- 假设我们现在有策略A，在股票a的历史数据上进行回测后，发现能够取得稳定收益。但是我们有很长时间要等待股票a达到买入条件后，才能进行买入。这是对时间成本的严重浪费。
- 策略A可以在股票a上获得良好的收益，但是可能无法在股票b，c……上取得良好表现。
- 我们可以尝试做这样的改进：在股票a，b，c……的历史数据上分别进行策略回测，找到一个能够稳定收益策略B，来避免时间成本浪费的问题。但是这样仍然存在问题，在等待股票a出现买点的时候，股票b，c……的买点可能也没有出现。因此对所有股票依次做单独的策略回测，不足以验证策略的优劣。
鉴于以上问题，我们在验证策略时，需要对多只甚至全部的股票同时进行回测。本文基于backtrader，编写了多股票同时回测程序。
同样，本文旨在验证回测功能，策略依然选择简单的长短期均线金叉买入死叉卖出策略。核心代码位于策略类的init及next方法，先来看init方法：
def __init__(self):
self.inds = dict()
for i, d in enumerate(self.datas):
self.inds[d] = dict()
self.inds[d]['sma1'] = bt.ind.SMA(d.close, period=self.p.pfast) # 短期均线
self.inds[d]['sma2'] = bt.ind.SMA(d.close, period=self.p.pslow) # 长期均线
self.inds[d]['cross'] = bt.ind.CrossOver(self.inds[d]['sma1'], self.inds[d]['sma2'], plot = False) # 交叉信
这里定义了一个python字典类型变量self.inds，用于存储不同股票数据的技术指标，该字典的key为单支股票的数据，即代码中的d，value对应的该股票对应的技术指标，这些技术指标也存在一个字典内，字典内包含短期均线、长期均线、交叉信号3个指标。
再来看next方法：
def next(self):
for i, d in enumerate(self.datas):
dt, dn = self.datetime.date(), d._name # 获取时间及股票代码
pos = self.getposition(d).size
if not pos: # 不在场内，则可以买入
if self.inds[d]['cross'] > 0: # 如果金叉
self.buy(data = d, size = self.p.pstake) # 买买买
elif self.inds[d]['cross'] < 0: # 在场内，且死叉
self.close(data = d) # 卖卖
next方法中，循环遍历所有待测的股票，对每只股票，获取时间及股票名称，这样便于后续打印输出、日志留存或者调试。然后通过判断当前股票position的size，判断是否已经买入该股票，如果没有买入，判断短期均线金叉长期均线后，即可买入。如果已经持有了该股票，那么判断长期均线死叉短期均线后即可卖出。
最后要注意的是，向cerebro添加不同股票数据时，补充添加股票名称，以便后续调试及分析使用：
# 在Cerebro中添加股票数据
cerebro.adddata(data, name = stk_code)
我们依然选择5日线作为短期均线，60日线作为长期均线，回测初始资金100000，单笔操作单位1000股，佣金千分之一，回测时间自2018年1月1日至2020年3月20日，按股票代码的升序排列依次添加回测股票，即先回测000001， 再加入000002，再加入000004……（000003停牌还是退市了。。。）
当1只股票进行回测时，回测最终资产103355.34：
当2只股票进行回测时，回测最终资产93691.44：
当3只股票进行回测时，回测最终资产108217.40：
此外，还测试了5只股票回测最终资产为106339.30，10只股票最终资产为102132.84，随着回测股票数目的增加，程序运行的时间也越长。
友情提示：本系列学习笔记只做数据分析，记录个人学习过程，不作为交易依据，盈亏自负。
from __future__ import (absolute_import, division, print_function,
unicode_literals)
import datetime # 用于datetime对象操作
import os.path # 用于管理路径
import sys # 用于在argvTo[0]中找到脚本名称
import backtrader as bt # 引入backtrader框架
import pandas as pd
stk_num = 10 # 回测股票数目
# 创建策略
class SmaCross(bt.Strategy):
# 可配置策略参数
params = dict(
pfast=5, # 短期均线周期
pslow=60, # 长期均线周期
poneplot = False, # 是否打印到同一张图
pstake = 1000 # 单笔交易股票数目
)
def __init__(self):
self.inds = dict()
for i, d in enumerate(self.datas):
self.inds[d] = dict()
self.inds[d]['sma1'] = bt.ind.SMA(d.close, period=self.p.pfast) # 短期均线
self.inds[d]['sma2'] = bt.ind.SMA(d.close, period=self.p.pslow) # 长期均线
self.inds[d]['cross'] = bt.ind.CrossOver(self.inds[d]['sma1'], self.inds[d]['sma2'], plot = False) # 交叉信号
# 跳过第一只股票data，第一只股票data作为主图数据
if i > 0:
if self.p.poneplot:
d.plotinfo.plotmaster = self.datas[0]
def next(self):
for i, d in enumerate(self.datas):
dt, dn = self.datetime.date(), d._name # 获取时间及股票代码
pos = self.getposition(d).size
if not pos: # 不在场内，则可以买入
if self.inds[d]['cross'] > 0: # 如果金叉
self.buy(data = d, size = self.p.pstake) # 买买买
elif self.inds[d]['cross'] < 0: # 在场内，且死叉
self.close(data = d) # 卖卖卖
cerebro = bt.Cerebro() # 创建cerebro
# 读入股票代码
stk_code_file = '../TQDat/TQDown2020v1/data/stock_code_update.csv'
stk_pools = pd.read_csv(stk_code_file, encoding = 'gbk')
if stk_num > stk_pools.shape[0]:
print('股票数目不能大于%d' % stk_pools.shape[0])
exit()
for i in range(stk_num):
stk_code = stk_pools['code'][stk_pools.index[i]]
stk_code = '%06d' % stk_code
# 读入数据
datapath = '../TQDat/day/stk/' + stk_code + '.csv'
# 创建价格数据
data = bt.feeds.GenericCSVData(
dataname = datapath,
fromdate = datetime.datetime(2018, 1, 1),
todate = datetime.datetime(2020, 3, 20),
nullvalue = 0.0,
dtformat = ('%Y-%m-%d'),
datetime = 0,
open = 1,
high = 2,
low = 3,
close = 4,
volume = 5,
openinterest = -1
)
# 在Cerebro中添加股票数据
cerebro.adddata(data, name = stk_code)
# 设置启动资金
cerebro.broker.setcash(100000.0)
# 设置交易单位大小
#cerebro.addsizer(bt.sizers.FixedSize, stake = 5000)
# 设置佣金为千分之一
cerebro.broker.setcommission(commission=0.001)
cerebro.addstrategy(SmaCross, poneplot = False) # 添加策略
cerebro.run() # 遍历所有数据
# 打印最后结果
print('Final Portfolio Value: %.2f' % cerebro.broker.getvalue())
cerebro.plot(style = "candlestick") # 绘图
