本篇内容介绍了“怎么理解Python的回测框架backtrader”的有关知识，在实际案例的操作过程中，不少人都会遇到这样的困境，接下来就让小编带领大家学习一下如何处理这些情况吧！希望大家仔细阅读，能够学有所成！
backtrader属于功能相对完善的本地版Python量化回测框架。既然业界好评如云，我们作为量化交易者理应集所有好用的工具于一身，就让我们来体验一下这个框架。
backtrader的使用方法在官方文档上介绍的挺详细的。大体分为两步：
创建一个策略，创建一个策略类，这个类要继承自backtrader.Strategy，然后就可以自定义里面的方法。策略类中有一个类属性params，用于定义一些在策略中可调参数值backtrader.indicators内置了许多指标的计算方法，比如移动平均线、MACD、RSI等等，使用时只需要实例化策略中会使用到的技术指标即可next函数中编写交易策略，也就是进入市场和退出市场的逻辑
创建一个策略决策引擎（原文是Cerebro，这里我用决策这个词）把定义的策略注入到决策引擎之中把行情数据注入到决策引擎之中可视化方式反馈回测结果
以上是框架中核心的部分，当然了，其他还有很多可扩展的功能。
backtrader的数据加载非常灵活，此处我们使用DataFrame格式数据，如下所示：
"""
High Low Open Close Volume OpenInterest
trade_date
2017-01-03 8.12 8.07 8.07 8.12 179801.01 0
2017-01-04 8.16 8.09 8.13 8.15 166242.35 0
2017-01-05 8.23 8.13 8.15 8.17 222902.53 0
2017-01-06 8.19 8.12 8.18 8.13 128549.96 0
2017-01-09 8.15 8.08 8.13 8.13 136700.04 0
"""
构建策略的类是继承backtrader.Strategy，然后根据自己的需要重写其中的方法即可。比如__init__、log、notify_order、notify_trade、next等等。
关于策略中的指标，backtrader内置了很多类型，直接调用即可。比如移动平均线：
self.sma = bt.indicators.SimpleMovingAverage(
self.datas[0], period=self.params.maperiod)
由于内置了talib模块，也可以这么调用：
# 内置了talib模块
self.sma = bt.talib.SMA(self.data,
timeperiod=self.params.maperiod)
next方法中，我们实现一个简单的双均线策略作为交易的逻辑。比如买入条件是MA5上穿MA10；卖出条件是MA10下穿MA5。
关于策略回测，把数据和策略添加到Cerebro中之外，还有设置一些参数。比如broker的设置，像初始资金、交易佣金。也可以用addsizer设定每次交易买入的股数。
回测结束后返回得到执行交易策略时积累的总资金。此处我们回测的是新希望 2017年1月1日到2020年1月1日期间的策略执行效果，最终资金从10000变成了15941.95。
由于backtrader内置了Matplotlib，因此我们也可以可视化回测的效果，如下所示：
“怎么理解Python的回测框架backtrader”的内容就介绍到这里了，感谢大家的阅读。如果想了解更多行业相关的知识可以关注编程网网站，小编将为大家输出更多高质量的实用文章！
