backtrader 自定义分析器，解决多股回测分析困难问题
解决了啥：
- 解决回测后获取关键指标
- 解决多股回测，获取订单分析
- 解决多股回测买卖点可视化标识
效果图
通过自定义分析器 KeyIndicatorAnalyzer，TradeListAnalyzer，获取回测结果数据，通过回测数据可以轻松可视化回测结果。
可视化部分需要自己通过结果数据实现，这部分后面有空再写写。
关键指标分析器：KeyIndicatorAnalyzer 分析器获取
订单分析器：TradeListAnalyzer 分析器获取
个股买卖点，TradeListAnalyzer 分析器获取
关键指标分析器
该指标器主要分析策略：累计收益率,年化收益率, 最大回撤，胜率, 夏普率, 凯利比率,近7天收益率, 近30天收益率,佣金占资产比, 开平仓总次数等，通过这些重要指标反映出策略是否可行。
夏普率: 它的定义是投资收益与无风险收益之差的期望值，再除以投资标准差（即其波动性）。夏普率越高越好，一般来说，夏普率大于 1.0 就是很不错的了。
夏普率的计算公式：(Rp-Rf)/σp
其中，Rp为投资组合的预期收益率，Rf为无风险收益率，σp为投资组合的标准差。
公认默认无风险收益率为年化3%
公式：sharpe = (回报率均值 – 无风险利率) / 回报率标准差。
凯利公式： 定义：计算每次交易，投入资金占总资金的最优比率的分析者，声称每次交易按此比例投入资金得到的回报最大，风险最小。
公式：K = W – [(1 – W) / R]
其中，K为凯利公式，W胜率，R为盈亏比，即平均盈利除以平均损失。
解读：如果凯利比率为负，说明该投资策略不可行，应放弃；如果凯利比率为正，例如 kelly_percent = 0.2，说明每次交易投入资金占总资金的20%为最优比率。
其他指标： 见字知义。
多说无益，代码表达了所有想说的话。
KeyIndicatorAnalyzer 代码
import backtrader as bt
import numpy as np
import pandas as pd
class KeyIndicatorAnalyzer(bt.Analyzer):
"""
关键指标分析器
"""
def __init__(self):
super(KeyIndicatorAnalyzer, self).__init__()
# 年 period
self.year_period = 252
# 月 period
self.month_period = 21
# 周 period
self.week_period = 5
# 每日详情
self.daily_details = []
# 佣金
self.commission = 0
# 盈利
self.win_list = []
# 亏损
self.loss_list = []
# 重要指标
self.key_indicators_df = pd.DataFrame(
columns=[
'策略', '累计收益率',
'年化收益率', '最大回撤',
'胜率', '夏普率', '凯利比率',
'近7天收益率', '近30天收益率',
'佣金占资产比', '开平仓总次数'
])
# 每日详情指标，用于画图，{本策略：DataFrame, 基准名：DataFrame}，其中基准名，是最后传进来的基准名
self.daily_chart_dict = dict()
def get_analysis_data(self, benchmark_df, benchmark_name):
"""
获取分析数据，传基准数据过来，对比使用的。
@param benchmark_df: 基准数据
@param benchmark_name: 基准名称
"""
self._calculate_benchmark_indicators(benchmark_df, benchmark_name)
return self.key_indicators_df, self.daily_chart_dict
def _calculate_benchmark_indicators(self, benchmark_df, benchmark_name):
"""
计算基准的重要指标
"""
series = benchmark_df['close']
total_return = self.total_return(series)
annual_return = self.annual_return(series)
period = self.week_period
recent_7_days_return = self.recent_period_return(series, period)
period = self.month_period
recent_30_days_return = self.recent_period_return(series, period)
max_drawdown = self.max_drawdown(series)
sharp_ratio = self.sharp_ratio(series)
self.key_indicators_df.loc[len(self.key_indicators_df)] = [
benchmark_name,
total_return,
annual_return,
max_drawdown,
None,
sharp_ratio,
None,
recent_7_days_return,
recent_30_days_return,
None,
None
]
# 收益率走势
df = pd.DataFrame(index=benchmark_df.index)
s = self.yield_curve(series)
# 插入一列
df.insert(0, '收益率', s)
df.index.name = '日期'
self.daily_chart_dict[benchmark_name] = df
def next(self):
super(KeyIndicatorAnalyzer, self).next()
# 当前日期
current_date = self.strategy.data.datetime.date(0)
# 总资产
total_value = self.strategy.broker.getvalue()
# 现金
cash = self.strategy.broker.getcash()
self.daily_details.append({
'日期': current_date,
'总资产': total_value,
'现金': cash
})
def notify_trade(self, trade):
# 交易关闭
if trade.isclosed:
# 佣金
self.commission += trade.commission
# 盈利与亏损
if trade.pnlcomm >= 0:
# 盈利加入盈利列表，利润 0 算盈利
self.win_list.append(trade.pnlcomm)
else:
# 亏损加入亏损列表
self.loss_list.append(trade.pnlcomm)
def stop(self):
# 胜率
if self._win_times() + self._loss_times() == 0:
win_rate = 0
else:
win_percent = self._win_times() / (self._win_times() + self._loss_times())
win_rate = f'{round(win_percent * 100, 2)}%'
df = pd.DataFrame(self.daily_details)
# 累计收益率
total_return = self.total_return(df['总资产'])
# 年化收益率
annual_return = self.annual_return(df['总资产'])
# 最近7天收益率
period = self.week_period
recent_7_days_return = self.recent_period_return(df['总资产'], period)
# 最近30天收益率
period = self.month_period
recent_30_days_return = self.recent_period_return(df['总资产'], period)
# 最大回撤
max_drawdown = self.max_drawdown(df['总资产'])
# 计算夏普率
sharp_ratio = self.sharp_ratio(df['总资产'])
# 计算凯利比率
kelly_percent = self.kelly_percent()
# 佣金占总资产比
commission_percent = self.commission_percent(df['总资产'])
# 交易次数
trade_times = self._win_times() + self._loss_times()
# 本策略的指标
self.key_indicators_df.loc[len(self.key_indicators_df)] = [
'本策略',
total_return,
annual_return,
max_drawdown,
win_rate,
sharp_ratio,
kelly_percent,
recent_7_days_return,
recent_30_days_return,
commission_percent,
trade_times
]
# 收益率走势
df['收益率'] = self.yield_curve(df['总资产'])
df.set_index('日期', inplace=True)
# 每日详情指标输出
self.daily_chart_dict['本策略'] = df
def commission_percent(self, series) -> str:
"""
佣金比例
"""
percent = self.commission / series.iloc[0]
return f'{round(percent * 100, 2)}%'
def yield_curve(self, series) -> pd.Series:
"""
收益率曲线
"""
percent = (series - series.iloc[0]) / series.iloc[0]
return round(percent * 100, 2)
def total_return(self, series) -> str:
"""
累计收益率
"""
percent = (series.iloc[-1] - series.iloc[0]) / series.iloc[0]
return f'{round(percent * 100, 2)}%'
def annual_return(self, series) -> str:
"""
年化收益率
"""
percent = (series.iloc[-1] - series.iloc[0]) / series.iloc[0] / len(series) * self.year_period
return f'{round(percent * 100, 2)}%'
def recent_period_return(self, series, period) -> str:
"""
最近一段时间收益率
"""
percent = (series.iloc[-1] - series.iloc[-period]) / series.iloc[-period]
return f'{round(percent * 100, 2)}%'
def max_drawdown(self, series) -> str:
"""
最大回撤
"""
s = (series - series.expanding().max()) / series.expanding().max()
percent = s.min()
return f'{round(percent * 100, 2)}%'
def sharp_ratio(self, series) -> float:
"""
夏普率
夏普率：它的定义是投资收益与无风险收益之差的期望值，再除以投资标准差（即其波动性）
夏普率越高，代表每承受一单位的风险，会产生较多的超额报酬。
夏普率越低，代表每承受一单位的风险，会产生较少的超额报酬。
夏普率为正，代表该投资报酬率高于无风险收益率，反之则低于无风险收益率。
夏普率为负，代表该投资报酬率为负，亦即投资损失。
夏普率越高越好，一般来说，夏普率大于1.0就是很不错的了。
夏普率的计算公式：(Rp-Rf)/σp
其中，Rp为投资组合的预期收益率，Rf为无风险收益率，σp为投资组合的标准差。
公认默认无风险收益率为年化3%
公式：sharpe = (回报率均值 - 无风险利率) / 回报率标准差
"""
ret_s = series.pct_change().fillna(0)
avg_ret_s = ret_s.mean()
avg_risk_free = 0.03 / self.year_period
sd_ret_s = ret_s.std()
sharp = (avg_ret_s - avg_risk_free) / sd_ret_s
sharp_year = round(np.sqrt(self.year_period) * sharp, 3)
return sharp_year
def kelly_percent(self) -> str:
"""
凯利公式
定义：计算每次交易，投入资金占总资金的最优比率的分析者，
声称每次交易按此比例投入资金得到的回报最大，风险最小。
公式：K = W - [(1 - W) / R]
其中，K为凯利公式，W胜率，R为盈亏比，即平均盈利除以平均损失。
解读：如果凯利比率为负，说明该投资策略不可行，应放弃；如果凯利比率为正，
例如 kelly_percent = 0.2，说明每次交易投入资金占总资金的20%为最优比率。
未必可靠，只是个参考
"""
win_times = self._win_times()
loss_times = self._loss_times()
if win_times > 0 and loss_times > 0:
avg_win = np.average(self.win_list) # 平均盈利
avg_loss = abs(np.average(self.loss_list)) # 平均亏损，取绝对值
win_loss_ratio = avg_win / avg_loss # 盈亏比
if win_loss_ratio == 0:
kelly_percent = None
else:
sum_trades = win_times + loss_times
win_percent = win_times / sum_trades # 胜率
# 计算凯利比率
# 即每次交易投入资金占总资金的最优比率
kelly_percent = win_percent - ((1 - win_percent) / win_loss_ratio)
else:
kelly_percent = None # 信息不足
return f'{round(kelly_percent * 100, 2)}%' if kelly_percent else None
def _win_times(self):
"""
盈利次数
"""
return len(self.win_list)
def _loss_times(self):
"""
亏损次数
"""
return len(self.loss_list)
使用
多股回测时，需要遵守规则，规定回测第 0 位置的数据为回测时间参考，不参与回测，一般是大盘指数。
| 函数 | 参数 | 说明 |
|---|---|---|
| get_analysis_data() | benchmark_df: 基准参考指数，例如：沪深 300 benchmark_name:参考指数名称 |
返回：self.key_indicators_df：本策略和参考策略的关键指标 dataframe self.daily_chart_dict: 参考指数和本策略收益走势，key 为策略名，value 为收益走势 dataframe |
| _calculate_benchmark_indicators() | benchmark_df：参考指数, benchmark_name： 参考名称 |
计算参考指数的关键指标，用于对比本策略 |
订单分析器
记录开平仓所有订单的指标，订单号，股票，买入日期，买价，卖出日期，卖价，收益率，利润，利润总资产比，股数，股本，仓位比，累计收益，持股天数，最大利润，最大亏损。
通过该分析器，不但可以获取到所有的订单详细情况，还可以获取交易成功的股票以及对应股票的买卖点。
该分析器代码参考了链接[1]
TradeListAnalyzer 代码
import backtrader as bt
import pandas as pd
class TradeListAnalyzer(bt.Analyzer):
"""
交易列表分析器
https://community.backtrader.com/topic/1274/closed-trade-list-including-mfe-mae-analyzer/2
"""
def __init__(self):
self.trades = []
self.cum_profit = 0.0
def get_analysis(self) -> tuple:
"""
获取分析数据
@return: 交易订单列表，交易日期
"""
trade_list_df = pd.DataFrame(self.trades)
return trade_list_df, self._get_trade_date(trade_list_df)
def _get_trade_date(self, trade_list_df):
"""
获取交易日期
@return: 交易日期，获取某只股票的买卖日期，
返回字典，key为股票名，value为(买入日期列表，卖出日期列表)
"""
trade_dict = dict()
if not trade_list_df.empty:
# 分组，找出买卖日期
grouped = trade_list_df.groupby('股票')
for name, group in grouped:
buy_date_list = list(group['买入日期'])
sell_date_list = list(group['卖出日期'])
# 判断是否有买卖日期
if trade_dict.get(name) is None:
trade_dict[name] = (buy_date_list, sell_date_list)
else:
trade_dict[name][0].extend(buy_date_list)
trade_dict[name][1].extend(sell_date_list)
return trade_dict
def notify_trade(self, trade):
if trade.isclosed:
total_value = self.strategy.broker.getvalue()
dir = 'short'
if trade.history[0].event.size > 0: dir = 'long'
pricein = trade.history[len(trade.history) - 1].status.price
priceout = trade.history[len(trade.history) - 1].event.price
datein = bt.num2date(trade.history[0].status.dt)
dateout = bt.num2date(trade.history[len(trade.history) - 1].status.dt)
if trade.data._timeframe >= bt.TimeFrame.Days:
datein = datein.date()
dateout = dateout.date()
pcntchange = 100 * priceout / pricein - 100
pnl = trade.history[len(trade.history) - 1].status.pnlcomm
pnlpcnt = 100 * pnl / total_value
barlen = trade.history[len(trade.history) - 1].status.barlen
pbar = pnl / barlen
self.cum_profit += pnl
size = value = 0.0
for record in trade.history:
if abs(size) 使用
| 函数 | 参数 | 说明 |
|---|---|---|
| get_analysis() | trade_list_df：订单交易列表 dataframe self._get_trade_date(trade_list_df)订单交易列表里获取交易的股票和对应的买卖日期 trade_dict 类型 dict 返回字典，key为股票名，value为(买入日期列表，卖出日期列表) |
回测完毕后调用获取 |
backtrader 如何使用这两个自定义分析器
添加自定义分析器
打开交易订单记录
获取结果
到这里，可以获取到回测的结果，通过回测的结果，自己可以轻松实现多股回测的可视化。
参考链接
[1] 订单分析器： https://community.backtrader.com/topic/1274/closed-trade-list…
写于 2023 年 06 月 18 日 10:21
本文由mdnice多平台发布
服务器托管，北京服务器托管，服务器租用 http://www.fwqtg.net
本文将详细介绍如何在VSCode中配置Git仓库，以及如何利用这一功能来管理您的代码版本、协作开发和提高工作效率。让我们一起揭开这个主题的神秘面纱，探索编程世界的新奇之处！ 第一步：安装Git和VSCode 在开始之前，您需要确保已经安装了Git和VSCode…
