BacktraderPro操作手册

九、五个核心概念（理解这五个，就能用起来）

此外还有两个常用配件：

1、一次完整回测的标准流程

① 创建 Cerebro 实例
② 准备数据（Data Feed）
③ 把数据加进 Cerebro
④ 把策略加进 Cerebro
⑤ 设置资金、手续费、滑点
⑥ （可选）添加分析器
⑦ 运行
⑧ 查看结果与绘图

十、第一个完整例子：双均线交叉

下面这段代码是 Backtrader 的最小可运行范式，务必逐行理解：

import backtrader as bt

## ---------- 1. 定义策略 ----------
class SmaCross(bt.Strategy):
    # 可调参数
    params = (
        ('pfast', 10),   # 快线周期
        ('pslow', 30),   # 慢线周期
    )

    def __init__(self):
        # 指标通常在 __init__ 中定义
        self.sma_fast = bt.indicators.SMA(self.data.close, period=self.p.pfast)
        self.sma_slow = bt.indicators.SMA(self.data.close, period=self.p.pslow)
        # 交叉信号
        self.crossover = bt.indicators.CrossOver(self.sma_fast, self.sma_slow)

    def next(self):
        # 每根 K 线都会调用 next()
        if not self.position:                 # 当前空仓
            if self.crossover > 0:            # 金叉
                self.buy()                    # 买入
        else:                                 # 已持仓
            if self.crossover < 0:            # 死叉
                self.close()                  # 平仓

## ---------- 2. 组装并运行 ----------
cerebro = bt.Cerebro()

data = bt.feeds.GenericCSVData(
    dataname='data/sample.csv',
    dtformat='%Y-%m-%d',
    timeframe=bt.TimeFrame.Days,
    datetime=0, open=1, high=2, low=3, close=4, volume=5, openinterest=-1,
)

cerebro.adddata(data)                 # 加数据
cerebro.addstrategy(SmaCross)         # 加策略
cerebro.broker.setcash(100000.0)      # 初始资金
cerebro.broker.setcommission(commission=0.001)  # 手续费

print('起始资金: %.2f' % cerebro.broker.getvalue())
cerebro.run()
print('结束资金: %.2f' % cerebro.broker.getvalue())

cerebro.plot()                        # 绘图

1、这段代码在做什么

2、__init__ 与 next 的区别极其重要

__init__：整个回测只执行一次，用于声明指标与预计算
next   ：每根 K 线执行一次，用于写逻辑

常见错误：把指标计算写在 next 里
  → 每根 K 线重复计算，极慢，且容易出错

这对我意味着什么： 这是新手最容易写错的地方。指标声明放 __init__，交易判断放 next。 这个习惯会让你的代码高效且不易出错。

十一、Lines：Backtrader 的数据抽象

1、什么是 line

在 Backtrader 里，所有时间序列都叫 line。收盘价是一条 line，均线是一条 line，MACD 也是一条 line。

访问方式：

self.data.close        # 收盘价这条 line（当前对象）
self.data.close[0]     # 当前这根 K 线的值
self.data.close[-1]    # 上一根 K 线的值
self.data.close[-2]    # 上两根

索引是「时间倒序」的：0 = 当下，-1 = 上一根。

这一点与 Python 列表的正向索引习惯相反，是新手最常犯的错误之一。

2、访问多条数据

self.data.close[0]     # 当前收盘价
self.data.open[0]      # 当前开盘价
self.data.high[0]      # 当前最高价
self.data.volume[0]    # 当前成交量

3、为什么会存在「预热期」

一条 30 日均线，需要有 30 根数据才能算出第一个有效值。

第 1 根 K 线：SMA(30) 无值
第 30 根 K 线：SMA(30) 开始有值

在这之前，next() 仍会被调用，但指标还没有有效值。

这对我意味着什么： 回测开始时策略不会立刻交易，这不是 bug，是数学必然。如果你的策略在开头几根 K 线就产生信号，要检查是否误读了无效值。

十二、数据接入：三种常见方式

1、CSV 文件

data = bt.feeds.GenericCSVData(
    dataname='data.csv',
    dtformat='%Y-%m-%d',
    timeframe=bt.TimeFrame.Days,
    datetime=0, open=1, high=2, low=3,
    close=4, volume=5, openinterest=-1,
)
cerebro.adddata(data)

参数说明：

• datetime/open/high/low/close/volume：这些字段在 CSV 中的列序号
• openinterest=-1：表示没有持仓量列
• dtformat：日期格式，必须与文件完全一致

2、Pandas DataFrame

import pandas as pd
import backtrader as bt

df = pd.read_csv('data.csv', index_col='date', parse_dates=True)
data = bt.feeds.PandasData(dataname=df)
cerebro.adddata(data)

注意： DataFrame 的索引通常应为日期时间索引，列名需符合框架约定或另行做映射。

3、多个数据源

cerebro.adddata(data_a, name='AAA')
cerebro.adddata(data_b, name='BBB')

## 在策略中按序号访问
self.datas[0]                 # AAA
self.datas[1]                 # BBB
self.getdatabyname('BBB')     # 按名称访问

适用场景： 跨品种配对、跨市场联动、多时间框架分析。

4、数据质量决定回测上限

这对我意味着什么： 再漂亮的策略，喂进去脏数据就是 garbage out。在怀疑策略之前，先怀疑数据。

十三、指标：内置与自定义

1、内置指标

self.sma  = bt.indicators.SMA(self.data.close, period=20)
self.ema  = bt.indicators.EMA(self.data.close, period=20)
self.macd = bt.indicators.MACD(self.data.close)
self.rsi  = bt.indicators.RSI(self.data.close, period=14)
self.atr  = bt.indicators.ATR(self.data)
self.boll = bt.indicators.BollingerBands(self.data.close)

2、自定义指标

class DoubleSMA(bt.Indicator):
    lines = ('result',)              # 声明输出线
    params = (('period', 20),)

    def __init__(self):
        sma1 = bt.indicators.SMA(self.data.close, period=self.p.period)
        sma2 = bt.indicators.SMA(sma1, period=self.p.period)
        self.lines.result = sma2     # 赋值给自己声明的线

## 使用
self.myind = DoubleSMA(self.data.close, period=15)

3、关键提醒：不要用「未来」的计算方式

 错误：看到后一根 K 线的数据来决定前一根的操作
 正确：只用当前及之前可获得的信息

自查方法：
  在 next() 里，只能使用 [0] 及负索引（过去）的值。
  如果出现正索引（如 [1] 表示未来），那就是未来函数。

这对我意味着什么： 「偷看未来」是回测作假的头号方式，而且经常是无意的。一个看似无害的写法就可能引入未来函数。回测越漂亮，越要怀疑。

十四、下单、成交与持仓

1、基本下单

self.buy()                                # 买入
self.sell()                               # 卖出（含建立空头）
self.close()                              # 平掉当前持仓
self.order_target_percent(target=0.5)     # 调整到目标仓位比例

2、订单通知：把成交状况打印出来

def notify_order(self, order):
    if order.status in [order.Submitted, order.Accepted]:
        return                                  # 已提交/已接受，暂不处理

    if order.status == order.Completed:
        if order.isbuy():
            print('买入成交 价格%.2f 数量%.0f' % (order.executed.price,
                                                order.executed.size))
        elif order.issell():
            print('卖出成交 价格%.2f' % order.executed.price)

    elif order.status in [order.Canceled, order.Margin, order.Rejected]:
        print('订单未完成，原因：', order.getstatusname())

这对我意味着什么： 「发出去买指令」和「真的买到了」是两件事。Margin（资金不足）、Rejected（被拒）都是可能出现的正常状态，必须在代码里处理，而不是假设一定成交。

3、资金与持仓查询

self.broker.getcash()      # 可用现金
self.broker.getvalue()     # 账户总权益
self.position.size         # 当前持仓数量（正为多，负为空）
self.position.price        # 持仓均价

十五、把成本算进去：回测真实性的分水岭

1、设置手续费

cerebro.broker.setcommission(commission=0.001)     # 按比例，此处为千分之一示例

2、设置滑点

cerebro.broker.set_slippage_perc(perc=0.0005)      # 按百分比滑点

## cerebro.broker.set_slippage_fixed(fixed=0.02)

3、为什么这一步不能省

对成本量级的示意性理解（非具体品种费率）：

某策略日均做 2 个往返，一个月约 20 个交易日
  → 每年约 480 个往返

若每个往返的滑点 + 手续费合计约为成交金额的 0.1%
  → 年度累计成本约 48%（相对单笔全额周转计）

即便实际数值远小于这个示意，频繁交易的成本也极其可观。
若策略本身毛收益不高，这些成本完全可以吃掉全部利润甚至转负。

这对我意味着什么： 不设手续费和滑点的回测，结果系统性偏乐观。 一个策略在零成本时赚 20%，加上真实成本后可能亏损——这是量化最常见的"希望破灭"时刻。

4、仓位管理

cerebro.addsizer(bt.sizers.FixedSize, stake=100)        # 固定 100 股/手
cerebro.addsizer(bt.sizers.PercentSizer, percents=20)   # 每次用约 20% 资金

也可以在策略内自行决定数量：

size = int((self.broker.getcash() * 0.2) / self.data.close[0])
self.buy(size=size)

十六、绩效评估：用 Analyzer

1、添加分析器

cerebro.addanalyzer(bt.analyzers.SharpeRatio, _name='sharpe')
cerebro.addanalyzer(bt.analyzers.DrawDown, _name='drawdown')
cerebro.addanalyzer(bt.analyzers.TradeAnalyzer, _name='trades')
cerebro.addanalyzer(bt.analyzers.Returns, _name='returns')

results = cerebro.run()
strat = results[0]

print(strat.analyzers.sharpe.get_analysis())
print(strat.analyzers.drawdown.get_analysis())
print(strat.analyzers.trades.get_analysis())

2、三个最值得看的指标

这对我意味着什么： 新手盯着「总收益率」，专业看「回撤」和「夏普」。一个回撤 60% 的高收益策略，实盘上大概率撑不到它兑现的那天——资金曲线会在中途被击穿，或者人的心理先崩了。

十七、参数优化：威力与陷阱

1、基本用法

cerebro.optstrategy(SmaCross, pfast=range(5, 20, 1), pslow=range(20, 60, 5))

results = cerebro.run()   # 每组参数跑一次

2、优化的三个陷阱

3、正确做法

① 把数据分成两段：样本内 / 样本外
② 只在样本内调参
③ 用样本外检验结果是否站得住
④ 检查参数敏感性：微调参数，结果是否剧烈变化
   - 剧烈变化 = 高过拟合风险
⑤ 加倍成本再看是否仍有正收益

关键认知：回测的作用是"证伪"，不是"证明"。 正确用法是全力想办法让策略亏掉，如果怎么都亏不掉，再谈实盘。

十八、多周期处理：Resample 与 Replay

1、Resample（降频）

把细粒度数据合并成粗粒度，例如把分钟线合成日线：

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

2、Replay（回放）

把一根粗粒度 K 线内的细粒度数据逐步回放出来，用于更精细的成交模拟：

cerebro.replaydata(
    data,
    timeframe=bt.TimeFrame.Days,
)

3、两者的区别

这对我意味着什么： 用日线数据回测出来的信号，在分钟级实盘中可能因为盘中路径不同而产生完全不同的结果。回测粒度决定结论的适用范围。

十九、绘图

cerebro.plot()

常用调整依赖绘图后端与样式设置，具体参数以版本文档为准。

绘图的价值在于目视检查：你会发现很多问题（比如信号堆积在某个时段、长期空仓、成交集中在异常价格），看图往往比看数字更快发现问题。

二十、从回测到实盘：边界要清楚

1、框架自带的实盘连接能力（概念层面）

开源 Backtrader 包含对部分对接方式的支持（例如面向某些经纪商的 Store / Data Feed / Broker 组件）。具体支持哪些、如何配置，以官方文档为准。

2、回测与实盘的差距清单

3、转实盘的检查清单

1. 是否已在样本外数据上验证
2. 是否已建模手续费与滑点
3. 是否已处理资金不足/拒单状态
4. 是否有明确的仓位上限
5. 是否有超时/断线处理
6. 是否有日志
7. 是否已小资金试运行
8. 是否知道什么情况下应该停掉它

二十一、常见坑清单

二十二、注意事项

1. 框架不产生盈利能力。 它只负责执行与记账，策略有效性完全取决于使用者。
2. 回测的作用是证伪，不是证明。 漂亮曲线应当引起怀疑，而非信心。
3. 不设成本的回测没有意义。 手续费与滑点必须建模。
4. 回测粒度必须与实盘一致。 用日线结论指导分钟级交易是常见错误。
5. 适时承认失败。 需要反复微调参数才能成立的策略，通常是拟合出来的。
6. 建议使用版本锁定与可复现环境。 把框架版本、依赖清单与随机种子一同记录，避免因版本升级导致回测结果不可复现。
7. 先用模拟账户跑满一个完整周期。 至少覆盖一段震荡与一段趋势行情，再考虑是否进入实盘。
8. 关于「Pro」： 如前所述，开源主干没有名为 Pro 的官方发行版。若使用第三方版本，请以该版本官方资料为准，并对其声称的能力保持审慎。
9. 本文仅在介绍框架操作，不构成投资建议，不推荐任何产品。

金融产品有风险，交易决策请自行判断，据此操作风险自负。