01
引言
股票市场自交易以来，人们就开始孜孜不倦地探索各种各样的投资理论，其中技术分析是重要的理论之一。实际上，技术分析是100多年前创建的股票投资理论，是投资者对股票量价变化长期观察归纳总结的若干“规律”。技术分析以市场行为（价格和成交量）为研究对象，以判断市场趋势并跟随趋势的周期性变化来指导交易，认为市场行为包容一切信息、价格以趋势方式波动、历史会重演。目前，股票分析的技术指标超过1000多种，从功能角度而言，总体可以分为趋势类、摆动类和能量类指标。趋势类指标结合均线特征，根据股价与指标之间的关系分析股价趋势强弱，如MACD指标。摆动类指标根据股票的成交量、价格和时空，通过公式得出一个数值，通过该数值波动规律指导交易，如KDJ、RSI指标。能量类指标通过分析成交量变化来预测股价波动，如OBV、VOL指标等。本文主要介绍backtrader回测框架中技术分析指标（indicators）的调用方法、自定义指标的编写以及技术指标的历史回测。
关于backtrader的入门和进阶见公众号系列推文：
（1）【手把手教你】入门量化回测最强神器backtrader（一）
（2）【手把手教你】入门量化回测最强神器backtrader（二）
（3）【手把手教你】入门量化回测最强神器backtrader（三）
（4）backtrader如何加载股票因子数据？以换手率、市盈率为例进行回测【附Python代码】
（5）如何用backtrader对股票组合进行量化回测？
（6）【手把手教你】用backtrader量化回测海龟交易策略
02
Indicators指标调用
backtrader回测框架内置了很多技术分析指标，封装在indicators中。打开backtrader安装路径，以Anaconda为例，打开\Lib\site-packages\backtrader\，进入indicators文件夹，可以看到里面有48个py文件，文件名是各个技术指标或公示的简称，打开这些文件可以进一步了解包含的具体指标，以及调用的函数名和参数等。
以MACD指标为例，使用Notepad++软件打开macd.py文件，可以看到MACD和MACDHisto两个类，其中MACD是计算MACD指标的类，而MACDHisto则是MACD的子类，增加了macd和信号线之间差异的“直方图”，调用的时候直接使用bt.ind.MACD(参数)。下面以常用的MACD、RSI、布林带指标为例，为大家展示其调用方法。
使用tushare获取数据，并设置为backtrader的数据格式。
import backtrader as bt
import pandas as pd
import numpy as np
import tushare as ts
def get_data(code,start='2010-01-01',end='2020-08-31'):df=ts.get_k_data(code,autype='qfq',start=start,end=end)df.index=pd.to_datetime(df.date)df['openinterest']=0df=df[['open','high','low','close','volume','openinterest']]return df
dataframe=get_data('600000',start='2015-01-01')
dataframe.head()
写一个测试策略，在输出图形中呈现MACD、MACD带柱、RSI和布林带技术指标。
class TestStrategy(bt.Strategy):
def __init__(self):
bt.ind.MACD(self.data)
bt.ind.MACDHisto(self.data)
bt.ind.RSI(self.data,period=14)
bt.ind.BBands(self.data)
将回测系统设置封装成main函数，后面还会反复用到。
def main(data,strategy,pf=False):cerebro = bt.Cerebro()feed = bt.feeds.PandasData(dataname=data)cerebro.adddata(feed) #加载策略cerebro.addstrategy(strategy)# 设置初始资本为10,000startcash = 100000cerebro.broker.setcash(startcash) # 设置交易手续费为 0.1%cerebro.broker.setcommission(commission=0.001) cerebro.run()#获取回测结束后的总资金portvalue = cerebro.broker.getvalue()pnl = portvalue - startcashif pf:print(f'总资金: {round(portvalue,2)}')print(f'净收益: {round(pnl,2)}')%matplotlib inlinecerebro.plot()回测结果如下图所示。
data=get_data('601318','2020-03-01')
main(data,TestStrategy)
上述策略只是调用了技术指标用于画图，下面以MACD指标为例，调用该指标计算MACD柱，当MACD柱大于0（金叉）时发出买入信号，当MACD柱小于0（死叉）时发出卖出信号。
class TradeStrategy(bt.Strategy):params=(('p1',12),('p2',26),('p3',9),)def __init__(self):self.order = None#获取MACD柱self.macdhist = bt.ind.MACDHisto(self.data,period_me1=self.p.p1, period_me2=self.p.p2, period_signal=self.p.p3)def next(self):if not self.position:# 得到当前的账户价值total_value = self.broker.getvalue()#1手=100股，满仓买入ss=int((total_value/100)/self.datas[0].close[0])*100#当MACD柱大于0（红柱）且无持仓时满仓买入if self.macdhist > 0:self.order=self.buy(size=ss)else:#当MACD柱小于0（绿柱）且持仓时全部清仓if self.macdhist < 0:self.close()
以中国平安股票为例，使用MACD指标对2010.1-2020.9年数据进行历史回测。
data=get_data('601318','2010-03-01')
main(data,TradeStrategy,pf=True)#期初资金：100000
#期末资金: 225440.47
#净收益: 125440.47
03
自定义指标
backtrader的可扩展性很强，除了内置的技术分析指标外，可以通过类的扩展进行自定义指标。20日均线在实战中具有一定的指导意义，可以根据价格偏离20日均线的某个阈值构建类似于布林带的通道线指标。
定义一个指标的类，该类继承bt.Indicator，均线采用20日周期，上下限阈值分别为20%和15%。
class TrendBand(bt.Indicator):lines = ('mid','top','bot',)params = (('maperiod',20),('period',3),('highRate',1.2),('lowRate',0.85),)#与价格在同一张图plotinfo = dict(subplot=False)def __init__(self):ema = bt.ind.EMA(self.data, period=self.p.maperiod)#计算上中下轨线self.l.mid=bt.ind.EMA(ema,period=self.p.period)self.l.top=bt.ind.EMA(self.mid*self.p.highRate,\period=self.p.period)self.l.bot=bt.ind.EMA(self.mid*self.p.lowRate,\period=self.p.period)super(TrendBand, self).__init__()
首先看一下该指标的图形。
class TestStrategy2(bt.Strategy):def __init__(self):TrendBand(self.data)
回测结果：
data=get_data('601318','2010-01-01')
main(data,TestStrategy2)
下面基于该指标构建交易策略并回测，当价格站在中轨线上，且成交量突破20日新高时买入，当价格突破上轨线时卖出。
class MyStrategy(bt.Strategy):params=(('period',20),)def __init__(self):self.order = Noneself.mid = TrendBand(self.data).mid self.top = TrendBand(self.data).topself.bot = TrendBand(self.data).bot#设置买入信号self.buy_sig=bt.And(\self.data.close>self.mid,\self.data.volume==bt.ind.Highest(\self.data.volume,period=self.p.period))#卖出信号self.sell_sig=self.data.close>self.topdef next(self):if not self.position:# 得到当前的账户价值total_value = self.broker.getvalue()#1手=100股，满仓买入ss=int((total_value/100)/self.datas[0].close[0])*100if self.buy_sig:self.order=self.buy(size=ss)else:if self.sell_sig:self.close()
仍然以中国平安为例，回测结果如下图所示：
data=get_data('601318','2010-01-01')
main(data,MyStrategy,True)#期初资金：100000.00
#期末资金: 398949.39
#净收益: 298949.39
04
结语
本文主要介绍了backtrader回测框架中indicators的调用、自定义指标的编写以及历史回测。其中自定义指标主要是示例作用，不构成任何投资建议。历史回测中仅以中国平安个股为例，具有一定的局限性，感兴趣的读者可以参考组合回测那篇推文，对全市场股票进行组合回测以进一步判断自定义指标的实用性。最后再强调一句，学习没有捷径，要想全面而深入地学习backtrader回测框架，最好的方法是研读其官方文档。公众号后台回复“backtrader”可获取《backtrader入门指南》的中文文档。
参考资料：
backtrader官方文档和安装包原生代码
https://www.backtrader.com/docu/
关于Python金融量化
专注于分享Python在金融量化领域的应用。加入知识星球，可以免费获取量化投资视频资料、量化金融相关PDF资料、公众号文章Python完整源码、量化投资前沿分析框架，与博主直接交流、结识圈内朋友等。
