Python量化交易學習筆記（38）——backtrader多周期回測2

簡述

如果需要做多周期的政策回測，但是隻有單周期資料可用，那麼就可以使用重采樣（resampling）來解決多周期資料的生成問題。

這裡的重采樣（resampling）實際指的是上采樣（upsampling），使用小周期的資料來合成大周期資料。例如，用日線資料合成周線資料。這裡所說的上采樣和信号處理的上采樣效果是相反的，在信号進行中，上采樣會獲得比源資料更多的資料，而這裡的上采樣則是獲得大周期的資料，較源資料而言，資料量變少。

backtrader的重采樣

backtrader内置了重采樣方法：

cerebro.resampledata(data, **kwargs)

其中data為源資料（小周期資料），通過該方法調用，重采樣後的目标資料（大周期資料）就已經被添加到cerebro中。

該方法主要有兩個參數來控制重采樣的具體實作：

timeframe（預設值：bt.TimeFrame.Days）

該參數為目标資料的周期類型，目标資料周期應大于等于源資料，即如果源資料為日線資料，那麼目标資料可以為日線、周線、月線或更大周期資料。

compression（預設值：1）

該參數為壓縮比，取值為1到n，将目标資料的n根K線進一步壓縮成1根。

使用resample時，同樣也筆記（37）存在中提到的，大周期資料的使用會使得政策的最小周期變大的情況。

樞軸點（Pivot Point）

樞軸點本身就是一個多周期的技術名額，本文示例會用到Pivot Point名額，是以這裡做一下簡單介紹。

樞軸點名額考慮的是過去時間内更大周期的K線取值情況，例如，當對日線進行研判時，會使用上一個月的月線資料進行名額計算。當然也可以根據需要使用日線與其他大周期K線進行組合使用。

名額的計算公式為：

pivot = (high + low + close) / 3
support1 = 2.0 * pivot - high
support2 = pivot - (high - low)
resistance1 = 2.0 * pivot - low
resistance2 = pivot + (high - low)

仍以日線與月線的組合為例，這裡的high、low、close分别對應于上月月線的最高價、最低價、收盤價。

在backtrader中，這5個名額對應的名稱為p、s1、s2、r1、r2。其中p為軸心點，s1、s2對應第1、2級支撐，r1、r2對應于第1、2級阻力。

示例

為了示範resample回測，本文使用以下方案：

政策将先讀入日線資料，然後通過resample生成并加載月線資料。回測股票為000001平安銀行，回測周期為2018年1月1日至2019年12月31日。

# 加載資料
def load_data(stk_code, fromdate, todate):
    datapath = './stk_data/d/' + stk_code + '.csv'
    return bt.feeds.GenericCSVData(
        dataname = datapath,
        fromdate = fromdate,
        todate = todate + datetime.timedelta(days=1),
        nullvalue = 0.0,
        dtformat = ('%Y-%m-%d'),
        datetime = 0,
        open = 1,
        high = 2,
        low = 3,
        close = 4,
        volume = 5,
        openinterest = -1
        )

stk_list = ['sz.000001']
fromdate = datetime.datetime(2018, 1, 1)
todate = datetime.datetime(2019, 12, 31)
for stk_code in stk_list:
    data = load_data(stk_code, fromdate, todate)
    cerebro.adddata(data)
    cerebro.resampledata(data, timeframe = bt.TimeFrame.Months, compression = 1)

先加載日線資料，然後通過resample得到并加載月線資料。

買入條件：價格回踩2級支撐或突破1級阻力；賣出條件：價格較最高收盤價回撤5%賣出。

在政策類的init方法中，定義所需的技術名額：

def __init__(self):
        # 存儲不同資料的技術名額
        self.inds = dict()
        # 存儲特定股票的訂單，key為股票的代碼
        self.orders = dict()
        # 周遊所有資料
        for i, d in enumerate(self.datas):
            self.orders[d._name] = None
            # 為每個資料定義字典，存儲技術名額
            self.inds[d] = dict()
            # 判斷d是否為日線資料
            if 0 == i % 2:
                self.inds[d]['lowest'] = btind.Lowest(d, period = self.p.lowestperiod)
            # 判斷d是否為月線資料
            else:
                # 定義pivot point名額
                self.inds[d]['pp'] = btind.PivotPoint(d)

定義字典self.inds，來存儲不同資料的技術名額。

定義self.orders，來存儲特定股票的訂單，key為股票的代碼。

然後周遊所有的資料，将資料的訂單先置為空，并且為每個資料建立字典，來存儲技術名額。由于系統是先添加日線資料，再添加月線資料，是以當i % 2等于0時，d為日線資料，那麼就計算最小值名額；當i % 2不等于0時，d為月線資料，那麼計算Pivot Point名額。

在政策類的next方法中，定義買入賣出條件：

def next(self):
        for i, d in enumerate(self.datas):
            # 如果處理月線資料則跳過買賣條件，因為已在日線資料判斷處理過
            if 1 == i % 2:
                continue
            pos = self.getposition(d)
            # 不在場内，則可以買入
            if not len(pos):
                # 達到買入條件
                month_pp = self.inds[self.datas[i + 1]]['pp']
                if (self.inds[d]['lowest'] <= month_pp.s2 and d.close > month_pp.s2) or (
                    self.inds[d]['lowest'] <= month_pp.r1 and d.close > month_pp.r1) :
                    # 買入手數
                    stake = int(self.broker.cash / len(stk_list) // (d.close[0] * 100)) * 100
                    # 買買買
                    self.buy(data = d, size = stake)
            elif not self.orders[d._name]:
                # 下保護點賣單
                self.orders[d._name] = self.close(data = d, exectype= bt.Order.StopTrail,
                            trailamount=self.p.trailamount,
                            trailpercent=self.p.trailpercent)

這裡依然隻對i % 2等于0的資料（即日線資料）進行條件判斷，然後使用self.inds[self.datas[i + 1]][‘pp’]的方式對月線技術名額進行通路。

當達到買入條件後下買單，訂單将在第二天以開盤價成交。在計算買入倉位大小時，保證資金得到最大程度的使用。

買單成交當天，下StopTrail賣單，當股價較最高收盤價回撤5%賣出（具體參加筆記（20）和筆記（31））。這裡使用close方法而不是sell方法，如果使用sell方法，股票将以1股1股的賣出，使用close則是全部賣出。

輸出結果為：

2018-08-27 BUY sz.000001 EXECUTED, Price: 10.02
2018-09-10 SELL sz.000001 EXECUTED, Price: 9.91
2018-10-08 BUY sz.000001 EXECUTED, Price: 10.70
2018-10-11 SELL sz.000001 EXECUTED, Price: 10.03
2019-01-21 BUY sz.000001 EXECUTED, Price: 10.34
2019-03-08 SELL sz.000001 EXECUTED, Price: 12.43
2019-04-09 BUY sz.000001 EXECUTED, Price: 13.87
2019-04-23 SELL sz.000001 EXECUTED, Price: 13.99
2019-06-21 BUY sz.000001 EXECUTED, Price: 13.76
2019-07-08 SELL sz.000001 EXECUTED, Price: 13.47
2019-08-13 BUY sz.000001 EXECUTED, Price: 15.00
2019-08-22 SELL sz.000001 EXECUTED, Price: 14.24
2019-08-26 BUY sz.000001 EXECUTED, Price: 14.42
2019-10-22 SELL sz.000001 EXECUTED, Price: 16.36
Final Portfolio Value: 1184108.05

兩年間共有7筆交易，收益率為18.4%

總結

backtrader可以通過resample來實作基于單周期資料的多周期資料生成與加載。
使用源資料進行resample時，目标資料周期應大于等于源資料周期
在政策實作時，通過資料索引的取餘運算來區分源資料、目标資料。

多周期政策回測程式v2代碼：

# 多周期
# 買入條件：價格回踩2級支撐或突破1級阻力
# 賣出條件：價格較最高收盤價回撤5%賣出
from __future__ import (absolute_import, division, print_function,
                        unicode_literals)

import backtrader as bt
import backtrader.feeds as btfeeds
import backtrader.indicators as btind
import datetime
import pandas as pd


stk_list = ['sz.000001']

class PivotMultiTF(bt.Strategy):
    params = (
        ('lowestperiod', 5),
        ('trailamount', 0.0),
        ('trailpercent', 0.05),
    )

    def __init__(self):
        # 存儲不同資料的技術名額
        self.inds = dict()
        # 存儲特定股票的訂單，key為股票的代碼
        self.orders = dict()
        # 周遊所有資料
        for i, d in enumerate(self.datas):
            self.orders[d._name] = None
            # 為每個資料定義字典，存儲技術名額
            self.inds[d] = dict()
            # 判斷d是否為日線資料
            if 0 == i % 2:
                self.inds[d]['lowest'] = btind.Lowest(d, period = self.p.lowestperiod)
            # 判斷d是否為月線資料
            else:
                # 定義pivot point名額
                self.inds[d]['pp'] = btind.PivotPoint(d)

    def next(self):
        for i, d in enumerate(self.datas):
            # 如果處理月線資料則跳過買賣條件，因為已在日線資料判斷處理過
            if 1 == i % 2:
                continue
            pos = self.getposition(d)
            # 不在場内，則可以買入
            if not len(pos):
                # 達到買入條件
                month_pp = self.inds[self.datas[i + 1]]['pp']
                if (self.inds[d]['lowest'] <= month_pp.s2 and d.close > month_pp.s2) or (
                    self.inds[d]['lowest'] <= month_pp.r1 and d.close > month_pp.r1) :
                    # 買入手數
                    stake = int(self.broker.cash / len(stk_list) // (d.close[0] * 100)) * 100
                    # 買買買
                    self.buy(data = d, size = stake)
            elif not self.orders[d._name]:
                # 下保護點賣單
                self.orders[d._name] = self.close(data = d, exectype= bt.Order.StopTrail,
                            trailamount=self.p.trailamount,
                            trailpercent=self.p.trailpercent)

    def notify_order(self, order):
        if order.status in [order.Completed]:
            if order.isbuy():
                print('{} BUY {} EXECUTED, Price: {:.2f}'.format(self.datetime.date(), order.data._name, order.executed.price))
            else:  # Sell
                self.orders[order.data._name] = None
                print('{} SELL {} EXECUTED, Price: {:.2f}'.format(self.datetime.date(), order.data._name, order.executed.price))

# 加載資料
def load_data(stk_code, fromdate, todate):
    datapath = './stk_data/d/' + stk_code + '.csv'
    return bt.feeds.GenericCSVData(
        dataname = datapath,
        fromdate = fromdate,
        todate = todate + datetime.timedelta(days=1),
        nullvalue = 0.0,
        dtformat = ('%Y-%m-%d'),
        datetime = 0,
        open = 1,
        high = 2,
        low = 3,
        close = 4,
        volume = 5,
        openinterest = -1
        )

def runstrat():
    cerebro = bt.Cerebro()
    cerebro.broker.setcash(1000000.0)
    cerebro.addstrategy(PivotMultiTF)
    fromdate = datetime.datetime(2018, 1, 1)
    todate = datetime.datetime(2019, 12, 31)
    for stk_code in stk_list:
        data = load_data(stk_code, fromdate, todate)
        cerebro.adddata(data)
        cerebro.resampledata(data, timeframe = bt.TimeFrame.Months, compression = 1)
    cerebro.addwriter(bt.WriterFile, out = 'log.csv', csv = True)
    cerebro.run()
    print('Final Portfolio Value: %.2f' % cerebro.broker.getvalue())
    # Plot the result繪制結果
    cerebro.plot(start=datetime.date(2018, 1, 1), end=datetime.date(2019, 12, 31),
            volume = False, style = 'candle',
            barup = 'red', bardown = 'green')

if __name__ == '__main__':
    runstrat()

Python量化交易學習筆記（38）——backtrader多周期回測2

backtrader的重采樣

樞軸點（Pivot Point）

總結

繼續閱讀

無法解析的外部符号 wmain，該符号在函數 "void cdecl mainCRTStartupHelper(struct HINSTANCE *,unsigned short con......

TestLink導出用例轉換工具(XML2Excel)

YAML簡介和PyYAML安全操作YAML支援的類型YAML的優點：yaml的基本文法python操作

Small tricks

libsvm for python 安裝

學習軟體測試基礎測試第七天

Zeppelin 配置通路 REST APIApache Zeppelin Configuration REST API

【Torch】最簡潔logging使用指南

27. Remove Element(清單)題目代碼

Cloud Studio初體驗

使用 ctypes 進行 Python 和 C 的混合程式設計

【python】【資料處理】畫多元資料分布圖

詳解STM32單片機的堆棧

【python】netconf協定對接管理裝置

「Python 網絡自動化」NETCONF —— Python 使用 NETCONF 管理配置 H3C 網絡裝置

在python中建立excel并寫入