Python量化交易学习笔记（40）——backtrader的resample浅析

本文主要包含以下三部分内容：

backtrader的日志功能。
backtrader的交易日历。
backtrader的resample结果浅析。

日志功能

可以通过下面的代码在backtrader中添加日志功能：

cerebro.addwriter(bt.WriterFile, out = 'log.csv', csv = True)

日志信息将被输出到工作目录下的log.csv文件中，输出内容包括：

种子数据（Data Feeds）
策略数据（lines和参数）
指标和观察者（Observer）数据（lines和参数）
分析数据（参数和分析结果数据）

交易日历

交易日历适用于以下场景：

由日线数据resample得到周线数据时，使用交易日历可以准确识别每周的最后1根日线。
以2019年1月1日至12月31日的数据为例，在策略的next()方法中打印一下内容：

        print('Strategy len {} datetime {}'.format(
            len(self), self.datetime.date()), end=' ')

        print('Data0 len {} datetime {}'.format(
            len(self.data0), self.data0.datetime.date()), end=' ')

        if len(self.data1):
            print('Data1 len {} datetime {}'.format(
                len(self.data1), self.data1.datetime.date()))
        else:
            print()

当不使用交易日历时，部分输出结果为：

Strategy len 1 datetime 2019-01-02 Data0 len 1 datetime 2019-01-02 
Strategy len 2 datetime 2019-01-03 Data0 len 2 datetime 2019-01-03 
Strategy len 3 datetime 2019-01-04 Data0 len 3 datetime 2019-01-04
Strategy len 4 datetime 2019-01-07 Data0 len 4 datetime 2019-01-07 Data1 len 1 datetime 2019-01-04
Strategy len 5 datetime 2019-01-08 Data0 len 5 datetime 2019-01-08 Data1 len 1 datetime 2019-01-04
Strategy len 6 datetime 2019-01-09 Data0 len 6 datetime 2019-01-09 Data1 len 1 datetime 2019-01-04
Strategy len 7 datetime 2019-01-10 Data0 len 7 datetime 2019-01-10 Data1 len 1 datetime 2019-01-04
Strategy len 8 datetime 2019-01-11 Data0 len 8 datetime 2019-01-11 Data1 len 1 datetime 2019-01-04
Strategy len 9 datetime 2019-01-14 Data0 len 9 datetime 2019-01-14 Data1 len 2 datetime 2019-01-11
...

在输出的每一行中，第一个日期为策略所使用的日期，第二个日期为当前日线的日期，第三个日期为当前月线的日期。
其中，第3行1月4日为星期五，应该出现第一根周线数据，但是输出结果中却没有周线数据。第8行1月11日为周五，从1月7日至1月11日的5根日线可以合成1根周线，后面的周线数据也应该更新为1月11日，但是输出结果却是1月4日。
产生以上结果的原因是，backtrader把2019年1月1日当作了交易日，只是没有读入数据。这样1月1日至4日，再加上7日共计5根日线，就在1月7日合成了第一根周线；同样1月8日至11日，再加上14日共计5根日线，在1月14日合成了第二根周线。这显然不是想要的结果。

解决上述问题的方案是，通过继承bt.TradingCalendar定义新的日历，然后在日历中设定节假日。如以下代码所示，将2019年1月1日添加到holidays列表中，然后在cerebro添加该日历：

class AStockCalendar(bt.TradingCalendar):
    params = dict(
        holidays=[
            datetime.date(2019, 1, 1),
        ],
        open=datetime.time(9, 30),
        close=datetime.time(15, 0),
    )
   
cerebro.addcalendar(AStockCalendar())

当使用交易日历时，部分输出结果为：

Strategy len 1 datetime 2019-01-02 Data0 len 1 datetime 2019-01-02 
Strategy len 2 datetime 2019-01-03 Data0 len 2 datetime 2019-01-03 
Strategy len 3 datetime 2019-01-04 Data0 len 3 datetime 2019-01-04 Data1 len 1 datetime 2019-01-04
Strategy len 4 datetime 2019-01-07 Data0 len 4 datetime 2019-01-07 Data1 len 1 datetime 2019-01-04
Strategy len 5 datetime 2019-01-08 Data0 len 5 datetime 2019-01-08 Data1 len 1 datetime 2019-01-04
Strategy len 6 datetime 2019-01-09 Data0 len 6 datetime 2019-01-09 Data1 len 1 datetime 2019-01-04
Strategy len 7 datetime 2019-01-10 Data0 len 7 datetime 2019-01-10 Data1 len 1 datetime 2019-01-04
Strategy len 8 datetime 2019-01-11 Data0 len 8 datetime 2019-01-11 Data1 len 2 datetime 2019-01-11
Strategy len 9 datetime 2019-01-14 Data0 len 9 datetime 2019-01-14 Data1 len 2 datetime 2019-01-11
...

可以看到，在1月4日（星期五）合成了第一根周线，在1月11日（星期五）合成了第二根周线，得到了正确的结果。
同样，可以把2019年的其他节假日都添加到holidays列表中，来实现整年的周线数据的正确合成。

日内分时数据resample合成日线数据时，使用交易日历处理提前收盘的情况。
美股在感恩节后的第一天，会在下午1点休市，这样如果不做处理，使用分钟数据合成日线数据时就会出问题，可以通过添加以下日历来解决：

class CustomCalendar(bt.TradingCalendar):
    params = dict(
        holidays=[
            datetime.date(2016, 1, 1),
            datetime.date(2016, 1, 18),
            datetime.date(2016, 2, 15),
            datetime.date(2016, 3, 25),
            datetime.date(2016, 5, 30),
            datetime.date(2016, 7, 4),
            datetime.date(2016, 9, 5),
            datetime.date(2016, 11, 24),
            datetime.date(2016, 12, 26),
        ],
        earlydays=[
            (datetime.date(2016, 11, 25),
             datetime.time(9, 30), datetime.time(13, ,0))
        ],
        open=datetime.time(9, 30),
        close=datetime.time(16, 0),
    )

以2016年为例，日历中设定了2016年的节假日，一般每日交易时间为9:30至16:00，11月25日的交易时间为9:30至13:00。

resample浅析

借助于日志功能，对resample功能进行简单分析。这里以30分钟数据为数据源，使用resample来合成60分钟数据，同时加载已下载好的60分钟数据用于对比resample结果，部分代码如下：

扫描二维码关注公众号，回复： 13387871 查看本文章

data = load_data(stk_code, fromdate, todate, '30')
cerebro.adddata(data, name = stk_code + '_30m')
cerebro.resampledata(data, name = stk_code + '_30to60m', timeframe = bt.TimeFrame.Minutes, compression = 60)
data = load_data(stk_code, fromdate, todate, '60')
cerebro.adddata(data, name = stk_code + '_60m'

以加载2020年6月1日至4日平安银行的数据为例，使用日志功能将结果输出至log.csv中，部分结果如下：
在这里插入图片描述

标黄的D、L、T列分别表示加载的30分钟时间标签数据、由30分钟数据合成的60分钟时间标签数据、加载的60分钟时间标签数据。
对比D列和T列可以发现，在加载的60分钟数据中，6月1日首个时间点（10:00）数据为空，在时间点10:30出现第一个数据。在D列时间标签变为11:00时，T列时间标签仍为10:30。在D列时间标签变为11:30时，T列时间标签才变为11:30。这样就保证了，在同时加载多个周期数据进行回测时，不会发生使用未来数据的情况。
对比D列和L列发现，resample结果未按预期得到10:30、11:30、14:00、15:00四个时段的60分钟数据，而是得到10:00、11:00、12:00、14:00、15:00五个整点时间段的数据。笔者尝试了调整函数resampledata()的bar2edge、rightedge、adjbartime、boundoff参数，也尝试了使用交易日历功能设置每日交易起止时间，均未能实现预期的resample结果。目前的解决方案是，在合成分钟级数据时，不使用backtrader的resampledata()函数，而是先离线合成所需周期的数据，然后使用cerebro.adddata()加载合成的数据，再进行多周期策略的回测。