我花了一个星期通读了 backtrader 的官方文档，順便还通过 AI 整理出了它的中文文档，我不想写 backtrader 的基础入门教程，还不如直接用 backtrader 逐步展开回测这一个策略，或许更加容易掌握它的使用。
相较于其他回测框架，backtrader 的功能强大，除了支持单品种，还可以实现组合策略，扩展能力非常强大，如果说缺点，一是这个项目基本不维护了，不过不影响它的使用，还有就是因为它很强大，扩展性强，比其他的回测框架更不易于掌握。
本文介绍如何使用 backtrader 回测双均线交易策略，将包含基本的进出场、风险控制，参数优化等，还有如何加载分钟数据尽可能模拟真实场景。我暂时先用双均线策略上手 backtrader，后续还会使用 backtrader 回测更多的策略。
策略定义
选择品种
- 暂定 BTC 作为回测品种，虽然这个策略在它上面的表现不算很好。
技术指标
- EMA，即指数移动均线，均线指标种类繁多，如 SMA、WMA 等；
- ATR，真实波动幅度，用于控制止损；
策略参数
- short_period：短均线周期；
- long_period：长均线的周期
- atr_period： 真实波动振幅的计算周期，一般固定为 14 即可。
入场条件
出场条件
风险控制
为了防止出现过于大的止损金额，设置固定的止损位置并通过止损位置推算最大亏损金额。
- 止损位置：当前价格 - n 倍 ATR；
- 最大亏损：每笔交易的最大亏损金额不超过账户的 2%，按次目标推算实际下单金额。
这是个非常简单的策略，只是相对于最简单版本的均线交叉策略，加上了风险控制。
依赖库
安装依赖的 Python 库。
1
| pip install backtrader yfinance
|
主流程
通过 backtrader 回测策略，在主函数要提前做一些设置，如设置费率、滑点、账户金额。此外还有加载数据源和策略。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
| import backtrader as bt
import yfinance as yf
# 策略逻辑，暂空
class MACrossStrategy(bt.Strategy):
pass
if __name__ == "__main__":
cerebro = bt.Cerebro()
# 数字货币交易 taker 的手续费一般是这个数字。
cerebro.broker.setcommission(0.0005)
cerebro.broker.set_slippage_perc(0.0001)
# 初始资金为 1百万个货币单位
cerebro.broker.setcash(1e6)
data = yf.download(tickers='BTC-USD',
start='2020-01-01',
end='2025-04-16',
interval='1d',
multi_level_index=False)
cerebro.adddata(bt.feeds.PandasData(dataname=data))
cerebro.addstrategy(MACrossStrategy)
print("初始净值：", cerebro.broker.getvalue())
cerebro.run()
print("最终净值：", cerebro.broker.getvalue())
cerebro.plot()
|
backtrader 中的 Cerebro 类型是核心大脑，其他的组件都是围绕着它进行配置。
这段代码的核心内容包括：
- 设置费率为万五，滑点为万1，初始资金为 1e6，即 1百万货币单位。
- 开始回测前，添加标的数据，通过
yfinance 下载数据，如加载 BTC-USD 的历史行情。 - 接着加载要回测的策略
MACrossStrategy，继承自 bt.Strategy。 - 最后运行回测并输出策略前后的账户净值数据并绘制图。
策略还没有实现任何的交易逻辑，如果运行回测，你会看到前后的账户资产没有变化。
策略实现
实现一个策略有两个步骤，分别是计算指标和策略逻辑两个部分，分别对应于 MACrossStrategy 的 __init__ 和 next 函数。
计算指标
计算这个策略用到的三个指标，分别是 short_ma、long_ma 和 atr。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
| class MACrossStrategy(bt.Strategy):
params = (
("short_period", 10),
("long_period", 20),
("atr_period", 14),
)
def __init__(self):
self.short_ma = bt.ind.EMA(period=self.p.short_period)
self.long_ma = bt.ind.EMA(period=self.p.long_period)
self.atr = bt.ind.ATR(period=self.p.atr_period)
# 短均线上穿长均线
self.crossover = bt.ind.CrossUp(self.short_ma, self.long_ma)
self.crossunder = bt.ind.CrossDown(self.short_ma, self.long_ma)
|
这里将计算指标要用到的周期参数化，以便于后续优化。而且为了便于后续交易逻辑判断，通过 backtrader 的 crossover 和 crossunder 辅助函数判断均线的金叉死叉。
backtrader 支持的指标繁多，可通过几行代码拿到支持的常见指标：
1
2
3
4
| indicators = [attr for attr in dir(bt.ind) if not attr.startswith('_')]
print("Backtrader支持的内置指标:")
for idx, indicator in enumerate(sorted(indicators), 1):
print(f"{idx}. {indicator}")
|
输出：
1
2
3
4
5
6
7
| Backtrader支持的内置指标:
1. ADX
2. ADXR
3. AO
4. APO
5. ATR
...
|
如果熟悉 talib，也可以通过使用它。backtrader 内置支持了 talib。
1
| short_ma = bt.talib.EMA(timeperiod=self.p.short_period)
|
开仓平仓
交易逻辑部分可分为开仓平仓和风险控制两部分。简单的开仓平仓实现起来较为简单，先介绍这部分的实现。而风险控制要依赖条件单实现，backtrader 是支持条件单的。
开仓平仓逻辑的代码如下所示：
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
| class MACrossStrategy(bt.Strategy):
def __init__(self):
pass
def next(self):
long_entry = (
self.crossup[0] == 1
and self.position.size <= 0
)
short_entry = (
self.crossdown[0] == 1
and self.position.size >= 0
)
long_exit = (
self.crossdown[0] == 1
and self.position.size > 0
)
short_exit = (
self.crossup[0] == 1
and self.position.size < 0
)
if long_entry:
self.order_target_percent(target=0.99)
elif short_entry:
self.order_target_percent(target=-0.99)
if long_exit:
self.close()
elif short_exit:
self.close()
|
按设定规则开平仓，如果短线上穿长线开多，短线下穿长线开空，平仓的条件反之。
下单方式没有使用 buy 和 sell 方法，直接用了 backtrader 提供的目标订单方法，省掉了下单数量的计算。如果想拿到直接下单大小，order_target_percent 返回了订单 Order，有订单大小 size 属性，这个后面设置止损条件是要用到的。
backtrader 有个非常重要的 Line 的概念，相对是比较复杂的，这里不展开说了。记住的是，如果要访问当前数据，下标都是 0 开始的，往前看就是 -1、-2，以此类推。所以，self.crossup[0] 就是检查当前短均线是否上穿长均线。
暂时这里还没有加入风险控制，直接 0.99 的仓位，基本就是全仓了。
现在可以运行下这个回测。
输出：
1
2
| 初始净值： 1000000.0
最终净值： 3280739.0840676297
|
五年多的时间赚了 3 倍收益，和直接持有 BTC 的这五年收益相比，简直是浪费时间。
完整代码请访问：双均线策略基础版本。
绘图
回测结束除了可以拿到最终净值，运行 cerebro.plot() 还输出一张图，如下所示：
这个图中有几个部分，分别是净值曲线、交易盈亏点、价格蜡烛图（包括买卖点标注）和技术指标。
这个图的收益部分显示效果不是很清晰，如果想只看收益曲线，可通过配置 analyzers 拿到收益序列。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
|
cerebro.addanalyzer(bt.analyzers.TimeReturn, _name="timereturn")
strat = cerebro.run()
returns = strat[0].analyzers.getbyname('timereturn').get_analysis()
returns_series = pd.Series(returns)
net_value = (1 + returns_series).cumprod()
ax = net_value.plot(title="Returns", figsize=(12, 5))
end_value = net_value.iloc[-1]
end_index = net_value.index[-1]
ax.text(
end_index,
end_value,
f"End: {end_value:.2f}",
ha="right",
va="top",
bbox=dict(facecolor="white", alpha=0.8),
)
plt.show()
|
净值曲线如下所示：
其他数据，如行情、指标、交易记录等，然也可以拿出来单独绘图。
完整代码请访问：自定义收益曲线。
评价指标
从上面的净值曲线图，这个策略的回撤非常大。如果想看最大回撤的具体大小，要添加分析器。夏普比率是同样的思路。
1
2
3
4
5
6
7
8
| cerebro.addanalyzer(bt.analyzers.DrawDown, _name="drawdown")
cerebro.addanalyzer(bt.analyzers.DrawDown, _name="shape_ratio")
strat = cerebro.run()
drawdown = strat[0].analyzers.getbyname("drawdown").get_analysis()
sharpe_ratio = strat[0].analyzers.getbyname("drawdown").get_analysis()
print("最大回撤", drawdown["max"]["drawdown"])
print("夏普比率", shape_ratio["shape_raito"])
|
输出：
1
2
| 最大回撤 82.12757289556565
夏普比率 0.5393603817365935
|
其他常见的评价指标，基本都可通过配置分析器拿到，如 SQN 指标，这个常用来选择参数优化的最优策略。
1
| cerebro.addanalyzer(bt.analyzers.SQN, _name="sqn")
|
策略优化
暂时先不加入风险控制，尝试优化下双均线策略。
backtrader 内置网格搜索优化的函数。将前面的 addstrategy 换成 optstrategy，指定参数搜索的范围。
1
2
3
4
5
| cerebro.optstrategy(
MACrossStrategy,
short_period=range(5, 50, 5),
long_period=range(20, 200, 10),
)
|
为防止不满足条件的参数出现，如 short_period >= long_period，修改下策略实现：
1
2
3
4
| class MACrossStrategy(bt.Strategy):
def __init__(self):
if self.p.short_period >= self.long_period:
raise bt.StrategySkipError()
|
这样也能提升优化的效率。
1
| opt_returns = cerebro.run(optreturn=False)
|
运行后，将得到一个可遍历列表 opt_returns，它的元素是每个参数组合的数据。
1
2
3
4
5
| for opt_return in opt_returns:
if len(ret):
print("参数：", ret[0].params.short_period, ret[0].params.long_period)
print("净值：", ret[0].broker.getvalue())
print("夏普：", ret[0].analyzers.sharpe.get_analysis())
|
现在通过 for 输出各个参数组合的回测结果。
上面之所以要设置 optreturn=False 是为了拿到策略的完整数据，否则如 .broker.getvalue() 是无法访问的。
Backtrader 的优化功能和 backtesting.py 不同，它的内置优化功能（cerebro.optstrategy() 和 cerebro.run()）不会自动选择最优策略。它只会执行所有参数组合的回测，并返回每个组合的结果。我还需要分析这些结果并选择最佳参数。
如选择夏普比率最优的参数组合：
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
| opt_returns = cerebro.run(optreturn=False)
best_strategy = None
for ret in opt_returns:
if len(ret):
if best_strategy is None:
best_strategy = ret[0]
else:
best_sharpe_ratio = best_strategy.analyzers.sharpe.get_analysis()[
"sharperatio"
]
sharpe_ratio = ret[0].analyzers.sharpe.get_analysis()["sharperatio"]
if best_sharpe_ratio < sharpe_ratio:
best_strategy = ret[0]
short_period = best_strategy.params.short_period
long_period = best_strategy.params.long_period
sharpe_ratio = best_strategy.analyzers.sharpe.get_analysis()["sharperatio"]
max_drawdown = best_strategy.analyzers.drawdown.get_analysis()["max"]["drawdown"]
final_value = best_strategy.broker.getvalue()
print(f"参数组合：short {short_period}, long {long_period}")
print(f"夏普比率：{sharpe_ratio}")
print(f"最大回撤：{max_drawdown}")
print(f"最终净值：{final_value}")
|
输出：
1
2
3
4
| 参数组合：short 10, long 90
夏普比率：0.9247734042607272
最大回撤：57.21188766636116
最终净值：12699593.957906708
|
你可以设定任意的标准来定义什么是最佳参数组合，backtesting.py 框架默认采用选择 SQN 作为选择评价最优策略标准，backtrader 也可以实现，分析加入 SQN 即可。
1
| cerebro.addanalyzer(bt.analyzers.SQN, _name="sqn")
|
优化就展开这么多吧！
完整代码请访问：参数优化。
风险控制
到现在策略就是简单通过均线金叉死叉进行开平仓，完全按照这个标准交易，有可能出现损失过大。
如上图所示，短线上穿长线开仓做多后，开始快速下跌，从开仓到死叉平仓的损失不可能控，有可能导致异常的损失。
我想通过设置止损价格解决这个问题，为防止被假止损，采用 n * ATR 计算止损位置。ATR 指标是个波动指标，如果波动太大可能导致不可控的损失。可基于最大损失百分比去反向推算下单金额，如每次最大损失不超过 2%。
假设 n = 3，在策略中实现这个逻辑，示例代码如下：
1
| target_percent = 0.02 / (3 * self.atr[0] / self.data.close[0])
|
用这个值替代之前每次满仓的 0.99，实现每单的最大损失为总资产的 2%。
多仓的止损价格：
1
| stop_price = self.data.close[0] - 3 * self.atr[0]
|
止损单通过 backtrader 的 stop 类型订单实现。
基于开仓订单创建止损订单：
1
2
3
4
| order = self.order_target_percent(target=target_percent)
self.stop_sell_order = self.sell(
size=order.size, exectype=bt.Order.Stop, price=stop_price
)
|
开空单同理：
1
2
3
4
| order = self.order_target_percent(target=target_percent)
self.stop_buy_order = self.sell(
size=order.size, exectype=bt.Order.Stop, price=stop_price
)
|
这里有个问题，如果仓位平掉后，记得要取消这个止损单，可通过 backtrader 的 notify_trade 回测检查仓位，如发现仓位非做空仓位，取消 stop_buy_order。
现在，默认参数（short_period=10，long_period=20）运行回测，净值曲线如下：
可以对比下最初的净值曲线：
这里只是增加了一个基本的风险控制，现在的净值曲线比之前稳定了不少。
完整代码请访问：风险控制。
但这还有明显的大涨大跌，如果已经设置了最大损失百分比，应该不至于出现还有这么可怕的波动。
初步估计这个原因可能是行情数据用的日线数据，价格跳动太大导致的滑点严重。而一旦回撤太大，后续想要翻身的难度也会增加。
接下来，尝试用 backtrader 加载分钟数据降低滑点。
重放分钟行情
backtrader 提供了数据重放 replaydata 加载数据，实现近乎模拟真实的场景。重放 replaydata 通过重放高频数据，事实生成某个周期的行情，如日线、4 小时等，即使这个周期还没闭合。
我提前下来了 BTCUSDT 的 1分钟数据，将其通过 replaydata 加载到 cerebro 中。
1
2
3
4
5
6
7
8
9
10
| data = pd.read_csv(
"btcusdt_1m",
parse_dates=['datetime'],
index_col=['datetime'],
)
cerebro.replaydata(
data,
timeframe=bt.TimeFrame.Minutes,
compression=1440,
)
|
这个地方有一个注意点，如果原始数据是分钟级别的数据，replaydata 的 timeframe 只能是 Minutes，通过 compression 指定合成日线所需的分钟数据量（一天等于 60 * 24 = 1440）。如果是其他周期，如 bt.TimeFrame.Days，重放是无法合成日线数据的。
策略逻辑的判断部分也有要修改的地方：
1
2
3
4
5
| long_entry = self.crossup[-1] and self.position.size <= 0
short_entry = self.crossdown[-1] and self.position.size >= 0
long_exit = self.crossdown[-1] and self.position.size > 0
short_exit = self.crossup[-1] and self.position.size < 0
|
将原来的获取最新的指标修改为上个周期的指标，原因当然就是，当前的 bar 还没有闭合。
这个回测耗时相当长，最终得到的回测净值曲线：
从上图看出，通过分钟回测，得到的净值曲线更平缓，虽然从 2022 年以后这个策略不怎么赚钱了，但不至于那么过分的大涨大跌，产生过大的风险。
这里还有个小问题，如果看上图，偶尔有几个月空仓的情况，那是因为如果是止损单平仓，而非出现金叉死叉触发平仓，可能导致无法重新入场导致丢失掉大趋势。
重新修正下开仓的判断条件。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
| if self.crossup[-1] == 1:
self.direction = "long"
elif self.crossdown[-1] == 1:
self.direction = "short"
long_entry = (
self.direction == "long"
and self.data.close[-1] > self.short_ma[-1] > self.long_ma[-1]
and self.position.size <= 0
)
short_entry = (
self.direction == "short"
and self.data.close[-1] < self.short_ma[-1] < self.long_ma[-1]
and self.position.size >= 0
)
|
在出现金叉死叉时才切换下单方向。这个就不想过多解释了。
净值曲线如下：
完整代码请访问：重放模拟回测。
总结
本文介绍了如何用 backtrader 回测双均线策略，一步步展开。虽然是一个简单的均线策略，但如果无法正确利用回测框架，可能产生的结果差异较大。
这个策略表现的并不算好，5 年时间在 BTC 上只有不到 4 倍的收益，有兴趣的话，可继续优化，如将日线切换为小时线，或许会有新的发现哦。
最后特别说明：本文是我用 backtrader 回测双均线的记录，具体代码在文中都有提供，或许有错误，请仔细甄别。
最后，希望本文对你学习 backtrader 策略回测有所帮助。
