bt虚拟货币交易所

angula 2023年07月21日 19:25 0

一、数据收集和计算：

导入库：

import backtrader as btimport backtrader.indicators as btindimport backtrader.feeds as btfeeds

计算方式：

thefeed = bt.feeds.OneOfTheFeeds(...)theind = bt.indicators.SimpleMovingAverage(...)

喂入数据：

class MyStrategy(bt.Strategy):    params = dict(period=20)    def __init__(self):        sma = btind.SimpleMovingAverage(self.datas[0], period=self.params.period)        ...    cerebro = bt.Cerebro()    ...    data = btfeeds.MyFeed(...)    cerebro.adddata(data)    ...    cerebro.addstrategy(MyStrategy, period=30)    ...

双均线构建以及生成新数据：

class MyStrategy(bt.Strategy):    params = dict(period1=20, period2=25, period3=10, period4)    def __init__(self):      sma1 = btind.SimpleMovingAverage(self.datas[0], period=self.p.period1)      # This 2nd Moving Average operates using sma1 as "data"            sma2 = btind.SimpleMovingAverage(sma1, period=self.p.period2)            # New data created via arithmetic operation      something = sma2 - sma1 + self.data.close      # This 3rd Moving Average operates using something as "data"      sma3 = btind.SimpleMovingAverage(something, period=self.p.period3)      # Comparison operators work too ...      greater = sma3 > sma      # Pointless Moving Average of True/False values but valid      # This 4th Moving Average operates using greater as "data"      sma3 = btind.SimpleMovingAverage(greater, period=self.p.period4)      ...

将数据按照顺序传输给策略并进行计算、运行：

class MyStrategy(bt.Strategy):    params = dict(period=20)    def __init__(self):        sma = btind.SimpleMovingAverage(self.datas[0], period=self.params.period)...cerebro = bt.Cerebro()...data = btfeeds.MyFeed(...)cerebro.adddata(data)...cerebro.addstrategy(MyStrategy, period=30)...

当然，这个不仅仅只适用于案例，如果读者学习了，可以通过构建新的策略来传递数据，并且运行。

定位访问：

self.data targets self.datas[0]#意味着当前值self.dataX targets self.datas[X]#意味着距离当前值距离X的值，#从目前学习来看，X多为负数，而正数要取的案例还是比较少的。

以Python量化_backtrader03：为策略添加卖单的策略来看：

是通过引用close[-2],close[-1]的方式来进行访问和比较，从而生成策略的。当然秉承着杜绝未来函数的可能性，backtrader是按照顺序来传输的情况下，这种设计是很有必要的。毕竟close[0]应当是当天的价格，如果当我们要取close[1]的情况下，就意味着今天可能会取到明天的数据，从这点来讲，是会出现逻辑错误的，这一点是违背常理的。

尽管我们能够掌握历史数据，但是回测过程中我们应当严格去执行市场逻辑才是。

因为策略需要生成的新数据同时将close删除：

class MyStrategy(bt.Strategy):    params = dict(period=20)    def __init__(self):        sma = btind.SimpleMovingAverage(period=self.params.period)...

在这里我们生成了20日均线的数据，但是在传输的过程中，正如close一样顺序传入，sma数据的生成必然也是在等待19根日线之后，在第20根日线开始生成sma值，然后进行同向对比产生交易逻辑。

当然，不仅仅只是股票价格数据可以传输，我们同样还可以去理解为生成的交易所产生的盈利，亏损，手续费等进行计算传输，也可以引用。按照Python量化backtrader06：单均线策略通过生成单独的npl列表去捕捉这些数据。

访问全局变量的参数并进行计算：

#元组方式：class MyStrategy(bt.Strategy):    params = (('period', 20),)    def __init__(self):        sma = btind.SimpleMovingAverage(self.data, period=self.p.period)#字段方式：class MyStrategy(bt.Strategy):    params = dict(period=20)    def __init__(self):        sma = btind.SimpleMovingAverage(self.data, period=self.p.period)#另外需要提一点的是，self.p.period就是self.params.period的简写。

线的概念：

实际上就是我们日常所见到的行。

当然，在之前的学习笔记中，我们大多数是援引的是close，即收盘价，其实我们也可以引用其他基础数据，即open,high,low。

在本小结中，作者对访问其数据属性的变量进行了简写处理，处理规则如下：

xxx.lines can be shortened to xxx.lxxx.lines.name can be shortened to xxx.lines_nameComplex objects like Strategies and Indicators offer quick access to data’s linesself.data_name offers a direct access to self.data.lines.nameWhich also applies to the numbered data variables: self.data1_name ->self.data1.lines.namexxx.lines可以缩写为xxx.lxxx.lines.name可以缩写为xxx.lines_name诸如策略和指标之类的复杂对象提供对数据行的快速访问self.data_name提供对self.data.lines.name的直接访问这也适用于编号的数据变量：self.data1_name->self.data1.lines.name此外，可以通过以下方式直接访问行名称：self.data.close和self.movav.sma