开发: C++知识库 Java知识库 JavaScript Python PHP知识库人工智能区块链大数据移动开发嵌入式开发工具数据结构与算法开发测试游戏开发网络协议系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑笔记本显卡显示器固态硬盘硬盘耳机手机 iphone vivo oppo 小米华为单反装机图拉丁

-> 区块链 -> Backtrader回测教学【附免费行情源】 -> 正文阅读

[区块链]Backtrader回测教学【附免费行情源】

1. Backtrader简介

Backtrader 是 2015 年开源的 Python 量化回测框架（支持实盘交易），功能丰富，操作方便灵活：

在这里插入图片描述

品种多：股票、期货、期权、外汇、数字货币；
周期全：Ticks 级、秒级、分钟级、日度、周度、月度、年度；
速度快：pandas 矢量运算、多策略并行运算；
组件多：内置 Ta-lib 技术指标库、PyFlio 分析模块、plot 绘图模块、参数优化等；
超灵活：即可以随意搭配组件，又支持扩展自己开发的功能，想怎么玩就怎么玩。

2. INSIGHT免费数据源简介

INSIGHT为华泰提供的行情数据源，其中level1数据是免费的，包含沪深市场tick，日k，分钟k，月k，etf，各类指数，金融资讯数据以及融券通数据。

提供python，java，c++，cs 等多种语言，同时提供SDK和可视化金融数据下载终端，方便快捷的访问数据。本文数据将以可视化金融数据下载终端为例。

详情可访问（社区版免费）：
https://findata-insight.htsc.com:9151/help/sdk/SDKDownload/

3. 如何使用两者进行回测

本文将介绍如何使用INSIGHT和Backtrader实现回测，【点击demo下载】，最终结果如：
在这里插入图片描述

3.1 回测流程：

通常我们使用Backtrader回测时，流程如下：

Step 1：构建策略
(1) 确定策略潜在的可调参数；
(2) 计算策略中用于生成交易信号的指标；
(3) 按需打印交易信息；
(4) 编写买入、卖出的交易逻辑。
Step 2：结合行情数据，实例化策略引擎 cerebro，由 cerebro 来驱动回测
(1) 由 DataFeeds 加载数据，再将加载的数据添加给 cerebro；
(2) 将上一步生成的策略添加给 cerebro；
(3) 按需添加策略分析指标或观测器；
(4) 通过运行 cerebro.run() 来启动回测；
(5) 回测完成后，按需运行 cerebro.plot() 进行回测结果可视化展示。

Backtrader 最基础的回测代码编写流程如下：

import backtrader as bt # 导入 Backtrader
import backtrader.indicators as btind # 导入策略分析模块
import backtrader.feeds as btfeeds # 导入数据模块

# 创建策略
class TestStrategy(bt.Strategy):
    # 可选，设置回测的可变参数：如移动均线的周期
    params = (
        (...,...), # 最后一个“,”最好别删！
    )
    def log(self, txt, dt=None):
        '''可选，构建策略打印日志的函数：可用于打印订单记录或交易记录等'''
        dt = dt or self.datas[0].datetime.date(0)
        print('%s, %s' % (dt.isoformat(), txt))

    def __init__(self):
        '''必选，初始化属性、计算指标等'''
        pass

    def notify_order(self, order):
        '''可选，打印订单信息'''
        pass

    def notify_trade(self, trade):
        '''可选，打印交易信息'''
        pass

    def next(self):
        '''必选，编写交易策略逻辑'''
        sma = btind.SimpleMovingAverage(...) # 计算均线
        pass

# 实例化 cerebro
cerebro = bt.Cerebro()
# 通过 feeds 读取数据
data = btfeeds.BacktraderCSVData(...)
# 将数据传递给 “大脑”
cerebro.adddata(data)
# 通过经纪商设置初始资金
cerebro.broker.setcash(...)
# 设置单笔交易的数量
cerebro.addsizer(...)
# 设置交易佣金
cerebro.broker.setcommission(...)
# 添加策略
cerebro.addstrategy(TestStrategy)
# 添加策略分析指标
cerebro.addanalyzer(...)
# 添加观测器
cerebro.addobserver(...)
# 启动回测
cerebro.run()
# 可视化回测结果
cerebro.plot()

下面就参照上面的模板，一步步教大家如何用 Backtrader 进行选股回测。

3.2 如何进行回测

在此我们以一个策略进行示范讲解~

3.2.1 策略说明

本文省去了选股过程，直接提供最终的选股结果，然后对选股结果做回测，具体的回测条件如下：
股票池：600466.SH，603866.SH，688088.SH，603816.SH。
回测区间：2020-02-03至2021-01-28。
持仓周期：月度调仓，每月第一个交易日，以开盘价买入或卖出。
持仓权重：流通市值占比。
总资产：100,000,000元。
佣金：0.0003双边。
滑点：0.0001双边。

3.2.2 策略逻辑

假设已经在每个月最后一个交易日基于选股规则选出了表现最优的4只的股票作为下一个月的持仓成分股，然后在下个月的第一个交易日，卖出已有持仓，买入新的持仓

3.2.3 数据准备

测试用到 2 个数据集，一个是日度历史行情数据，另一个是股票数据集。

日度行情数据集
日度行情数据集来源华泰的 可视化金融数据下载终端。

免费下载地址为https://findata-insight.htsc.com:9151/help/terminal/download/。

下载成功之后，需要先申请一个账号（如何申请），登陆后终端提供了多类数据的查询和下载。

本篇文章我们用到的是日度行情数据，可在【金融数据下载终端】-> 【行情数据】->【基本面指标】中获取需要的数据，可将查询的数据导出成csv（点击下载数据）至本地供backertrader使用。

注意！！！
日度行情数据集 daily_price.csv 对应的是4只股票各自从 2020-02-03至2021-01-28的日度行情数据（后复权），共有 18 个字段：
```
daily_price=pd.read_csv(r'D:\terminalfindata\daily_price.csv',encoding='gbk',parse_dates=['MDDate'])
```
此处为csv中的具体数据数据

2. 月末调仓成分股数据集
测试用的数据集 trade_info.csv 就是最终的选股结果，共包含 3 个字段：trade_date 调仓期（每月最后一个交易日）、sec_code 持仓成分股代码、weight 持仓权重。
```
trade_info = pd.read_csv("trade_info.csv", parse_dates=['trade_date'])
```

在这里插入图片描述

3.2.4 常规数据导入

将数据导入 backtrader，构建“大脑”

导入 backtrader 时，约定俗成的将其缩写为 bt 。由于回测用到的各种原材料都是需要被添加给“大脑” cerebro的，所以最开始可以先实例化大脑：

import backtrader as bt # 导入 Backtrader

# 实例化 cerebro
cerebro = bt.Cerebro()

如果没啥感觉，可以运行如下代码小试一下，若返回下面的结果，恭喜你！成功完成一个“空”回测 ~

import backtrader as bt # 导入 Backtrader

# 实例化 cerebro
cerebro = bt.Cerebro()
# 打印初始资金
print('Starting Portfolio Value: %.2f' % cerebro.broker.getvalue())
# 启动回测
cerebro.run()
# 打印回测完成后的资金
print('Final Portfolio Value: %.2f' % cerebro.broker.getvalue())


结果如下展示：
Starting Portfolio Value: 10000.00
Final Portfolio Value: 10000.00

3.2.5 多只股票的历史行情数据导入

Backtrader 通过 DataFeeds 模块来导入各式各样的数据。由于读取 daily_price.csv 文件后就生成了 DataFrame 表格，所以选用 DataFeeds 的 PandasData() 方法来导入，导入的 DataFrame 有默认的格式要求：

以交易日 ‘datetime’ 为 index，

列为’open’、‘high’、‘low’、‘close’、‘volume’、‘openinterest’ 字段。

首先我们要将daily_price.csv中的字段对应backtrader的默认格式要求，这里我们定义了一个函数用来修改字段名，因为我们只需要用到这几个数据，所以只修改这几个就好：

# 修改字段名与backtrader一致
def change_column_name(data):

    name_clomuns = data.columns.tolist()
    new_name_dict = {}

    for name in name_clomuns:

        if name == 'MDDate':
            new_name_dict[name] = 'datetime'
        if name == 'OpenPx':
            new_name_dict[name] = 'open'
        if name == 'ClosePx':
            new_name_dict[name] = 'close'
        if name == 'HighPx':
            new_name_dict[name] = 'high'
        if name == 'LowPx':
            new_name_dict[name] = 'low'
        if name == 'TotalVolumeTrade':
            new_name_dict[name] = 'volume'
        if name == 'HTSCSecurityID':
            new_name_dict[name] = 'sec_code'

    data.rename(columns=new_name_dict, inplace=True)
    return data

调用这个函数修改字段名，并筛选需要的数据

# 修改字段名
daily_price = change_column_name(data)
# 筛选需要的数据
daily_price = data[["datetime", "sec_code", "open", "high", "low", "close", "volume"]]
daily_price.set_index('datetime', inplace=True)

接下来该如何导入本次回测用到的4只股票的数据，并让 Backtrader 知道这是哪只股票的数据？我们采用的是循环导入的方式，每次循环导入一只股票的数据并将数据名称命名为股票名，如下所示：

# 按股票代码，依次循环传入数据
for stock in daily_price['sec_code'].unique():
    # 日期对齐
    data = pd.DataFrame(index=daily_price.index.unique()) # 获取回测区间内所有交易日
    df = daily_price.query(f"sec_code=='{stock}'")[['open','high','low','close','volume']]
    data_ = pd.merge(data, df, left_index=True, right_index=True, how='left')
    # 缺失值处理：日期对齐时会使得有些交易日的数据为空，所以需要对缺失数据进行填充
    data_.loc[:,['volume',]] = data_.loc[:,['volume']].fillna(0)
    data_.loc[:,['open','high','low','close']] = data_.loc[:,['open','high','low','close']].fillna(method='pad')
    data_.loc[:,['open','high','low','close']] = data_.loc[:,['open','high','low','close']].fillna(0)
    # 导入数据
    datafeed = btfeeds.PandasData(dataname=data_, fromdate=datetime.datetime(2020,2,3), todate=datetime.datetime(2021,1,28))
    cerebro.adddata(datafeed, name=stock) # 通过 name 实现数据集与股票的一一对应
    print(f"{stock} Done !")

在导入多只股票数据时需注意以下细节：

各股交易日不统一：上市日期不一致、退市日期不一致、回测区间内出现停牌等，都会使得不同股票各自的交易日数量不统一，所以要以回测区间内所有交易日为基础，对每只股票缺失的交易日进行补齐；
行情数据缺失：在补齐交易日过程中，会使得补充的交易日缺失行情数据，需对缺失数据进行填充。比如将缺失的 volume 填充为 0，表示股票无法交易的状态；将缺失的高开低收做前向填充；将上市前缺失的高开低收填充为 0 等；
股票与行情数据的匹配：通过设置 adddata() 方法中 name 参数，来实现数据集与股票的一一对应关系。

3.2.6 如何配置回测条件

Backtrader 通过 Broker 模块来模拟证券交易中的“经纪商”角色（比如大家熟悉的证券公司），所以像初始资金、手续费等与经纪商相关的各种信息是通过 Broker 模块来配置的：

# 初始资金 100,000,000
cerebro.broker.setcash(100000000.0)
# 佣金，双边各 0.0003
cerebro.broker.setcommission(commission=0.0003)
# 滑点：双边各 0.0001
cerebro.broker.set_slippage_perc(perc=0.0001)

此外，还可以通过 analyzers 策略分析模块和 observers 观测器模块提前配置好要返回的回测结果，比如想要返回策略的收益率序列、常规的策略评价指标，就可以提前将指标添加给大脑：

cerebro.addanalyzer(bt.analyzers.TimeReturn, _name='pnl') # 返回收益率时序数据
cerebro.addanalyzer(bt.analyzers.AnnualReturn, _name='_AnnualReturn') # 年化收益率
cerebro.addanalyzer(bt.analyzers.SharpeRatio, _name='_SharpeRatio') # 夏普比率
cerebro.addanalyzer(bt.analyzers.DrawDown, _name='_DrawDown') # 回撤

3.2.7 如何编写交易策略

所有的交易策略都是写在自定义的策略类里，如下面的 TestStrategy 类，自定义的策略类名称可以任意取，但必须继承 Backtrader 内置的 Strategy 类，即 bt.Strategy 。

相当于是给大家提供了一个策略接口，大家只需调用这个接口，专心编写自己的策略，而无需关心接口的具体内容。

class TestStrategy(bt.Strategy): # 类的名字可以随意取

那如何基于 trade_info.csv 的调仓信息在构建的 TestStrategy 里实现买卖操作呢？在TestStrategy 里至少需要定义 init() 和 next() 方法。其中， init() 用于初始化各类属性，next() 用于下单交易，如下所示：

# 通过继承 Strategy 基类，来构建自己的交易策略子类
class MyStrategy(bt.Strategy):
    # 定义我们自己写的这个 MyStrategy 类的专有属性
    def __init__(self):
        '''必选，策略中各类指标的批量计算或是批量生成交易信号都可以写在这里'''
        pass
    # 构建交易函数: 策略交易的主体部分
    def next(self):
        '''必选，在这里根据交易信号进行买卖下单操作'''
        pass

具体到选股策略：1. trade_info.csv 里的调仓日和持仓列表就可以定义在 init() 里，方便 next() 函数调用；2. 在 next() 里，判断每个交易日是否为调仓日，如果是调仓日就按调仓权重卖出旧股，买入新股。

具体代码如下：

# 回测策略
class TestStrategy(bt.Strategy):
    '''选股策略'''
    def __init__(self):
        self.buy_stock = trade_info # 保留调仓列表
        # 读取调仓日期，即每月的最后一个交易日，回测时，会在这一天下单，然后在下一个交易日，以开盘价买入
        self.trade_dates = pd.to_datetime(self.buy_stock['trade_date'].unique()).tolist()
        self.order_list = [] # 记录以往订单，方便调仓日对未完成订单做处理
        self.buy_stocks_pre = [] # 记录上一期持仓
    def next(self):
        dt = self.datas[0].datetime.date(0) # 获取当前的回测时间点
        # 如果是调仓日，则进行调仓操作
        if dt in self.trade_dates:
            print("--------------{} 为调仓日----------".format(dt))
            # 在调仓之前，取消之前所下的没成交也未到期的订单
            if len(self.order_list) > 0:
                for od in self.order_list:
                    self.cancel(od) # 如果订单未完成，则撤销订单
                self.order_list = [] #重置订单列表
            # 提取当前调仓日的持仓列表
            buy_stocks_data = self.buy_stock.query(f"trade_date=='{dt}'")
            long_list = buy_stocks_data['sec_code'].tolist()
            print('long_list', long_list) # 打印持仓列表
            # 对现有持仓中，调仓后不再继续持有的股票进行卖出平仓
            sell_stock = [i for i in self.buy_stocks_pre if i not in long_list]
            print('sell_stock', sell_stock) # 打印平仓列表
            if len(sell_stock) > 0:
                print("-----------对不再持有的股票进行平仓--------------")
                for stock in sell_stock:
                    data = self.getdatabyname(stock)
                    if self.getposition(data).size > 0 :
                        od = self.close(data=data)
                        self.order_list.append(od) # 记录卖出订单
            # 买入此次调仓的股票：多退少补原则
            print("-----------买入此次调仓期的股票--------------")
            for stock in long_list:
                w = buy_stocks_data.query(f"sec_code=='{stock}'")['weight'].iloc[0] # 提取持仓权重
                data = self.getdatabyname(stock)
                order = self.order_target_percent(data=data, target=w*0.95) # 为减少可用资金不足的情况，留 5% 的现金做备用
                self.order_list.append(order)
       
            self.buy_stocks_pre = long_list # 保存此次调仓的股票列表
        
# 将编写的策略添加给大脑，别忘了 ！
cerebro.addstrategy(TestStrategy)

3.2.8 策略细节说明

init() 函数在回测过程中只会在最开始的时候调用一次，而 next() 会每个交易日依次循环调用多次；
为了提高回测效率，对于策略用到的辅助数据、一次性就能计算完成的指标等，都建议在 init() 里生成或计算；对于复杂的选股策略，建议参考本文的方式，事先确定好调仓日期、成分、权重，再将结果导入 Backtrader 做回测；
Backtrader 默认情况下是：在 t 日运行下单函数，然后在 t+1 日以开盘价成交
交易函数说明：
self.close() 平仓；
self.buy() 买入、做多；
self.sell() 卖出、做空；
self.cancel() 取消订单；
self.order_target_percent() 按持仓百分比下单，“多退少补”原则，对于股票当前无持仓或持有的是多单（size>=0）的情况，若目标占比 target > 当前持仓占比，买入不够的部分；若目标占比 target < 当前持仓占比，卖出多余的部分。

3.2.9 如何打印回测日志

在 TestStrategy 里还可以定义许多打印日志的函数，常用的有 notify_order() 订单日志、notify_trade() 交易日志、notify_cashvalue() 资金信息、notify_store() 交易事件说明等等。

比如再往上面的 TestStrategy 里添加 notify_order() ，用于打印具体的订单信息：

def notify_order(self, order):
    # 未被处理的订单
    if order.status in [order.Submitted, order.Accepted]:
        return
    # 已经处理的订单
    if order.status in [order.Completed, order.Canceled, order.Margin]:
        if order.isbuy():
            self.log(
                    'BUY EXECUTED, ref:%.0f，Price: %.2f, Cost: %.2f, Comm %.2f, Size: %.2f, Stock: %s' %
                    (order.ref, # 订单编号
                     order.executed.price, # 成交价
                     order.executed.value, # 成交额
                     order.executed.comm, # 佣金
                     order.executed.size, # 成交量
                     order.data._name)） # 股票名称
        else: # Sell
            self.log('SELL EXECUTED, ref:%.0f, Price: %.2f, Cost: %.2f, Comm %.2f, Size: %.2f, Stock: %s' %
                        (order.ref,
                         order.executed.price,
                         order.executed.value,
                         order.executed.comm,
                         order.executed.size,
                         order.data._name))

3.2.9 如何提取回测结果

想要提取回测结果，首先要确保已经启动并完成回测，然后再从返回的 result 中提取事先配置好的回测结果：

# 启动回测
result = cerebro.run()

# 从返回的 result 中提取回测结果
strat = result[0]
# 返回日度收益率序列
daily_return = pd.Series(strat.analyzers.pnl.get_analysis())
# 打印评价指标
print("--------------- AnnualReturn -----------------")
print(strat.analyzers._AnnualReturn.get_analysis())
print("--------------- SharpeRatio -----------------")
print("--------------- DrawDown -----------------")
print(strat.analyzers._DrawDown.get_analysis())
# 可视化回测结果
cerebro.plot()

最终打印出来的原始结果如下所示，也可以按需对结果的数据结果做进一步的处理：

--------------- AnnualReturn -----------------
OrderedDict([(2020, 0.21542275632539853),(2021, 0.017567210073598405)])
--------------- SharpeRatio -----------------
OrderedDict([('sharperatio', 1.5512121051534207)])
--------------- DrawDown -----------------
AutoOrderedDict([('len',136),('drawdown',6.655064560818994),('moneydown', 10952970.349310666),('max', AutoOrderedDict([('len', 206), ('drawdown', 20.374812759676267), ('moneydown', 27705182.493407518)]))])

在这里插入图片描述

附录：本章所涉及的完整代码：

import backtrader as bt
import backtrader.feeds as btfeeds # 导入数据模块
import pandas as pd
import datetime
import warnings
warnings.filterwarnings("ignore")

# 实例化 cerebro
cerebro = bt.Cerebro()

# 修改字段名与backtrader一致
def change_column_name(data):

    name_clomuns = data.columns.tolist()
    new_name_dict = {}

    for name in name_clomuns:

        if name == 'MDDate':
            new_name_dict[name] = 'datetime'
        if name == 'OpenPx':
            new_name_dict[name] = 'open'
        if name == 'ClosePx':
            new_name_dict[name] = 'close'
        if name == 'HighPx':
            new_name_dict[name] = 'high'
        if name == 'LowPx':
            new_name_dict[name] = 'low'
        if name == 'TotalVolumeTrade':
            new_name_dict[name] = 'volume'
        if name == 'HTSCSecurityID':
            new_name_dict[name] = 'sec_code'

    data.rename(columns=new_name_dict, inplace=True)
    return data

# daily_price
data= pd.read_csv(r'D:\terminalfindata\daily_price.csv', encoding='gbk',parse_dates=['MDDate'])
# 修改字段名
data = change_column_name(data)
# 筛选需要的数据
daily_price = data[["datetime", "sec_code", "open", "high", "low", "close", "volume"]]
daily_price.set_index('datetime', inplace=True)

# 月末调仓成分股数据集
trade_info=pd.read_csv(r'D:\terminalfindata\trade_info.csv',encoding='gbk',parse_dates=['trade_date'])


# 按股票代码，依次循环传入数据
for stock in daily_price['sec_code'].unique():
    # 日期对齐
    data = pd.DataFrame(index=daily_price.index.unique()) # 获取回测区间内所有交易日
    df = daily_price.query(f"sec_code=='{stock}'")[['open','high','low','close','volume']]
    data_ = pd.merge(data, df, left_index=True, right_index=True, how='left')
    # 缺失值处理：日期对齐时会使得有些交易日的数据为空，所以需要对缺失数据进行填充
    data_.loc[:,['volume',]] = data_.loc[:,['volume']].fillna(0)
    data_.loc[:,['open','high','low','close']] = data_.loc[:,['open','high','low','close']].fillna(method='pad')
    data_.loc[:,['open','high','low','close']] = data_.loc[:,['open','high','low','close']].fillna(0)
    # 导入数据
    datafeed = btfeeds.PandasData(dataname=data_, fromdate=datetime.datetime(2020,2,3), todate=datetime.datetime(2021,1,28))
    cerebro.adddata(datafeed, name=stock) # 通过 name 实现数据集与股票的一一对应
    print(f"{stock} Done !")


# 创建策略
class TestStrategy(bt.Strategy):

    def __init__(self):
        '''必选，初始化属性、计算指标等'''
        self.buy_stock = trade_info  # 保留调仓列表
        # 读取调仓日期，即每月的最后一个交易日，回测时，会在这一天下单，然后在下一个交易日，以开盘价买入
        self.trade_dates = pd.to_datetime(self.buy_stock['trade_date'].unique()).tolist()
        self.order_list = []  # 记录以往订单，方便调仓日对未完成订单做处理
        self.buy_stocks_pre = []  # 记录上一期持仓


    def next(self):
        '''必选，编写交易策略逻辑'''
        dt = self.datas[0].datetime.date(0)  # 获取当前的回测时间点
        # 如果是调仓日，则进行调仓操作
        if dt in self.trade_dates:
            print("--------------{} 为调仓日----------".format(dt))
            # 在调仓之前，取消之前所下的没成交也未到期的订单
            if len(self.order_list) > 0:
                for od in self.order_list:
                    self.cancel(od)  # 如果订单未完成，则撤销订单
                self.order_list = []  # 重置订单列表
            # 提取当前调仓日的持仓列表
            buy_stocks_data = self.buy_stock.query(f"trade_date=='{dt}'")
            long_list = buy_stocks_data['sec_code'].tolist()
            print('long_list', long_list)  # 打印持仓列表
            # 对现有持仓中，调仓后不再继续持有的股票进行卖出平仓
            sell_stock = [i for i in self.buy_stocks_pre if i not in long_list]
            print('sell_stock', sell_stock)  # 打印平仓列表
            if len(sell_stock) > 0:
                print("-----------对不再持有的股票进行平仓--------------")
                for stock in sell_stock:
                    data = self.getdatabyname(stock)
                    if self.getposition(data).size > 0:
                        od = self.close(data=data)
                        self.order_list.append(od)  # 记录卖出订单
            # 买入此次调仓的股票：多退少补原则
            print("-----------买入此次调仓期的股票--------------")
            for stock in long_list:
                w = buy_stocks_data.query(f"sec_code=='{stock}'")['weight'].iloc[0]  # 提取持仓权重
                data = self.getdatabyname(stock)
                order = self.order_target_percent(data=data, target=w * 0.95)  # 为减少可用资金不足的情况，留 5% 的现金做备用
                self.order_list.append(order)

            self.buy_stocks_pre = long_list  # 保存此次调仓的股票列表



# 初始资金 100,000,000
cerebro.broker.setcash(100000000.0)

# 佣金，双边各 0.0003
cerebro.broker.setcommission(commission=0.0003)

# 滑点：双边各 0.0001
cerebro.broker.set_slippage_perc(perc=0.0001)

# 将编写的策略添加给大脑，别忘了 ！
cerebro.addstrategy(TestStrategy)

# 添加策略分析指标
cerebro.addanalyzer(bt.analyzers.TimeReturn, _name='pnl') # 返回收益率时序数据
cerebro.addanalyzer(bt.analyzers.AnnualReturn, _name='_AnnualReturn') # 年化收益率
cerebro.addanalyzer(bt.analyzers.SharpeRatio, _name='_SharpeRatio') # 夏普比率
cerebro.addanalyzer(bt.analyzers.DrawDown, _name='_DrawDown') # 回撤

# 添加观测器
# cerebro.addobserver(...)

# 启动回测
result = cerebro.run()

# 从返回的 result 中提取回测结果
strat = result[0]

# 返回日度收益率序列
daily_return = pd.Series(strat.analyzers.pnl.get_analysis())

# 打印评价指标
print("--------------- AnnualReturn -----------------")
print(strat.analyzers._AnnualReturn.get_analysis())
print("--------------- SharpeRatio -----------------")
print(strat.analyzers._SharpeRatio.get_analysis())
print("--------------- DrawDown -----------------")
print(strat.analyzers._DrawDown.get_analysis())

# 可视化回测结果
cerebro.plot()