想要将深度學習算法應用于回測過程中,通過查閱資料,發現需要實作自定義技術名額(Indicator)。本文先實作一個簡單的自定義名額,為後續深度學習的應用做個鋪墊。
本文示例政策的買入條件為均線(選取10日線)向上,收陰線,且收盤價在均線上方。賣出條件為筆記(二十)中闡述的保護點賣出政策。
回測初始資金100000元,單筆操作機關1000股,傭金千分之一,回測時間自2018年1月1日至2020年3月20日。
自定義名額代碼如下:
class NegativeIndicator(bt.Indicator):
lines = ('buy_sig',)
params = (('ma_period', 10), ('up_period', 3))
def __init__(self):
self.addminperiod(self.p.ma_period)
ma = bt.ind.SMA(period = self.p.ma_period, plot = True)
# 買入條件
# 收陰線
self.l.buy_sig = bt.And(self.data.close < self.data.open,
# 收在均線上方
self.data.close > ma,
# 均線向上
ma == bt.ind.Highest(ma, period = self.p.up_period)
)
這裡的自定義名額繼承于backtrader的Indicator類,類内包含一個名為buy_sig的lines對象。參數ma_period用于控制選擇哪條均線,up_period用于控制判斷均線向上的周期。
要注意的是在__init__方法裡所用到的名額都是lines對象,是一系列數值的組合。如果名額的計算挪到next方法裡,那麼要在名額後加上下标[0]來計算,這是由于next方法裡的名額應為單個的數值。
政策類也相對簡單,主要是在__init__方法中引入自定義的名額:
def __init__(self):
# 買入條件
self.buy_sig = NegativeIndicator().buy_sig
# 為了在最後圖表中顯示均線
bt.ind.SMA(period = NegativeIndicator().p.ma_period)
self.order = None
回測000001後的最終資産為101893.73元。
回測000002後的最終資産為98094.33元。
回測601318後的最終資産為87259.10元。
友情提示:本系列學習筆記隻做資料分析,記錄個人學習過程,不作為交易依據,盈虧自負。
自定義Indicator代碼:
from __future__ import (absolute_import, division, print_function, unicode_literals)
import datetime # 用于datetime對象操作
import os.path # 用于管理路徑
import sys # 用于在argvTo[0]中找到腳本名稱
import backtrader as bt # 引入backtrader架構
# 自定義名額
class NegativeIndicator(bt.Indicator):
lines = ('buy_sig',)
params = (('ma_period', 10), ('up_period', 3))
def __init__(self):
self.addminperiod(self.p.ma_period)
ma = bt.ind.SMA(period = self.p.ma_period, plot = True)
# 買入條件
# 收陰線
self.l.buy_sig = bt.And(self.data.close < self.data.open,
# 收在均線上方
self.data.close > ma,
# 均線向上
ma == bt.ind.Highest(ma, period = self.p.up_period)
)
# 建立政策
class St(bt.Strategy):
params = dict(
stoptype=bt.Order.StopTrail,
trailamount=0.0,
trailpercent=0.05,
)
def __init__(self):
# 買入條件
self.buy_sig = NegativeIndicator().buy_sig
# 為了在最後圖表中顯示均線
bt.ind.SMA(period = NegativeIndicator().p.ma_period)
self.order = None
def notify_order(self, order):
if order.status in [order.Completed, order.Expired]:
self.order = None
def next(self):
# 無場内資産
if not self.position:
# 未送出買單
if None == self.order:
# 到達了買入條件
if self.buy_sig:
self.order = self.buy()
elif self.order is None:
# 送出stoptrail訂單
self.order = self.sell(exectype=self.p.stoptype,
trailamount=self.p.trailamount,
trailpercent=self.p.trailpercent)
cerebro = bt.Cerebro() # 建立cerebro
# 先找到腳本的位置,然後根據腳本與資料的相對路徑關系找到資料位置
# 這樣腳本從任意地方被調用,都可以正确地通路到資料
modpath = os.path.dirname(os.path.abspath(sys.argv[0]))
datapath = os.path.join(modpath, '../TQDat/day/stk/000001.csv')
# 建立價格資料
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中添加價格資料
cerebro.adddata(data)
# 設定啟動資金
cerebro.broker.setcash(100000.0)
# 設定交易機關大小
cerebro.addsizer(bt.sizers.FixedSize, stake = 1000)
# 設定傭金為千分之一
cerebro.broker.setcommission(commission=0.001)
cerebro.addstrategy(St) # 添加政策
cerebro.run() # 周遊所有資料
# 列印最後結果
print('Final Portfolio Value: %.2f' % cerebro.broker.getvalue())
cerebro.plot(style = 'candlestick') # 繪圖
為了便于互相交流學習,建立了微信群,感興趣的讀者請加微信。