量化交易5-backtrader编写均线策略

本章节我们做回测一个比较偏实际买卖策略，以笔者买过1年多的中国国航601111为例子，

策略为：笔者认为如果5日均线高于10日均线，就认为股价处于上升阶段，就全仓位买入，如果5日均线低于10日均线，笔者认为股价处于下降阶段，全仓位卖出。

我们准备的数据为2006-8-18到2022-3-22 这段时间的中国国航的日行情数据

以下是代码：

import tushare as ts
import pandas as pd

import datetime  # For datetime objects
import os.path  # To manage paths
import sys  # To find out the script name (in argv[0])
# Import the backtrader platform
import backtrader as bt


class MyStrategy(bt.Strategy):
    # 策略参数
    params = dict(
        period5=5,  # 5均线周期
        period10=10,  # 10均线周期
        look_back_days=30,
        printlog=False
    )

    def __init__(self):
        self.mas = dict()
        self.mas10 = dict()
        # 遍历所有股票,计算20日均线
        for data in self.datas:
            self.mas[data._id] = bt.ind.SMA(data.close, period=self.p.period5)
            self.mas10[data._id] = bt.ind.SMA(data.close, period=self.p.period10)

    def next(self):
        # 得到当前的账户价值
        total_value = self.broker.getvalue()
        p_value = total_value * 0.9 / 10
        for data in self.datas:
            # 获取仓位
            pos = self.getposition(data).size
            if self.mas10[data._id][0] < self.mas[data._id][0]:
                size = int(p_value / 100 / data.close[0]) * 100
                print('10日均线价格->' + str(self.mas10[data._id][0]) + ',5日均线价格->' + str(self.mas[data._id][0]) + \
                ',持仓数量->' + str(pos) + ',买入数量->' + str(size))
                self.buy(data=data, size=size)

            if pos > 0 and self.mas10[data._id][0] > self.mas[data._id][0]:
                print('10日均线价格->' + str(self.mas10[data._id][0]) + ',5日均线价格->' + str(self.mas[data._id][0]) + \
                ',持仓数量->' + str(pos) + ',买入数量->' + str(pos))
                self.order = self.sell(data=data, size=pos)

    def log(self, txt, dt=None, doprint=False):
        if self.params.printlog or doprint:
            dt = dt or self.datas[0].datetime.date(0)
            print(f'{dt.isoformat()},{txt}')

    # 记录交易执行情况（可省略，默认不输出结果）
    def notify_order(self, order):
        # 如果order为submitted/accepted,返回空
        if order.status in [order.Submitted, order.Accepted]:
            return
        # 如果order为buy/sell executed,报告价格结果
        if order.status in [order.Completed]:
            if order.isbuy():
                self.log(f'买入:\n价格:{order.executed.price:.2f},\
                成本:{order.executed.value:.2f},\
                数量:{order.executed.size:.2f},\
                手续费:{order.executed.comm:.2f}')
                self.buyprice = order.executed.price
                self.buycomm = order.executed.comm
            else:
                self.log(f'卖出:\n价格：{order.executed.price:.2f},\
                成本: {order.executed.value:.2f},\
                数量:{order.executed.size:.2f},\
                手续费{order.executed.comm:.2f}')
            self.bar_executed = len(self)
            # 如果指令取消/交易失败, 报告结果
        elif order.status in [order.Canceled, order.Margin, order.Rejected]:
            self.log('交易失败')
        self.order = None

    # 记录交易收益情况（可省略，默认不输出结果）
    def notify_trade(self, trade):
        if not trade.isclosed:
            return
        self.log(f'策略收益：\n毛收益 {trade.pnl:.2f}, 净收益 {trade.pnlcomm:.2f}')



pro = ts.pro_api('cbb257058b7cb228769b4949437c27c27e5132e882747dc80f01a5a5')

def ts_get_daily_stock(code, start_dt, end_dt):
    start_dt = start_dt.replace("'", "", 3);
    end_dt = end_dt.replace("'", "", 3);
    # start_dt = '20190101'
    # end_dt=''
    print(code, start_dt, end_dt)
    data = pro.daily(ts_code=code, start_date=start_dt, end_date=end_dt)
    data['trade_date'] = pd.to_datetime(data['trade_date'])
    data['trade_date'] = pd.to_datetime(data['trade_date'])
    data = data.sort_values(by='trade_date')
    data.index = data['trade_date']
    data['openinterest'] = 0
    data['volume'] = data['vol']
    data = data[
        ['open', 'close', 'high', 'low', 'volume']
    ]
    return data


# 读取选股的结果
df = pd.read_csv('stock_alpha.csv')
df.columns = ['ts_code', 'name', 'alpha', 'start_dt', 'end_dt']
min_a = df.sort_values(by='alpha')
min_a = min_a.iloc[:10, :]

code = []
code = min_a['ts_code']  # 记录alpha最小的10支股票代码

start_dts = []
start_dts = min_a['start_dt']  # 记录alpha最小的10支股票代码

end_dts = []
end_dts = min_a['end_dt']  # 记录alpha最小的10支股票代码

for i in range(len(code)):
    data = ts_get_daily_stock(code.iloc[i], start_dts.iloc[i], end_dts.iloc[i])  # 字段分别为股票代码、开始日期、结束日期
    data.to_csv(code.iloc[i] + '.csv')

cerebro = bt.Cerebro()
for i in range(len(code)):  # 循环获取10支股票历史数据
    dataframe = pd.read_csv(code.iloc[i] + '.csv', index_col=0, parse_dates=True)
    dataframe['openinterest'] = 0
    data = bt.feeds.PandasData(dataname=dataframe,
                               fromdate=datetime.datetime(2006, 8, 18),
                               todate=datetime.datetime(2022, 3, 22)
                               )
cerebro.adddata(data)

# 回测设置
startcash = 100000.0
cerebro.broker.setcash(startcash)
# 设置佣金为千分之一
cerebro.broker.setcommission(commission=0.001)
# 添加策略
cerebro.addstrategy(MyStrategy, printlog=True)
cerebro.run()
# 获取回测结束后的总资金
portvalue = cerebro.broker.getvalue()
pnl = portvalue - startcash
# 打印结果
print(f'总资金: {round(portvalue,2)}')
print(f'净收益: {round(pnl,2)}')

cerebro.plot()

以上的代码如果配置好环境可以直接运行，得到结果

总资金: 230494.3
净收益: 130494.3

执行结果图为：

让我意想不到的是这个策略竟然是盈利的，从2006年开始到2022年，中间经历过2008、2015、2020这么惨烈的时代，竟然还有盈利，看来有时候简单的打法反而是最有效的打法。

后续笔者会继续为大家做讲解指标的获取和基础数据的获取