操作平台

原文： https://www.backtrader.com/docu/operating/

行迭代器

为了参与操作，plaftorm 使用行迭代器的概念。它们松散地模仿 Python 的迭代器，但实际上与它们无关。

策略和指标是行迭代器。

行迭代器概念试图描述以下内容：

行迭代器踢从行迭代器，告诉它们进行迭代
然后，行迭代器迭代其自己声明的命名行设置值

与常规 Python 迭代器一样，迭代的关键是：

next方法

每次迭代都会调用它。行迭代器拥有并作为逻辑/计算基础的datas数组已经被平台移动到下一个索引（禁止数据重放）

当满足行迭代器的最短周期时调用。下面再详细介绍一下。

但由于它们不是常规迭代器，因此还存在两种附加方法：

prenext

在满足行迭代器`的最短周期之前调用。
nextstart

当满足行迭代器`的最短周期时，精确调用一次。

默认行为是将调用转发到next，但如果需要，当然可以重写。

指标的附加方法

为了加快运行速度，指示器支持称为 runonce 的批量运行模式。它不是严格需要的（一个next方法就足够了），但它大大减少了时间。

runonce 方法规则使索引为 0 的 get/set 点无效，并依赖于对包含数据的底层数组的直接访问，并为每个状态传递正确的索引。

定义的方法遵循下一个族的命名：

once(self, start, end)

在满足最短周期时调用。必须在起始和结束之间处理内部数组，从内部数组的起始处算起，起始和结束为零
preonce(self, start, end)

在满足最短周期之前调用。
oncestart(self, start, end)

当满足最短周期时，精确调用一次。

默认行为是将调用转发到once，但如果需要，当然可以重写。

最短周期

一幅画抵得上千言万语，在这种情况下，也可能是一个例子。SimpleMovingAverage 能够解释这一点：

class SimpleMovingAverage(Indicator):
    lines = ('sma',)
    params = dict(period=20)

    def __init__(self):
        ...  # Not relevant for the explanation

    def prenext(self):
        print('prenext:: current period:', len(self))

    def nextstart(self):
        print('nextstart:: current period:', len(self))
        # emulate default behavior ... call next
        self.next()

    def next(self):
        print('next:: current period:', len(self))

实例化过程可能如下所示：

sma = btind.SimpleMovingAverage(self.data, period=25)

简要说明：

假设传递给移动平均线的数据是标准数据馈送，其默认周期为1，即：数据馈送产生一个没有初始延迟的条。
那么“period=25”实例化移动平均线的方法调用如下：
- prenext24 次
- nextstart1 次（依次呼叫next
- nextn 额外次数，直到数据馈送耗尽

让我们来看杀手指标：一个简单移动平均值超过另一个简单移动平均值。实例化可能如下所示：

sma1 = btind.SimpleMovingAverage(self.data, period=25)

sma2 = btind.SimpleMovingAverage(sma1, period=20)

现在发生了什么：

sma1同上
sma2正在接收数据馈送，其最短周期为 25，这是我们的sma1，因此
sma2方法的调用如图所示：
- prenext前 25+18 次共 43 次
- 25 次，让sma1产生其 1^st敏感值
- 18 次累积额外的sma1值
- 总共 19 个值（25 次调用后为 1 次，然后再调用 18 次）
- nextstart然后 1 次（依次呼叫next
- next在数据馈送耗尽之前，再重复 n 次

当系统已经处理 44 条时，平台正在调用next。

最短周期已根据传入数据自动调整。

战略和指标遵循以下行为：

只有在达到自动计算的最短周期时才会调用next（除非对nextstart进行初始钩子调用）

笔记

对于跳动批量操作模式，同样的规则适用于preonce、oncestart和once

笔记

最短周期行为可以被操纵，尽管不建议这样做。是否希望在战略或指标中使用setminperiod(minperiod)方法

正常运转

起跑至少涉及 3 条线对象：

数据源
策略（实际上是从策略派生的类）
大脑（西班牙语中的大脑）

数据源

显然，这些对象提供的数据将通过应用计算（直接和/或使用指标）进行回溯测试

该平台提供了几个数据源：

几种 CSV 格式和一个通用的 CSV 阅读器
雅虎在线抓取器
支持接收熊猫数据帧和火焰对象
通过互动经纪人、视觉图表和Oanda提供实时数据源

该平台对数据提要的内容（如时间框架和压缩）不作任何假设。这些值以及名称可用于提供信息和数据馈送重采样等高级操作（将例如 5 分钟的数据馈送转换为每日数据馈送）

设置 Yahoo Finance 数据源的示例：

import backtrader as bt
import backtrader.feeds as btfeeds

...

datapath = 'path/to/your/yahoo/data.csv'

data = btfeeds.YahooFinanceCSVData(
    dataname=datapath,
    reversed=True)

显示 Yahoo 的可选reversed参数，因为直接从 Yahoo 下载的 CSV 文件以最新日期开始，而不是以最旧日期开始。

如果数据跨越较大的时间范围，则实际加载的数据可以限制如下：

data = btfeeds.YahooFinanceCSVData(
    dataname=datapath,
    reversed=True
    fromdate=datetime.datetime(2014, 1, 1),
    todate=datetime.datetime(2014, 12, 31))

如果数据馈送中存在fromdate和todate，则两者都将包括在内。

如前所述，可以添加压缩和名称：

data = btfeeds.YahooFinanceCSVData(
    dataname=datapath,
    reversed=True
    fromdate=datetime.datetime(2014, 1, 1),
    todate=datetime.datetime(2014, 12, 31)
    timeframe=bt.TimeFrame.Days,
    compression=1,
    name='Yahoo'
   )

如果绘制数据，将使用这些值。

策略（派生）类

笔记

在继续之前，如果不希望对策略进行子类化，请检查文档中的信号部分，以获得更简化的方法。

任何使用该平台的人的目标都是对数据进行回溯测试，这是在一个策略（派生类）中完成的。

至少有 2 种方法需要定制：

__init__
next

在初始化期间，将创建数据和其他计算的指标，以备以后应用逻辑。

接下来调用下一个方法，为每个数据条应用逻辑。

笔记

如果传递了不同时间段的数据馈送（因此也传递了不同的条数），则将调用next方法来获取主数据（传递给 Cerbero 的 1^st方法，见下文），该主数据必须是具有较小时间段的数据

笔记

如果使用数据重放功能，则在重放条形图的开发过程中，同一条形图将多次调用next方法。

派生类的基本策略：

class MyStrategy(bt.Strategy):

    def __init__(self):

        self.sma = btind.SimpleMovingAverage(self.data, period=20)

    def next(self):

        if self.sma > self.data.close:
            self.buy()

        elif self.sma < self.data.close:
            self.sell()

策略还有其他可以覆盖的方法（或挂钩点）：

class MyStrategy(bt.Strategy):

    def __init__(self):

        self.sma = btind.SimpleMovingAverage(self.data, period=20)

    def next(self):

        if self.sma > self.data.close:
            submitted_order = self.buy()

        elif self.sma < self.data.close:
            submitted_order = self.sell()

    def start(self):
        print('Backtesting is about to start')

    def stop(self):
        print('Backtesting is finished')

    def notify_order(self, order):
        print('An order new/changed/executed/canceled has been received')

start和stop方法应该是自解释的。正如预期的那样，在打印函数中的文本之后，当策略需要通知时，将调用notify_order方法。用例：

请求购买或出售（如下图所示）

买入/卖出将返回提交给经纪人的订单。保留对此已提交订单的引用由调用方决定。

例如，它可用于确保在订单仍处于挂起状态时不会提交新订单。
如果订单被接受/执行/取消/更改，代理将通过 notify 方法将状态更改（例如执行大小）通知回策略

《快速入门指南》中有一个完整的、功能性的notify_order方法订单管理示例。

其他策略类可以做更多工作：

buy/sell/close

使用基础经纪人和sizer向经纪人发送买入/卖出订单

同样可以通过手动创建订单并将其传递给代理来完成。但是这个平台是为了让使用它的人更容易。

close将获取当前市场头寸并立即关闭。
getposition（或物业“位置”）

返回当前市场位置
setsizer/getsizer（或物业“sizer”）

这些允许设置/获取基本的桩尺寸。同样的逻辑可以对照为相同情况（固定规模、与资本成比例、指数型）提供不同股权的规模确定器进行检查

有大量的文学作品，但范·K·萨普在这方面有很多优秀的书籍。

策略是一个行对象和这些支持参数，它们是使用标准 Python kwargs 参数收集的：

class MyStrategy(bt.Strategy):

    params = (('period', 20),)

    def __init__(self):

        self.sma = btind.SimpleMovingAverage(self.data, period=self.params.period)

    ...
    ...

请注意，SimpleMovingAverage不再使用固定值 20 实例化，而是使用为策略定义的参数“period”。

大脑

一旦数据源可用，并且策略已经定义，一个脑波实例就是将所有东西聚集在一起并执行动作的地方。实例化一个很容易：

cerebro = bt.Cerebro()

如果不希望有任何特殊情况，默认值将得到处理。

将创建一个默认代理
业务没有佣金
数据源将被预加载
默认执行模式为 runonce（批处理操作），速度更快

所有指示器必须支持全速的runonce模式。平台中包含的那些都可以。

自定义指示器不需要实现 runonce 功能。Cerebro将模拟它，这意味着那些与跳动不兼容的指示器将运行较慢。但大多数系统仍将以批处理模式运行。

由于数据馈送已经可用，并且也有一个策略（在前面创建），因此将所有数据馈送放在一起并使其运行的标准方法是：

cerebro.adddata(data)
cerebro.addstrategy(MyStrategy, period=25)
cerebro.run()

请注意以下事项：

添加了数据提要“实例”
MyStrategy“class”与将传递给它的参数（kwargs）一起添加。

MyStrategy 的实例化将由 Cerbero 在后台完成，“addstrategy”中的任何 Kwarg 都将传递给它

用户可以根据需要添加任意多的策略和数据源。平台不强制/限制战略如何相互沟通以实现协调（如果愿意）。

当然，大脑提供了额外的可能性：

决定预加载和运行模式：

py cerebro = bt.Cerebro(runonce=True, preload=True)

这里有一个约束：runonce需要预加载（如果没有，则无法运行批处理操作），当然预加载数据源不会强制runonce
setbroker/getbroker（及经纪人物业）

如果需要，可以设置自定义代理。也可以访问实际的代理实例
策划。在常规情况下，尽可能简单：

py cerebro.run() cerebro.plot()

plot 接受一些自定义参数
- numfigs=1
  
  如果绘图过于密集，可能会将其分解为多个绘图
- plotter=None
  
  可以传递客户绘图仪实例，而 Cerbero 不会实例化默认绘图仪实例
- **kwargs-标准关键字参数
  
  这将传递给绘图仪。
有关更多信息，请参见绘图部分。
优化战略。

如上所述，Cerbero 获得一个策略派生类（不是实例）和关键字参数，这些参数将在实例化时传递给它，这将在调用“run”时发生。

这是为了实现优化。同一个策略类将根据需要使用新参数多次实例化。如果一个实例被传递给了大脑…这是不可能的。

优化要求如下：

py cerebro.optstrategy(MyStrategy, period=xrange(10, 20))

方法optstrategy与addstrategy具有相同的特征码，但进行额外的内务处理以确保优化按预期运行。策略可能期望范围作为策略的正常参数，addstrategy不会对传递的参数进行假设。

另一方面，optstrategy将理解 iterable 是一组必须按顺序传递给 Strategy 类的每个实例化的值。

请注意，传递的不是单个值，而是一个值的范围。在这种简单的情况下，将为该策略尝试 10 个值 10->19（20 是上限）。

如果使用额外参数开发更复杂的策略，则它们都可以传递给optstrategy。不必进行优化的参数可以直接传递，而最终用户不必创建一个只有一个值的伪 iterable。例子：

py cerebro.optstrategy(MyStrategy, period=xrange(10, 20), factor=3.5)

optstrategy方法查看 factor，并在背景中为具有单个元素的 factor 创建（所需的）伪 iterable（在示例 3.5 中）

笔记

交互式 Python shell 和Windows下的某些类型的冻结可执行文件与 Pythonmultiprocessing模块存在问题

请阅读关于multiprocessing的 Python 文档。

我们一直在努力

apachecn/AiLearning