['trade_date','open','high','low','close','vol']] data2=pro.daily_basic(ts_code=code,fields='trade_date,turnover_rate,pe,pb') data=pd.merge(data1,data2,on='trade_date') data.index=pd.to_datetime(data.trade_date) data=data.sort_index() data['volume']=data.vol data['openinterest']=0 data['datetime']=pd.to_datetime(data.trade_date) data=data[['datetime','open','high','low','close',\ 'volume','openinterest','turnover_rate','pe','pb']] data=data.fillna(0) return data /<code>
查看數據並保存csv格式到本地,文件名為“test.csv”。
<code>#數據保存到本地 get_data('300002.SZ').to_csv('test.csv',index=False) get_data('300002.SZ').head() /<code>
02擴展feeds中的數據加載
對backtrader相關模塊進行擴展,首先要先研究一下原生代碼的構成,找到安裝文件夾,我裝的是anaconda,所以backtrader所在文件夾路徑為:
C:\Anaconda3\Lib\site-packages\backtrader\,進入該路徑找到feeds文件夾,看到裡面有很多py文件,說明backtrader支持加載的數據或類型,在線數據支持quandl和yahoo適合做美股分析。我們關注的是如何加載A股數據,目前只能通過pandas或csv格式導入,於是找到csvgeneric.py和pandafeed.py這兩個文件,用軟件Notepad++(可以打開大部分格式的文本文件)打開看看,以pandafeed.py為例,加載數據的類為class PandasData(feed.DataBase),默認要輸入的數據只有七列,即之前提到的價格和成交量數據,如下圖所示。
對於元編程,要擴展相應參數,不需要修改源代碼,只需要寫一個class類,然後繼承原來的類,加入新的參數即可,下面加入'turnover_rate','pe','pb',這些指標在將要加載的數據表中分別在第7、8、9列。
擴展PandasData類,加載更多列數據
<code>#pandas的數據格式 from backtrader.feeds import PandasData class Addmoredata(PandasData): lines = ('turnover_rate','pe','pb',) params = (('turnover_rate',7),('pe',8),('pb',9),) 擴展GenericCSVData加載csv格式數據#直接讀取本地csv格式數據 from backtrader.feeds import GenericCSVData class AddCsvData(GenericCSVData): lines = ('turnover_rate','pe','pb',) params = (('turnover_rate',7),('pe',8),('pb',9),) /<code>
03測試數據是否加載成功
寫一個簡單策略,直接打印新加入的三列數據,加載數據的時候可以是單隻股票,也可以是多隻股票。多隻股票這個很重要,以後可以用來全市場選股並進行回測。
<code>import backtrader as bt from datetime import datetime class TestStrategy1(bt.Strategy): def log(self, txt, dt=None): dt = dt or self.datas[0].datetime.date(0) print('%s, %s' % (dt.isoformat(), txt)) def next(self): self.log(f"換手率:{self.datas[0].turnover_rate[0]},\ 市淨率:{self.datas[0].pb[0]},市盈率:{self.datas[0].pe[0]}") /<code>
單隻股票數據加載運行測試:
<code>cerebro = bt.Cerebro() cerebro.addstrategy(TestStrategy1) feed = Addmoredata(dataname = get_data('300002.SZ','20200420')) #如果是讀取csv數據使用下式 #feed = AddCsvData(dataname = 'test.csv',dtformat=('%Y-%m-%d')) cerebro.adddata(feed) cerebro.run() /<code>
<code>輸出結果: 2020-04-20, 換手率:20.8743,市淨率:3.3256,市盈率:158.3584 2020-04-21, 換手率:16.503,市淨率:2.992,市盈率:142.4736 2020-04-22, 換手率:18.2413,市淨率:3.2897,市盈率:156.6477 2020-04-23, 換手率:21.3831,市淨率:3.0793,市盈率:146.6281 2020-04-24, 換手率:16.1957,市淨率:3.1203,市盈率:148.5832 2020-04-27, 換手率:13.0385,市淨率:2.874,市盈率:136.8529 2020-04-28, 換手率:10.3652,市淨率:2.9355,市盈率:0.0 2020-04-29, 換手率:8.3977,市淨率:2.797,市盈率:0.0 2020-04-30, 換手率:8.3719,市淨率:2.8967,市盈率:0.0 2020-05-06, 換手率:9.4114,市淨率:3.0462,市盈率:0.0 2020-05-07, 換手率:9.1606,市淨率:3.013,市盈率:0.0 /<code>
多隻股票數據加載測試:
<code>class TestStrategy2(bt.Strategy): def log(self, txt, dt=None): dt = dt or self.datas[0].datetime.date(0) print('%s, %s' % (dt.isoformat(), txt)) def next(self): for data in self.datas: print(data._name) self.log(f"換手率:{data.turnover_rate[0]},\ 市淨率:{data.pb[0]},市盈率:{data.pe[0]}") /<code>
運行回測,三隻股票的指標數據都能加載進來。
<code>cerebro = bt.Cerebro() cerebro.addstrategy(TestStrategy2) codes=['600862.SH','300326.SZ','300394.SZ'] #加載最近兩日交易數據 for code in codes: feed = Addmoredata(dataname = get_data(code,'20200506'),name=code) cerebro.adddata(feed) cerebro.run() /<code>
<code>#輸出結果: 600862.SH 2020-05-06, 換手率:3.3376,市淨率:4.9646,市盈率:39.247 300326.SZ 2020-05-06, 換手率:1.8874,市淨率:6.4762,市盈率:60.2625 300394.SZ 2020-05-06, 換手率:2.833,市淨率:8.6431,市盈率:63.1617 600862.SH 2020-05-07, 換手率:1.8531,市淨率:4.9486,市盈率:39.1208 300326.SZ 2020-05-07, 換手率:2.1378,市淨率:6.5019,市盈率:60.5016 300394.SZ 2020-05-07, 換手率:2.7572,市淨率:8.367,市盈率:61.1439/<code>
3換手率、市盈率指標的交易策略實例
下面以加載的換手率和市盈率數據構建交易策略並進行回測。這裡舉例的個股為神州泰嶽,考慮到其回測期間換手率均值為3%,75%分位數為3.98%,市盈率均值為52,最高166,負值設置為0。基於這些指標的統計規律,將交易策略簡單設置為:當換手率小於3%且市盈率小於50倍時買入,當換手率大於10%或市盈率大於80倍時賣出。
<code>class MyStrategy(bt.Strategy): def next(self): if not self.position: # 沒有持倉 if self.datas[0].turnover_rate[0] <3 and 010 or self.datas[0].pe[0]>80 : self.close(self.datas[0]) /<code>
運行回測:
<code>cerebro = bt.Cerebro() cerebro.addstrategy(MyStrategy) feed = Addmoredata(dataname = get_data('300002.SZ','20050101')) cerebro.adddata(feed) startcash = 100000 cerebro.broker.setcash(startcash) cerebro.broker.setcommission(commission=0.001) cerebro.run() portvalue = cerebro.broker.getvalue() pnl = portvalue - startcash #打印結果 print(f'期初總資金: {round(startcash,2)}') print(f'期末總資金: {round(portvalue,2)}') print(f'淨收益: {round(pnl,2)}') /<code>
<code>期初總資金: 100000 期末總資金: 303371.37 淨收益: 203371.37 /<code>
得到回測過程的原生圖:
<code>%matplotlib inline cerebro.plot(style='candlestick') /<code>
獲取回測的量化評價指標:注意,out_result是自己寫的腳本zjy_plot.py裡輸出策略評價指標的函數,由於代碼較長,此處省略,完整代碼分享在“金融量化”知識星球上。
<code>#addmoredata是在PandasData上的擴展 ddf=get_data('300002.SZ','20050101') data = Addmoredata(dataname = ddf) df00,df0,df1,df2,df3,df4=bt.out_result(MyStrategy,\data,startcash = 100000,commission=0.001) /<code>
對評價指標進行可視化:
下面pyecharts用的是0.5.11版本,1.0以上版本用法基本上不同。
<code>from pyecharts import* def plot_result_py(data,v,title,plot_type='line',zoom=False): att=data.index try: attr=att.strftime('%Y%m%d') except: attr=att if plot_type=='line': p=Line(title) p.add('',attr,list(data[v].round(2)), is_symbol_show=False,line_width=2, is_datazoom_show=zoom,is_splitline_show=True) else: p=Bar(title) p.add('',attr,[int(i*1000)/10 for i in list(data[v])], is_label_show=True, is_datazoom_show=zoom,is_splitline_show=True) return p /<code>
賬戶價值plot_result_py(df0,'total_value','賬戶價值')
持倉市值
<code>plot_result_py(df4,'total_position_value','持倉市值') /<code>
年化收益率
<code>plot_result_py(df3,'year_rate','年化收益%',plot_type='bar') /<code>
策略評價指標
df00
4結語
本文著重介紹瞭如何在backtrader上通過擴展類編程,加載除價格和成交量外的其他因子數據,並構建交易策略進行回測。文中利用換手率和市盈率指標構建的交易策略僅作為示例,並沒有對相關參數進行優化,而且不同標的參數閾值設置可能存在較大差異,從回測結果的評價指標來看,該策略並不是很理想,儘管總收益率達到3倍,但最大回撤高達68%,夏普比率只有0.34。當然,本文的目的不是兜售某“成功”交易策略,而是介紹量化策略的構建與回測過程,希望能達到“授人以漁”和“拋磚引玉”的作用。
參考資料:backtrader官方文檔和安裝包原生代碼
https://www.backtrader.com/docu/
關於Python金融量化
專注於分享Python在金融量化領域的應用。加入知識星球,可以免費獲取量化投資視頻資料、量化金融相關PDF資料、公眾號文章Python完整源碼、量化投資前沿分析框架,與博主直接交流、結識圈內朋友等。