1.Backtrader来啦：可视化篇（重构）
2.量化投资2：基于backtrader实现完整海龟法则量化回测
3.技术分析，指标指标指标为王：详解backtrader的源码源码指标体系与扩展
4.Backtrader 简概
5.量化回测框架BackTrader11-观察器（Observers）
6.Backtrader-系列教程-01-介绍
Backtrader来啦：可视化篇（重构）
量化投资与机器学习公众号为全网读者带来的Backtrader系列，深受欢迎，指标指标我们致力于提供免费、源码源码最清晰的指标指标Bt教程。QIML官方Github已上线，源码源码chrome 视频播放源码相关数据、指标指标代码一并同步，源码源码欢迎大家关注和星标。指标指标公众号希望为国内量化投资圈贡献一份力量，源码源码影响更多人了解和学习量化投资，指标指标找到适合自己的源码源码道路。如需分享内容，指标指标欢迎在评论区留言。源码源码
今天的指标指标《可视化篇》将介绍Backtrader观测器模块observers与自带的绘图函数plot()。我们将通过修改图形样式，基于回测返回的收益序列TimeReturn，结合pyfolio和matplotlib工具，自定义可视化图形。获取完整代码+数据，见文末链接。
observers模块用于统计回测信息，并在plot()的帮助下实现可视化展示。最常用的观测器包括：
- Broker观测器：记录经纪商中各时间点的可用资金和总资产。可视化时，会同时展示cash和values曲线，若需单独展示，可分别使用Cash和Value观测器。
- BuySell观测器：记录回测过程中的买入和卖出信号。可视化时，会在价格曲线上标注买卖点。
- Trades观测器：记录回测过程中每次交易的盈亏。可视化时，会绘制盈亏点。
- TimeReturn观测器：记录回测过程中的收益序列。可视化时，会绘制收益曲线。
- DrawDown观测器：记录回测过程的回撤序列。可视化时，绘制回撤曲线。
- Benchmark观测器：记录业绩基准的收益序列，必须事先通过数据添加函数添加至大脑cerebro中。可视化时，同时绘制策略本身的收益序列和业绩基准的收益曲线。
如何添加观测器？observers通过addobserver()添加给大脑cerebro，参数obscls对应观测器类，怎么改jar源码args和kwargs对应观测器支持的设置参数。
如何读取观测器数据？观测器属于lines对象，可以通过self.stats对象在Strategy中读取数据。观测器的数据在所有指标计算完后、执行Strategy的next方法后运行并统计数据，因此读取的最新数据[0]相对与next的当前时刻晚一天。
如何自定义观测器？自定义观测器遵循继承bt.observer.Observer类，指定要统计的数据为相应的line，随着回测进行依次存入数据。作为Lines对象的Observers和Indicator类，内部都有plotinfo和plotlines属性，用于回测结束后通过cerebro.plot()方法进行可视化展示。
plot()图形绘制支持回测的三大内容：Data Feeds、Indicators和Observers。Data Feeds在回测开始前导入大脑，Indicators有的与Data Feeds一起绘制在主图上，有的以子图形式绘制，Observers通常绘制在子图上。
plot()中的参数用于系统性配置图形，如修改图形样式、主题颜色等。若需系统性修改图形样式，可以重新定义PlotScheme类，或直接在plot()中修改参数。关于主题颜色，Backtrader提供多种主题色，可通过复制源码中定义的颜色并结合tab_index进行修改。
局部绘图参数设置通过类内部的plotinfo和plotlines属性控制，plotinfo主要对图形整体布局进行设置，plotlines主要对具体line的样式进行设置。
基于收益序列进行可视化，Backtrader自带的绘图工具方便实用。此外，结合pyfolio和matplotlib，根据回测返回的分析器TimeReturn、pyfolio、matplotlib可以得到可视化图形。不同主题下绘制效果也有所不同。
关于回测结果的可视化，需求不同对应不同的可视化内容。Backtrader回测框架提供了友好的绘图接口，对于额外数据，可结合Backtrader分析器Analyzers返回的指标，选用Python绘图工具如Matplotlib、Seaborn、有机大米官网源码Plotly等进行可视化展示。
量化投资与机器学习微信公众号专注于量化投资、对冲基金、Fintech、人工智能、大数据等领域，是业内主流自媒体，拥有来自公募、私募、券商、期货、银行、保险、高校等行业W+关注者，曾荣获AMMA优秀品牌力、优秀洞察力大奖，连续4年被腾讯云+社区评选为“年度最佳作者”。公众号致力于提供专业、全面的内容，帮助读者深入学习量化投资知识和技能。
量化投资2：基于backtrader实现完整海龟法则量化回测
海龟交易法是量化交易策略的一种，其核心是跟随模型，借助唐奇安通道的突破确定交易时机。要实现完整的海龟交易，需设置四个关键要素：
1. **唐奇安上阻力线**：追踪过去N天的最高价，形成波动上限。
2. **唐奇安下支撑线**：依据过去M天的最低价计算波动下限。
3. **中心线**：计算上、下线的平均值。
4. **真实波幅**：综合每日最高价、最低价及前一日收盘价的波动范围，形成最宽幅值。
5. **计算ATR（真实波幅的移动平均）**：对真实波幅进行移动平均处理，反映短期内的市场波动性。
构建交易单位时，设定每N个波动值，相当于用户总资金的1%，以此控制每笔交易的风险与资金分配。
以下是基于backtrader库实现的海龟交易策略的回测代码概览，用于验证策略的有效性。
通过回测，可以获取策略表现的具体曲线和最终结果，包括盈利、亏损、回撤等因素的横向导航菜单源码量化分析。
回测结果显示，策略的收益虽不算显著，但强调实际意义时，需将注意力集中在策略的适用范围和效果上，而非单纯依赖收益数据。仅仅使用一只股票构建策略，并且在较小的股票池中进行测试，所得收益有限是意料之中。未来的优化方向包括：
- **扩大股票池**：至少只股票全面测试，以观察策略在更多元化市场中的表现。
- **策略评估指标**：除了收益，还需考虑其他关键指标，如风险控制、夏普比率、最大回撤等，以全面评估策略的效能与可行性。
回测结果的分析应深入考量策略的通用性、适用性，以及对市场变化的响应能力，确保策略在不同市场环境下的稳健表现。
技术分析，指标为王：详解backtrader的指标体系与扩展
原创文章第篇，专注于“个人成长与财富自由、世界运作的逻辑，AI量化投资”。
李笑来竟然撰写了一本关于微信视频号的书。书中探讨了长期价值的理念，确实，许多事情难以在短期内显现出成果，需要长时间积累，越往后复利效应越显著，而在初期甚至可能感觉不到进展。这也是许多人终身无为的根本原因。
今天继续探讨backtrader，在传统的量化投资中，需要用指标来构建量化规则，因此指标计算至关重要。
backtrader的指标
指标是基于基础数据进行“衍生”计算。基础数据包括宏观数据、基本面财务数据、基于交易时间序列的OHLCV数据以及另类数据，如港口的船只数量、商超的人数等。
这些指标可以是“已经计算”好的，比如PE/PB，反演成图 .net 源码可以直接通过PandasData引入。而像布林带、唐奇安通道这种则需要通过Indicators来“临时计算”。
指标在__init__中计算，在next中使用。Sma1、ema1、sma_ema_diff、buy_sig都是line对象，类似pandas里的series。另外，指标全称通常比较长，可以简化写为alias。
ind.SimpleMovingAverage=ind.SMA
计算指标或编写策略逻辑时，离不开算术运算、关系运算、逻辑运算、条件运算等。Bt封装的运算符针对line对象进行，返回的结果也是line。bt.And、bt.Or、bt.If、bt.All、bt.Any、bt.Max、bt.Min、bt.Sum计算返回的结果与在next()中对当前时点通过常规python运算语法返回的结果一致。
关于不同周期的指标
都是“日频”，但有些数据，如财务指标是“季度”频度。比如self.data1是月度数据，那么self.month也是月度数据。这时可以有两种做法：使用self.month[0]()，或者对齐整个指标对象：self.month_ = self.month()，然后使用就一样的。推荐第二种。
在bt框架中使用talib，整合得很好，bt里叫period，而talib里通常叫timeperiod。
自定义自己的指标
内置多个指标及运算符，外加talib的扩展，仍然不够，比如RSRS指标。继承自bt.Indicator，lines中定义我们这个指标有几个line，params是参数，在init中做一次性的“向量”运算，在next中按元素计算。
小结
Backtrader的指标模块Indicator侧重于技术分析，提供了各式各样的技术指标计算函数，考虑到大家的技术指标计算习惯，还内接了TA-Lib指标库。bt的line可以自动匹配时间，对齐周期，这非常方便。
指标都是标准的bt的lines对象。
尽管这里我们说的是“技术指标”，但针对机器学习的因子计算，这里的公式依然有效。
明天可以正式进行“交易”环节了。
Backtrader 简概
Backtrader，这个年开源的Python量化回测框架，因其功能全面、灵活性高而备受青睐。它以Python为开发基础，利用pandas的高效矢量运算，提供了快速处理金融数据的能力。内置的Ta-lib金融指标库，使得策略分析更为精确。此外，Backtrader还支持可视化展示，拥有活跃的社区支持和详尽的文档资源，显著节省策略开发时间。
官方文档深入介绍了各个模块，便于用户理解和使用，可以从[1]链接获取详细信息。源码开源，开发者可以根据需求自由修改，地址在[2]。通过这个强大的工具，你可以逐步探索和掌握回测的奥秘，Backtrader堪称回测领域的神器。
如果你对Backtrader感兴趣，可以按照文档的模块划分进行学习，逐步掌握其使用方法。如果你正在寻找一个既强大又灵活的量化工具，Backtrader无疑是一个值得考虑的选择。
发布于年9月日::
mdnice发布
量化回测框架BackTrader-观察器（Observers）
什么是 Observers
Observers 是一种用于在回测过程中记录和统计数据的工具，便于进行深入的历史分析。作为一个独立的类，它位于backtrader.observers。默认情况下，Cerebro 在创建时会自动生成 3 个 Observers。这些 Observers 可以通过 Cerebro 的参数进行启用或禁用，其中 stdstats 的默认值是 True。
observers 会自动在图表上绘制，在前几讲的输出图表示例中，其实都绘制了这 3 个默认 Observers。
下面是一个与第一讲示例相同的例子，唯一的不同之处在于禁用了默认的 3 个 Observers，可以比较一下两者的输出图像。
原图：
访问 Observers
当 observer 被加载到 cerebro 后，在策略的 next 调用中可以访问到 observer 的值，例如：
上面是加载 observer，下面是访问。observers 被保存在 stats 对象下。observer 的数据类型也是 line，因此访问方式与其他 lines 相同。
开发 Observers
observer 的开发方式与指标类似。
创建步骤：
Observer 运行时序：
以下是一个官方的例子，它会记录创建的买单和过期的买单以及它们的价格。
保存统计信息
为了保存索引 0 的值，可以将写入文件的 observer 添加为最后一个 observer。一旦处理完所有观察者，就可以将值保存到文件中。
Backtrader-系列教程--介绍
Backtrader是一个由Daniel Rodriguez在年1月日在GitHub上开源的Python框架，主要支持股票、期货、期权和加密货币等资产的量化回测与实盘交易，主要用于国外市场，国内用户可能需要定制化支持。Backtrader的第一个正式版本1.0.0.于年6月3日发布，至今已更新至1.9..版本，指标数量从最初的个增长到个，结合TA-Lib等第三方库，其指标计算能力非常强大。
Backtrader的成功源于作者的项目设计和持久努力，以及详实的文档支持和活跃的社区。官网backtrader.com提供了详细的文档和讨论区community.backtrader.com，供用户交流使用经验和量化策略。选择量化框架时，开源性、文档、社区活跃度和适应个人水平是关键，通过学习框架可以提升交易和编程理解。
对于量化投资爱好者，Backtrader是入门工具，从数据获取、清洗到策略编写和模拟交易，都能体验量化投资流程。但其源码复杂，涉及到元类和Python 2/3兼容性，以及代码风格问题。此外，由于开发者主要在国外，其一些功能设计可能与国内用户习惯不符，比如K线颜色的设置。对于新手，中文资源可能不够完整，笔者将通过AKShare和公众号数据科学实战提供Backtrader使用教程，结合AKShare数据接口实现策略，还会在知识星球数据科学家进行视频直播，欢迎关注和参与。
下面是一个利用AKShare数据和Backtrader进行回测的示例代码，更多内容将在后续文章中逐步介绍，包括面向对象编程、多股票回测、多时间粒度分析等内容，以及自定义指标和订单编写等深度讲解。
手把手教你入门量化回测最强神器backtrader（一）
目前，Python量化回测框架种类丰富，如zipline、vnpy、pyalgotrader和backtrader等。backtrader以其功能完善、文档详尽、安装简便（pip安装）等优点，受到许多量化投资者的喜爱。尽管学习过程中可能需要处理大量元编程（类class），但对于有一定Python基础的用户来说，它仍然是一个强大的工具。
backtrader的核心组件包括数据加载（Data Feed）、交易策略（Strategy）、回测框架设置（Cerebro）、运行回测和评估性能（Analyzers）。其中，数据加载用于将交易策略所需的数据加载到回测框架中；交易策略负责设计交易决策；回测框架设置则包括资金、佣金、数据馈送、策略和交易头寸大小等参数的设置；运行回测后，可以通过Analyzers对策略的回测结果进行图形和风险收益等指标的评价。
以日单均线策略为例，该策略的核心是判断收盘价是否突破或跌破日均线。在backtrader中，首先需要构建策略，包括参数设置、日志记录、初始化、订单和交易状态通知等。接下来是数据加载，backtrader支持多种数据接口，包括quandl、yahoo和pandas格式数据等。然后进行回测设置，包括初始化、数据加载、策略添加、经纪商设置和头寸规模设置等。执行回测后，可以输出回测结果，并进行可视化分析。
backtrader作为一款功能强大的量化回测框架，在实盘交易中得到了广泛应用。本文以日单均线策略为例，介绍了backtrader的基本使用方法和运行过程。接下来，公众号将全面介绍backtrader的应用。学习backtrader需要耐心和细心，研读官方文档是最佳途径。
BackTrader 中文文档（二十八·二）
调用 1:
在BackTrader中，仅针对较小时间框架（如日线）使用简单移动平均值。
调用 2:
同时针对多个时间框架（日线和周线）使用简单移动平均值。
结论:
在BackTrader中，多时间框架数据无需特殊处理即可使用。仅需先添加较小的时间框架，然后应用所需时间线的分析。
数据重新取样:
BackTrader通过DataResampler过滤器对象支持数据重新取样。此功能允许从一个时间跨度（如日线）转换到另一个（如周线）。
重新取样示例:
为从日线更改为周线并应用压缩，可以编写自动化脚本。结果示例展示了转换过程，从原始数据减少到所需的时间跨度。
Pandas DataFeed支持:
BackTrader已集成Pandas Dataframe支持，通过增强和调整以更好地适应Python 2.6。这允许直接从Pandas Dataframe加载数据进行分析。
自动化回测:
Backtrader的bt-run.py脚本自动化了大部分任务，简化了使用回测平台进行算法交易的流程。用户可通过此脚本自动运行策略、添加分析器等。
策略执行:
示例策略简单介绍了如何执行策略回测，包括策略代码、参数设置和输出展示。回测结果通过图表和控制台输出展示。
观察者与统计:
Backtrader内部默认包含观察者用于收集统计信息。这些观察者在策略执行期间自动运行，无需用户额外声明，用于评估策略性能。
自定义观察者实现:
观察者实现遵循指标实现模式，从收集信息到添加自定义功能。示例展示了如何创建自定义观察者，如OrderObserver，以监控订单状态。
统计信息保存:
虽然Backtrader目前没有内置机制保存统计信息，但可以使用第三方库如pandas将观察者值保存至文件，用于进一步分析。
数据源开发:
Backtrader提供CSV数据源开发框架，通过CSVDataBase基类简化了自定义数据源的创建过程。此框架同样适用于其他非CSV格式数据源的开发。
二进制数据源:
Backtrader支持从二进制文件加载数据，如用于VisualChart的二进制文件。开发自定义二进制数据源遵循类似模式，可灵活加载不同格式的数据。
完整代码:
完整的数据源代码在底部提供，包括初始化、开始、停止和数据加载等关键步骤，以及实现二进制数据源的具体示例。
