数据重播

原文： https://www.backtrader.com/blog/posts/2015-08-25-data-replay/data-replay/

时间一去不复返了，在一个完全成型的封闭酒吧中测试一个策略是好的，但它可能会更好。

这就是数据重播提供帮助的地方。如果：

• 该策略对时间范围为 X 的数据进行操作（例如：每日）

和

• 可获得较小时间段 Y（例如：1 分钟）的数据

数据重播的作用与名称的含义完全相同：

Replay a daily bar using the 1 minute data 

当然，这并不完全是市场发展的方式，但它远比孤立地看待每日完全成形和封闭的酒吧要好得多：

If the strategy operates in realtime during the formation of the daily bar,
the approximation of the formation of the bar gives a chance to replicate the
actual behavior of the strategy under real conditions 

将数据回放付诸实施遵循backtrader的常规使用模式

• 加载数据源

• 将数据传递给DataReplayer，这是另一个将在加载的数据馈送上工作的数据馈送

• 将新的数据馈送传递给大脑

• 添加策略

• 并在禁用预载的情况下运行…***

笔记

重放数据时不支持预加载，因为每个条实际上都是实时构建的。

为了使用示例，将每周重播标准的 2006 年每日数据。这意味着：

• 最终将有 52 家酒吧，每周一家

• 大脑将调用prenext和next总共 255 次，这是每日酒吧的原始计数

诀窍：

• 当形成一个周线时，策略的长度（len(self)将保持不变。

• 每过一周，长度将增加一个

下面是一些示例，但首先是加载数据并将其传递到重放层的测试脚本的示例……以及使用preload=False禁用预加载的run（强制）

 dataname=datapath)

    tframes = dict(
        daily=bt.TimeFrame.Days,
        weekly=bt.TimeFrame.Weeks,
        monthly=bt.TimeFrame.Months)

    # Handy dictionary for the argument timeframe conversion
    # Resample the data
    data_replayed = bt.DataReplayer(
        dataname=data,
        timeframe=tframes[args.timeframe],
        compression=args.compression)

    # First add the original data - smaller timeframe
    cerebro.adddata(data_replayed)

    # Run over everything
    cerebro.run(preload=False) 

示例-从每天重播到每周重播

脚本的调用：

$ ./data-replay.py --timeframe weekly --compression 1 

不幸的是，该图表无法向我们显示背景中发生的真实情况，因此让我们看看控制台输出：

prenext len 1 - counter 1
prenext len 1 - counter 2
prenext len 1 - counter 3
prenext len 1 - counter 4
prenext len 1 - counter 5
prenext len 2 - counter 6
...
...
prenext len 9 - counter 44
prenext len 9 - counter 45
---next len 10 - counter 46
---next len 10 - counter 47
---next len 10 - counter 48
---next len 10 - counter 49
---next len 10 - counter 50
---next len 11 - counter 51
---next len 11 - counter 52
---next len 11 - counter 53
...
...
---next len 51 - counter 248
---next len 51 - counter 249
---next len 51 - counter 250
---next len 51 - counter 251
---next len 51 - counter 252
---next len 52 - counter 253
---next len 52 - counter 254
---next len 52 - counter 255 

正如我们看到的，内部的self.counter变量正在跟踪对prenext或next的每次调用。在应用简单移动平均线生成值之前调用前者。当简单移动平均值产生值时，调用后者。

关键是：

• 策略的长度（len（self））每 5 条（一周中的 5 个交易日）改变一次

该战略有效地看到：

• 每周酒吧如何在 5 次拍摄中发展。

  同样，这并没有复制市场的实际逐点（甚至不是每分钟、每小时）发展，但它比实际看到一个酒吧要好。

视觉输出是周线图的输出，周线图是系统再次测试的最终结果。

示例 2-每日到每日压缩

当然，“重放”可以应用于相同的时间段，但需要压缩。

控制台：

$ ./data-replay.py --timeframe daily --compression 2
prenext len 1 - counter 1
prenext len 1 - counter 2
prenext len 2 - counter 3
prenext len 2 - counter 4
prenext len 3 - counter 5
prenext len 3 - counter 6
prenext len 4 - counter 7
...
...
---next len 125 - counter 250
---next len 126 - counter 251
---next len 126 - counter 252
---next len 127 - counter 253
---next len 127 - counter 254
---next len 128 - counter 255 

这一次，由于因子 2 要求的压缩，我们得到了预期的一半钢筋。

图表：

结论

重建市场发展是可能的。通常有一组较小的时间段数据可用，可用于离散地重播系统运行的时间段。

测试脚本。

from __future__ import (absolute_import, division, print_function,
                        unicode_literals)

import argparse

import backtrader as bt
import backtrader.feeds as btfeeds
import backtrader.indicators as btind

class SMAStrategy(bt.Strategy):
    params = (
        ('period', 10),
        ('onlydaily', False),
    )

    def __init__(self):
        self.sma = btind.SMA(self.data, period=self.p.period)

    def start(self):
        self.counter = 0

    def prenext(self):
        self.counter += 1
        print('prenext len %d - counter %d' % (len(self), self.counter))

    def next(self):
        self.counter += 1
        print('---next len %d - counter %d' % (len(self), self.counter))

def runstrat():
    args = parse_args()

    # Create a cerebro entity
    cerebro = bt.Cerebro(stdstats=False)

    cerebro.addstrategy(
        SMAStrategy,
        # args for the strategy
        period=args.period,
    )

    # Load the Data
    datapath = args.dataname or '../datas/sample/2006-day-001.txt'
    data = btfeeds.BacktraderCSVData(
        dataname=datapath)

    tframes = dict(
        daily=bt.TimeFrame.Days,
        weekly=bt.TimeFrame.Weeks,
        monthly=bt.TimeFrame.Months)

    # Handy dictionary for the argument timeframe conversion
    # Resample the data
    data_replayed = bt.DataReplayer(
        dataname=data,
        timeframe=tframes[args.timeframe],
        compression=args.compression)

    # First add the original data - smaller timeframe
    cerebro.adddata(data_replayed)

    # Run over everything
    cerebro.run(preload=False)

    # Plot the result
    cerebro.plot(style='bar')

def parse_args():
    parser = argparse.ArgumentParser(
        description='Pandas test script')

    parser.add_argument('--dataname', default='', required=False,
                        help='File Data to Load')

    parser.add_argument('--timeframe', default='weekly', required=False,
                        choices=['daily', 'weekly', 'monhtly'],
                        help='Timeframe to resample to')

    parser.add_argument('--compression', default=1, required=False, type=int,
                        help='Compress n bars into 1')

    parser.add_argument('--period', default=10, required=False, type=int,
                        help='Period to apply to indicator')

    return parser.parse_args()

if __name__ == '__main__':
    runstrat() 

---

我们一直在努力

apachecn/AiLearning

---