Python量化交易學習筆記（40）——backtrader的resample淺析

本文主要包含以下三部分内容：

2. backtrader的日志功能。
3. backtrader的交易月曆。
4. backtrader的resample結果淺析。

日志功能

可以通過下面的代碼在backtrader中添加日志功能：

cerebro.addwriter(bt.WriterFile, out = 'log.csv', csv = True)      

日志資訊将被輸出到工作目錄下的log.csv檔案中，輸出内容包括：

• 種子資料（Data Feeds）
• 政策資料（lines和參數）
• 名額和觀察者（Observer）資料（lines和參數）
• 分析資料（參數和分析結果資料）

交易月曆

交易月曆适用于以下場景：

1. 由日線資料resample得到周線資料時，使用交易月曆可以準确識别每周的最後1根日線。

   以2019年1月1日至12月31日的資料為例，在政策的next()方法中列印一下内容：

print('Strategy len {} datetime {}'.format(
            len(self), self.datetime.date()), end=' ')

        print('Data0 len {} datetime {}'.format(
            len(self.data0), self.data0.datetime.date()), end=' ')

        if len(self.data1):
            print('Data1 len {} datetime {}'.format(
                len(self.data1), self.data1.datetime.date()))
        else:
            print()      

當不使用交易月曆時，部分輸出結果為：

Strategy len 1 datetime 2019-01-02 Data0 len 1 datetime 2019-01-02 
Strategy len 2 datetime 2019-01-03 Data0 len 2 datetime 2019-01-03 
Strategy len 3 datetime 2019-01-04 Data0 len 3 datetime 2019-01-04
Strategy len 4 datetime 2019-01-07 Data0 len 4 datetime 2019-01-07 Data1 len 1 datetime 2019-01-04
Strategy len 5 datetime 2019-01-08 Data0 len 5 datetime 2019-01-08 Data1 len 1 datetime 2019-01-04
Strategy len 6 datetime 2019-01-09 Data0 len 6 datetime 2019-01-09 Data1 len 1 datetime 2019-01-04
Strategy len 7 datetime 2019-01-10 Data0 len 7 datetime 2019-01-10 Data1 len 1 datetime 2019-01-04
Strategy len 8 datetime 2019-01-11 Data0 len 8 datetime 2019-01-11 Data1 len 1 datetime 2019-01-04
Strategy len 9 datetime 2019-01-14 Data0 len 9 datetime 2019-01-14 Data1 len 2 datetime 2019-01-11
...      

在輸出的每一行中，第一個日期為政策所使用的日期，第二個日期為目前日線的日期，第三個日期為目前月線的日期。

其中，第3行1月4日為星期五，應該出現第一根周線資料，但是輸出結果中卻沒有周線資料。第8行1月11日為周五，從1月7日至1月11日的5根日線可以合成1根周線，後面的周線資料也應該更新為1月11日，但是輸出結果卻是1月4日。

産生以上結果的原因是，backtrader把2019年1月1日當作了交易日，隻是沒有讀入資料。這樣1月1日至4日，再加上7日共計5根日線，就在1月7日合成了第一根周線；同樣1月8日至11日，再加上14日共計5根日線，在1月14日合成了第二根周線。這顯然不是想要的結果。

解決上述問題的方案是，通過繼承bt.TradingCalendar定義新的月曆，然後在月曆中設定節假日。如以下代碼所示，将2019年1月1日添加到holidays清單中，然後在cerebro添加該月曆：

class AStockCalendar(bt.TradingCalendar):
    params = dict(
        holidays=[
            datetime.date(2019, 1, 1),
        ],
        open=datetime.time(9, 30),
        close=datetime.time(15, 0),
    )

cerebro.addcalendar(AStockCalendar())      

當使用交易月曆時，部分輸出結果為：

Strategy len 1 datetime 2019-01-02 Data0 len 1 datetime 2019-01-02 
Strategy len 2 datetime 2019-01-03 Data0 len 2 datetime 2019-01-03 
Strategy len 3 datetime 2019-01-04 Data0 len 3 datetime 2019-01-04 Data1 len 1 datetime 2019-01-04
Strategy len 4 datetime 2019-01-07 Data0 len 4 datetime 2019-01-07 Data1 len 1 datetime 2019-01-04
Strategy len 5 datetime 2019-01-08 Data0 len 5 datetime 2019-01-08 Data1 len 1 datetime 2019-01-04
Strategy len 6 datetime 2019-01-09 Data0 len 6 datetime 2019-01-09 Data1 len 1 datetime 2019-01-04
Strategy len 7 datetime 2019-01-10 Data0 len 7 datetime 2019-01-10 Data1 len 1 datetime 2019-01-04
Strategy len 8 datetime 2019-01-11 Data0 len 8 datetime 2019-01-11 Data1 len 2 datetime 2019-01-11
Strategy len 9 datetime 2019-01-14 Data0 len 9 datetime 2019-01-14 Data1 len 2 datetime 2019-01-11
...      

可以看到，在1月4日（星期五）合成了第一根周線，在1月11日（星期五）合成了第二根周線，得到了正确的結果。

同樣，可以把2019年的其他節假日都添加到holidays清單中，來實作整年的周線資料的正确合成。

1. 日内分時資料resample合成日線資料時，使用交易月曆處理提前收盤的情況。

   美股在感恩節後的第一天，會在下午1點休市，這樣如果不做處理，使用分鐘資料合成日線資料時就會出問題，可以通過添加以下月曆來解決：

class CustomCalendar(bt.TradingCalendar):
    params = dict(
        holidays=[
            datetime.date(2016, 1, 1),
            datetime.date(2016, 1, 18),
            datetime.date(2016, 2, 15),
            datetime.date(2016, 3, 25),
            datetime.date(2016, 5, 30),
            datetime.date(2016, 7, 4),
            datetime.date(2016, 9, 5),
            datetime.date(2016, 11, 24),
            datetime.date(2016, 12, 26),
        ],
        earlydays=[
            (datetime.date(2016, 11, 25),
             datetime.time(9, 30), datetime.time(13, ,0))
        ],
        open=datetime.time(9, 30),
        close=datetime.time(16, 0),
    )      

以2016年為例，月曆中設定了2016年的節假日，一般每日交易時間為9:30至16:00，11月25日的交易時間為9:30至13:00。

resample淺析

借助于日志功能，對resample功能進行簡單分析。這裡以30分鐘資料為資料源，使用resample來合成60分鐘資料，同時加載已下載下傳好的60分鐘資料用于對比resample結果，部分代碼如下：

data = load_data(stk_code, fromdate, todate, '30')
cerebro.adddata(data, name = stk_code + '_30m')
cerebro.resampledata(data, name = stk_code + '_30to60m', timeframe = bt.TimeFrame.Minutes, compression = 60)
data = load_data(stk_code, fromdate, todate, '60')
cerebro.adddata(data, name = stk_code + '_60m'      

2. 标黃的D、L、T列分别表示加載的30分鐘時間标簽資料、由30分鐘資料合成的60分鐘時間标簽資料、加載的60分鐘時間标簽資料。
3. 對比D列和T列可以發現，在加載的60分鐘資料中，6月1日首個時間點（10:00）資料為空，在時間點10:30出現第一個資料。在D列時間标簽變為11:00時，T列時間标簽仍為10:30。在D列時間标簽變為11:30時，T列時間标簽才變為11:30。這樣就保證了，在同時加載多個周期資料進行回測時，不會發生使用未來資料的情況。
4. 對比D列和L列發現，resample結果未按預期得到10:30、11:30、14:00、15:00四個時段的60分鐘資料，而是得到10:00、11:00、12:00、14:00、15:00五個整點時間段的資料。筆者嘗試了調整函數resampledata()的bar2edge、rightedge、adjbartime、boundoff參數，也嘗試了使用交易月曆功能設定每日交易起止時間，均未能實作預期的resample結果。目前的解決方案是，在合成分鐘級資料時，不使用backtrader的resampledata()函數，而是先離線合成所需周期的資料，然後使用cerebro.adddata()加載合成的資料，再進行多周期政策的回測。