绘图 #

尽管回测主要是基于数学计算的自动化过程，但人们常常希望能够实际可视化所发生的一切。不论是使用已经经过回测的现有算法，还是查看数据所产生的内置或自定义指标，绘图都能帮助人们更好地理解所发生的事情，剔除、修改或创建新的想法。

由于所有操作背后都是人类，绘制数据馈送、指标、操作、现金流动和投资组合价值的演变图表有助于人们更好地理解过程，从而做出更明智的决策。因此，backtrader 使用 matplotlib 提供的功能，内置了绘图设施。

如何绘图 #

任何回测运行都可以通过调用一个方法进行绘图：

cerebro.plot()

当然，这通常是最后一个命令。例如，以下简单代码使用了 backtrader 源代码中的一个示例数据：

from __future__ import (absolute_import, division, print_function, unicode_literals)

import backtrader as bt

class St(bt.Strategy):
    def __init__(self):
        self.sma = bt.indicators.SimpleMovingAverage(self.data)

data = bt.feeds.BacktraderCSVData(dataname='../../datas/2005-2006-day-001.txt')

cerebro = bt.Cerebro()
cerebro.adddata(data)
cerebro.addstrategy(St)
cerebro.run()
cerebro.plot()

这将生成以下图表：

示例图表

图表包含了 3 个观察器，由于缺乏任何交易，它们在这种情况下几乎没有意义：

CashValue 观察器：跟踪回测运行期间的现金和总投资组合价值（包括现金）。
Trade 观察器：在交易结束时显示实际的利润和亏损。交易定义为开仓并将仓位归零（直接或从多头转为空头或从空头转为多头）。
BuySell 观察器：在价格图上绘制买入和卖出操作的位置。

这 3 个观察器由 cerebro 自动添加，可以通过 stdstats 参数控制（默认：True）。如果希望禁用它们，可以如下操作：

cerebro = bt.Cerebro(stdstats=False)

或在运行时：

cerebro = bt.Cerebro()
...
cerebro.run(stdstats=False)

绘图元素 #

尽管前面提到了观察器，它们并不是唯一被绘制的元素。以下 3 种元素会被绘制：

使用 adddata、replaydata 和 resampledata 添加到 Cerebro 的数据馈送。
在策略级别声明的指标（或通过 addindicator 添加到 cerebro 的指标，这纯粹用于实验目的，并将指标添加到一个虚拟策略中）。
使用 addobserver 添加到 cerebro 的观察器。

观察器是与策略同步运行的线性对象，并且可以访问整个生态系统，以便跟踪现金和价值等内容。

绘图选项 #

指标和观察器有几个选项可以控制它们在图表上的绘制方式，分为 3 大类：

影响整个对象绘图行为的选项。
影响单个线条绘图行为的选项。
影响系统级别绘图选项的选项。

对象级绘图选项 #

这些选项由指标和观察器中的 plotinfo 数据集控制：

plotinfo = dict(
    plot=True,
    subplot=True,
    plotname='',
    plotskip=False,
    plotabove=False,
    plotlinelabels=False,
    plotlinevalues=True,
    plotvaluetags=True,
    plotymargin=0.0,
    plotyhlines=[],
    plotyticks=[],
    plothlines=[],
    plotforce=False,
    plotmaster=None,
    plotylimited=True,
)

尽管 plotinfo 在类定义时显示为字典，但 backtrader 的元类机制将其转变为一个可以继承的对象，并且可以进行多重继承。例如：

如果子类将 subplot=True 更改为 subplot=False，则层级结构中的进一步子类将具有后者作为 subplot 的默认值。

有两种方法为这些参数赋值。让我们看一下 SimpleMovingAverage 实例化的第一种方法：

sma = bt.indicators.SimpleMovingAverage(self.data, period=15, plotname='mysma')

从示例中可以推断，SimpleMovingAverage 构造函数未消耗的任何 **kwargs 都将被解析（如果可能）为 plotinfo 值。SimpleMovingAverage 只有一个定义的参数，即 period。这意味着 plotname 将匹配 plotinfo 中同名的参数。

第二种方法：

sma = bt.indicators.SimpleMovingAverage(self.data, period=15)
sma.plotinfo.plotname = 'mysma'

与 SimpleMovingAverage 一起实例化的 plotinfo 对象可以被访问，并且其中的参数也可以通过标准的 Python 点符号访问。与上面的语法相比，这种方法更容易理解。

参数含义 #

plot：是否绘制该对象。
subplot：是否与数据一起绘制或在独立的子图中绘制。例如，移动平均线是绘制在数据上的，而随机指标和 RSI 则是在不同的刻度上绘制的。
plotname：在图表上使用的名称，而不是类名。例如上面的 mysma 而不是 SimpleMovingAverage。
plotskip（已弃用）：plot 的旧别名。
plotabove：是否在数据之上绘制，否则在数据下方绘制。这仅在 subplot=True 时有效。
plotlinelabels：是否在图表的图例中显示单个线条的名称，当 subplot=False 时。
plotlinevalues：控制图例中是否包含指标和观察器线条的最后绘制值。可以通过每条线的 _plotvalue 控制。
plotvaluetags：控制是否在线条的右侧绘制带有最后值的标签。可以通过每条线的 _plotvaluetag 控制。
plotymargin：在图表上单个子图顶部和底部添加的边距。它是一个以 1 为基数的百分比。例如：0.05 表示 5%。
plothlines：一个包含值的可迭代对象（在刻度内），在这些值处绘制水平线。例如，经典指标的超买、超卖区域通常在 70 和 30 处绘制线。
plotyticks：一个包含值的可迭代对象（在刻度内），在这些值处特意放置刻度值。例如，强制刻度有 50 以识别刻度的中点。
plotyhlines：一个包含值的可迭代对象（在刻度内），在这些值处绘制水平线。如果未定义上述任何项，那么水平线和刻度的位置将完全由此值控制。
plotforce：如果所有其他方法都失败，这是一个最后的强制绘图机制。
plotmaster：一个指标/观察器有一个主控，它是工作的数据。在某些情况下，可能希望与不同的主控一起绘图。
plotylimited：目前仅适用于数据馈送。如果为 True（默认），其他线条在数据图上的绘图不会改变刻度。

线条特定绘图选项 #

指标/观察器有线条，如何绘制这些线条可以通过 plotlines 对象进行影响。大多数 plotlines 中的选项旨在直接传递给 matplotlib。文档主要通过示例进行说明。

重要：选项是按每条线条指定的。

一些选项由 backtrader 直接控制，这些选项都以 _ 开头：

_plotskip（布尔值）：如果设置为 True，表示跳过绘制特定线条。
_plotvalue（布尔值）：控制此线条的图例是否包含最后绘制的值（默认值为 True）。
_plotvaluetag（布尔值）：控制是否在线条右侧绘制带有最后值的标签（默认值为 True）。
_name（字符串）：更改特定线条的绘图名称。
_skipnan（布尔值，默认：False）：跳过绘制 NaN 值。
_samecolor（布尔值）：强制下一条线条使用与前一条相同的颜色，避免 matplotlib 为每个新绘制的元素循环颜色图。
_method（字符串）：选择 matplotlib 用于绘制元素的方法。

示例：

MACDHisto 使用 `_

method=‘bar’` 绘制直方图。

BuySell 观察器：

plotlines = dict(
    buy=dict(marker='^', markersize=8.0, color='lime', fillstyle='full'),
    sell=dict(marker='v', markersize=8.0, color='red', fillstyle='full')
)

Trades 观察器：

lines = ('pnlplus', 'pnlminus')
plotlines = dict(
    pnlplus=dict(_name='Positive', marker='o', color='blue', markersize=8.0, fillstyle='full'),
    pnlminus=dict(_name='Negative', marker='o', color='red', markersize=8.0, fillstyle='full')
)

系统级绘图选项 #

cerebro 的 plot 方法签名：

def plot(self, plotter=None, numfigs=1, iplot=True, **kwargs):

plotter：一个包含控制系统级绘图选项的对象/类。如果为 None，则创建默认 PlotScheme 对象。
numfigs：将图表分解为多少个独立的图表。
iplot：如果在 Jupyter Notebook 中运行，自动内联绘图。
kwargs：将用于更改 plotter 或默认 PlotScheme 对象的属性值。

PlotScheme #

包含控制系统级绘图的所有选项的对象。选项在代码中有文档说明。

颜色 #

PlotScheme 类定义了一个方法，可以在子类中重写，该方法返回要使用的下一个颜色：

def color(self, idx)

其中 idx 是当前线条的索引。默认颜色方案是 Tableau 10 颜色调色板，索引修改为：

tab10_index = [3, 0, 2, 1, 2, 4, 5, 6, 7, 8, 9]