Backtrader

为什么需要回测框架

想象一下，你有一个交易想法："当5日均线上穿20日均线时买入，下穿时卖出。"听起来简单，对吧？但如果你要验证这个想法在历史上是否有效，你需要做很多事情：获取历史数据、计算移动平均线、模拟每一笔交易的执行、考虑手续费和滑点、计算最终的收益曲线……

如果你手动做这些，一个五年的回测可能需要几天时间，而且极易出错。更可怕的是，你很难保证自己的计算没有bug——一个小小的逻辑错误就可能让结果完全失真。

这就是回测框架存在的意义。它把回测过程中所有重复的、机械的工作封装起来，让你只需要关注最核心的东西：策略逻辑。Backtrader就是Python世界中最优秀的回测框架之一，它优雅、灵活、文档丰富，而且完全开源免费。

Backtrader的架构：一场精心编排的交响乐

Backtrader的设计理念非常优雅。它的核心是一个叫Cerebro（拉丁语"大脑"）的引擎，负责协调所有组件的工作。你可以把Cerebro想象成一个乐团的指挥，而Data Feed、Strategy、Indicators、Observers、Analyzers则是乐团中的不同乐器组。

Backtrader的五大核心组件

让我们来认识Backtrader家族的主要成员。点击下方卡片，了解每个组件的职责。

你的第一个Backtrader回测

理论讲得够多了，让我们动手写代码。下面是一个完整的"买入并持有"策略——历史上涨幅最大的策略之一（虽然它没有任何技术含量，但作为一个起点再合适不过）。

import backtrader as bt
import backtrader.feeds as btfeed
import datetime

class BuyAndHold(bt.Strategy):
    """最简单的买入并持有策略"""
    
    def __init__(self):
        """初始化：设置订单状态跟踪"""
        self.order = None  # 跟踪当前订单
    
    def next(self):
        """每根K线到达时执行"""
        # 如果有未完成的订单，不操作
        if self.order:
            return
        
        # 如果没有持仓，买入
        if not self.position:
            self.order = self.buy()
            print(f"买入 @ {self.data.close[0]:.2f}")
    
    def notify_order(self, order):
        """订单状态更新时调用"""
        if order.status in [order.Completed]:
            if order.isbuy():
                print(f"买入执行: {order.executed.price:.2f}")
            self.order = None

# 创建Cerebro引擎
cerebro = bt.Cerebro()

# 设置初始资金
cerebro.broker.setcash(100000.0)

# 设置佣金（千分之一）
cerebro.broker.setcommission(commission=0.001)

# 加载数据（以CSV为例）
data = btfeed.YahooFinanceData(
    dataname='AAPL',
    fromdate=datetime.datetime(2020, 1, 1),
    todate=datetime.datetime(2023, 12, 31),
    reverse=False
)
cerebro.adddata(data)

# 添加策略
cerebro.addstrategy(BuyAndHold)

# 添加分析器
cerebro.addanalyzer(bt.analyzers.SharpeRatio, _name='sharpe')
cerebro.addanalyzer(bt.analyzers.DrawDown, _name='drawdown')
cerebro.addanalyzer(bt.analyzers.Returns, _name='returns')

# 打印初始资金
print(f"初始资金: {cerebro.broker.getvalue():.2f}")

# 运行回测
results = cerebro.run()

# 打印最终资金
print(f"最终资金: {cerebro.broker.getvalue():.2f}")
print(f"总收益率: {(cerebro.broker.getvalue()/100000 - 1)*100:.2f}%")

# 获取分析结果
strat = results[0]
print(f"\n夏普比率: {strat.analyzers.sharpe.get_analysis()['sharperatio']:.3f}")
print(f"最大回撤: {strat.analyzers.drawdown.get_analysis()['max']['drawdown']:.2f}%")

# 绘制结果
cerebro.plot(style='candlestick', volume=False)

# 输出交易统计
trade_analysis = strat.analyzers.getbyname('tradeanalyzer')
if trade_analysis:
    trades = trade_analysis.get_analysis()
    print(f"\n总交易次数: {trades.total.total}")
    print(f"盈利交易: {trades.won.total}")
    print(f"亏损交易: {trades.lost.total}")

上面的分步演示把一个完整的回测拆解成了五个步骤。即使你是第一次见Backtrader代码，也能大致理解每一部分在做什么。这五个步骤的模式——导入、定义策略、创建引擎、运行、分析——是几乎所有Backtrader回测的通用模板。

把策略变复杂一点：双均线交叉

"买入并持有"太简单了，让我们加入一点技术含量。下面是一个基于双均线交叉的策略：当短期均线上穿长期均线时买入，下穿时卖出。

class DualMAStrategy(bt.Strategy):
    """双均线交叉策略"""
    
    params = (
        ('short_period', 5),
        ('long_period', 20),
    )
    
    def __init__(self):
        self.order = None
        # 计算两条移动平均线
        self.sma_short = bt.indicators.SMA(
            self.data.close, period=self.p.short_period)
        self.sma_long = bt.indicators.SMA(
            self.data.close, period=self.p.long_period)
        # 计算交叉信号
        self.crossover = bt.indicators.CrossOver(
            self.sma_short, self.sma_long)
    
    def next(self):
        if self.order:
            return
        
        # 金叉且没有持仓 -> 买入
        if self.crossover > 0 and not self.position:
            self.order = self.buy()
        
        # 死叉且有持仓 -> 卖出
        elif self.crossover < 0 and self.position:
            self.order = self.sell()
    
    def notify_order(self, order):
        if order.status in [order.Completed]:
            action = "买入" if order.isbuy() else "卖出"
            print(f"{action} @ {order.executed.price:.2f}, "
                  f"数量: {order.size}")
            self.order = None

# 使用这个策略
# cerebro.addstrategy(DualMAStrategy, short_period=10, long_period=30)

这个策略虽然简单，但已经包含了量化策略的核心要素：信号生成（均线交叉）、仓位管理（有持仓就不买，没持仓就不卖）、订单管理（跟踪订单状态避免重复下单）。

双均线策略在趋势明显的市场中表现不错，但在震荡市中会反复被打脸——频繁的金叉死叉产生大量亏损交易。这就是为什么我们需要回测：看看这个策略在不同市场环境下的真实表现，而不是凭想象认为它"应该有效"。

—— 来自第3章的市场状态分析

三大回测框架对比

Backtrader虽然优秀，但并不是唯一的选择。让我们快速对比一下Python世界中最流行的三个回测框架，帮你做出适合自己的选择。

对于初学者，我的推荐很明确：从Backtrader开始。它的文档最友好，社区最活跃，学习资源最丰富。当你需要对大量参数组合进行快速回测时，可以再学习VectorBT作为补充。Zipline虽然曾经是Quantopian的官方框架，但自从Quantopian关闭后已经基本停止维护，不建议新用户投入。

Backtrader的常见陷阱

作为一个用了Backtrader多年的用户，我想分享几个新手最容易踩的坑。提前知道这些，能帮你节省大量的调试时间。

• 陷阱1：未来数据泄漏（Look-ahead Bias）。在__init__中计算指标时，确保你使用的是当前及之前的数据。Backtrader的指标系统已经帮你处理了这个问题，但如果你手动计算，很容易不小心用到"未来"的数据。
• 陷阱2：订单状态管理。如果不跟踪订单状态，可能在同一根K线上发出多个订单。始终检查self.order是否为None，或者使用self.close()来平掉当前仓位再开新仓。
• 陷阱3：数据对齐问题。如果你同时交易多只股票，注意它们的交易日期可能不完全一致（比如一只股票停牌）。Backtrader默认会跳过没有数据的日期，这可能导致策略行为与预期不符。
• 陷阱4：过度优化（Curve Fitting）。Backtrader让你可以方便地测试大量参数组合，但这也 tempts 你过度优化。记住：回测表现最好的参数，往往在未来表现最差。

遇到这些问题时，不要独自挣扎。把错误信息或困惑描述给AI，它通常能很快帮你定位问题。Backtrader的社区论坛也是一个很好的求助渠道，但AI的响应速度显然更快。

与AI一起练习

练习1：让AI把文字策略翻译成Backtrader代码

Prompt模板：

请把我的文字策略翻译成完整的Backtrader代码：

策略描述：[填写你的策略，如"RSI低于30时买入，高于70时卖出"]

要求：
1. 包含完整的导入、策略类定义、Cerebro设置
2. 使用Yahoo Finance数据（股票代码：[填写]）
3. 回测时间范围：[填写]
4. 初始资金：[填写]
5. 包含夏普比率和最大回撤分析
6. 添加注释解释每一部分的作用

你需要做的：把AI生成的代码复制到Colab中运行，观察结果。然后修改参数，看看不同设置下的表现差异。

练习2：让AI解释回测结果

Prompt模板：

我运行了一个Backtrader回测，得到了以下结果：

- 初始资金: [填写]
- 最终资金: [填写]
- 夏普比率: [填写]
- 最大回撤: [填写]
- 总交易次数: [填写]
- 胜率: [填写]

请帮我分析：
1. 这个策略的整体表现如何？
2. 夏普比率和最大回撤说明了什么？
3. 如果这是实盘策略，我需要注意哪些风险？
4. 有什么改进方向？

你需要做的：认真阅读AI的分析，特别留意它指出的风险点。很多初学者看到正收益就兴奋，忽略了AI警告的潜在问题。

练习3：对比两个策略的回测结果

Prompt模板：

我回测了两个策略，结果如下：

策略A（买入并持有）：
[填写各项指标]

策略B（双均线交叉）：
[填写各项指标]

请详细对比两个策略的优劣，并回答：
1. 从风险收益比角度，哪个更好？
2. 什么市场环境下策略A会赢？什么环境下策略B会赢？
3. 如果要把两个策略组合，你会怎么设计？

你需要做的：这个练习帮你建立"对比分析"的思维习惯。量化交易不是找到一个"最好"的策略，而是找到在不同环境下表现互补的策略组合。

动手实践：运行你的第一个完整回测

下面是一段可以直接运行的Backtrader回测代码。把它复制到Google Colab中，按步骤执行，你将获得你的第一份回测报告。

# Backtrader完整回测示例：双均线策略
# 运行环境：Google Colab

# 第一步：安装库
!pip install backtrader yfinance -q

import backtrader as bt
import yfinance as yf
import datetime
import pandas as pd

# 第二步：定义策略
class SmaCrossStrategy(bt.Strategy):
    params = (('fast', 10), ('slow', 30),)
    
    def __init__(self):
        self.order = None
        self.fast_ma = bt.indicators.SMA(self.data.close, 
                                         period=self.p.fast)
        self.slow_ma = bt.indicators.SMA(self.data.close, 
                                         period=self.p.slow)
        self.crossover = bt.indicators.CrossOver(self.fast_ma, 
                                                  self.slow_ma)
    
    def next(self):
        if self.order:
            return
        if not self.position:
            if self.crossover > 0:
                self.order = self.order_target_percent(target=0.95)
        elif self.crossover < 0:
            self.order = self.close()
    
    def notify_order(self, order):
        if order.status in [order.Completed]:
            self.order = None

# 第三步：准备数据
def get_data(symbol, start, end):
    df = yf.download(symbol, start=start, end=end, progress=False)
    df.columns = ['close', 'high', 'low', 'open', 'volume']
    return bt.feeds.PandasData(dataname=df)

# 第四步：运行回测
cerebro = bt.Cerebro()
cerebro.broker.setcash(100000.0)
cerebro.broker.setcommission(commission=0.001)

data = get_data('AAPL', '2020-01-01', '2023-12-31')
cerebro.adddata(data)
cerebro.addstrategy(SmaCrossStrategy, fast=10, slow=30)

cerebro.addanalyzer(bt.analyzers.SharpeRatio, _name='sharpe',
                    riskfreerate=0.02)
cerebro.addanalyzer(bt.analyzers.DrawDown, _name='dd')
cerebro.addanalyzer(bt.analyzers.Returns, _name='ret')

print(f"初始资金: ${cerebro.broker.getvalue():,.2f}")
results = cerebro.run()
print(f"最终资金: ${cerebro.broker.getvalue():,.2f}")

# 第五步：输出分析
strat = results[0]
print(f"\n夏普比率: {strat.analyzers.sharpe.get_analysis()['sharperatio']:.3f}")
print(f"最大回撤: {strat.analyzers.dd.get_analysis()['max']['drawdown']:.2f}%")
print(f"年化收益: {strat.analyzers.ret.get_analysis()['rnorm100']:.2f}%")

# 绘制图表（Colab中需要特殊处理）
try:
    cerebro.plot(style='candlestick', iplot=False)
except:
    print("\n图表已在后台生成。在本地Jupyter环境中可以显示交互式图表。")

本章思考题

下一章预告

恭喜你！到这里为止，你已经掌握了量化交易最核心的基础设施：市场认知、风险管理、策略设计、回测验证。但这只是开始。

第10章将带你进入实战阶段——用AI辅助开发你的第一个完整策略。我们会从想法生成开始，到数据获取、策略编写、回测优化、风险控制，走完整个策略开发的完整流程。这一次，AI不只是你的老师，更是你的编程搭档。

你已经准备好了。让我们一起进入策略开发实战。