量化分析师的Python日记 第9天
日期： 2025年10月27日 天气： 晴，微风，像今天的心情一样，终于拨云见日。 心情： 🎉 兴奋、满足、如释重负
【今日主题】告别“魔法数字”，拥抱专业的回测框架
“小王，你上周用Pandas写的那个回测脚本，逻辑是对的，但代码结构有点‘面条化’（Spaghetti Code）了，手续费、滑点这些关键参数都硬编码在函数里，想换一个策略就得大改一遍，你画的那几张图，虽然能看，但不够专业，今天我教你用 Backtrader 这个专业框架，让你写的策略代码像搭积木一样清晰、可复用。”
今天是我的导师老张对我进行“代码升舱”指导的一天，他一针见血地指出了我之前纯用Pandas写回测的种种弊端，老实说，我也感觉到了，每次调整参数都心惊胆战,生怕改错一个地方就导致整个回测跑偏。
上午：理论武装——Backtrader的“三驾马车”
老张并没有直接让我上手敲代码，而是先给我讲了Backtrader的核心思想，他说，Backtrader的设计理念非常清晰,主要围绕三个核心概念：
-
Cerebro (大脑): 这是整个回测系统的核心，它负责统筹一切，包括数据加载、策略实例化、初始设置（如资金、手续费）、运行回测以及最后的结果输出,你可以把它想象成量化交易的大脑中枢。
-
Data (数据): 顾名思义，就是我们的交易数据，比如股票的OHLCV（开盘、最高、最低、收盘、成交量）数据，Backtrader对数据格式有严格要求，通常是包含日期和价格列的Pandas DataFrame或CSV文件。
-
Strategy (策略): 这是我们策略逻辑的载体，所有具体的交易判断，比如什么时候买入、什么时候卖出、仓位多少，都写在一个继承自
backtrader.Strategy的类中，这完美地实现了策略逻辑与回测引擎的解耦。
老张画了一个简单的图来解释它们的关系：
[Data] ---> [Cerebro] ---> [Strategy]
^ | |
| v v
[加载的数据] [运行回测] [执行买卖逻辑]这个“大脑-数据-策略”的三层架构，让我瞬间就明白了它的优势。策略代码变得非常纯粹，我只关心我的交易逻辑，而不用去关心数据如何加载、回测如何执行、图表如何绘制这些繁琐的后端工作,Cerebro会帮我搞定一切。
下午：实战演练——用Backtrader重构双均线策略
理论讲完了，该动手了，我决定用最经典的“双均线策略”来练手,对比一下和之前用Pandas写有什么天壤之别。
第一步：准备数据
我准备了一份苹果公司（AAPL）从2025年到2025年的日线数据，格式很简单：date, open, high, low, close, volume。
第二步：构建策略类
这是最核心的一步，我需要创建一个继承自backtrader.Strategy的类，并实现两个关键方法：__init__ 和 next。
__init__: 策略初始化时调用，我需要定义策略会用到的指标，比如5日和20日的移动平均线，Backtrader提供了非常方便的backtrader.indicators.SMA。next: 每一个交易日（Data Feed的每一行数据）都会调用一次，这里是策略决策的核心，我需要在这里编写判断逻辑：“如果短期均线上穿长期均线，则买入；如果短期均线下穿长期均线，则卖出。”
import backtrader as bt
import pandas as pd
import matplotlib.pyplot as plt
# 1. 定义策略类
class DualMovingAverageStrategy(bt.Strategy):
params = (
('maperiod_short', 5), # 短期均线周期
('maperiod_long', 20), # 长期均线周期
)
def __init__(self):
# 初始化指标
self.sma_short = bt.indicators.SimpleMovingAverage(
self.data.close, period=self.params.maperiod_short)
self.sma_long = bt.indicators.SimpleMovingAverage(
self.data.close, period=self.params.maperiod_long)
# 为了方便画图，我们可以记录交叉点
self.crossover = bt.indicators.CrossOver(self.sma_short, self.sma_long)
def next(self):
# 每个Bar都会执行这里
if not self.position: # 如果当前没有持仓
if self.crossover > 0: # 短期均线上穿长期均线
self.buy() # 买入
else: # 如果已经持仓
if self.crossover < 0: # 短期均线下穿长期均线
self.close() # 卖出
# 2. 设置Cerebro引擎
cerebro = bt.Cerebro()
# 3. 加载数据
# 假设数据文件名为 'AAPL.csv'
data = bt.feeds.YahooFinanceData(
dataname='AAPL',
fromdate=pd.to_datetime('2025-01-01'),
todate=pd.to_datetime('2025-01-01')
)
cerebro.adddata(data)
# 4. 添加策略
cerebro.addstrategy(DualMovingAverageStrategy)
# 5. 设置初始资金
cerebro.broker.setcash(100000.0)
# 6. 添加分析器
# 添加交易分析器
cerebro.addanalyzer(bt.analyzers.SharpeRatio, _name='sharpe_ratio')
cerebro.addanalyzer(bt.analyzers.DrawDown, _name='drawdown')
cerebro.addanalyzer(bt.analyzers.TradeAnalyzer, _name='trade_analyzer')
# 7. 运行回测
print(f'初始资金: {cerebro.broker.getvalue():.2f}')
initial_value = cerebro.broker.getvalue()
results = cerebro.run()
final_value = cerebro.broker.getvalue()
print(f'最终资金: {final_value:.2f}')
print(f'总收益: {final_value - initial_value:.2f}')
# 8. 打印分析结果
strat = results[0]
print(f'夏普比率: {strat.analyzers.sharpe_ratio.get_analysis()["sharperatio"]:.4f}')
print(f'最大回撤: {strat.analyzers.drawdown.get_analysis()["max"]["drawdown"]:.2f}%')
# 9. 绘制结果
# 设置绘图风格
plt.style.use('seaborn-v0_8-darkgrid')
cerebro.plot(style='candlestick', barup='red', bardown='green', volume=True)
plt.show()
下午的成果与反思：
仅仅用了不到100行代码（其中大部分是注释和打印），我就完成了一个结构清晰、功能完善的回测系统。
- 代码之美： 代码逻辑一目了然。
DualMovingAverageStrategy类只关心交易本身，Cerebro负责调度，如果我想测试不同均线周期，只需要在addstrategy时传入参数即可,完全不需要修改策略类的代码！ - 功能之强： Backtrader内置了大量的分析器（Analyzer），如夏普比率、最大回撤、交易统计等，一键添加，省去了我手动计算的麻烦，绘制的图表也专业得多，K线、交易点、指标线一应俱全。
- 心态之变： 以前写回测，总感觉像在“黑箱”里操作，担心数据加载错误、逻辑判断有疏漏，有了框架的保障，我更专注于策略本身的思考,这让我对未来的研究充满了信心。
今日总结：
今天是我量化编程道路上一个重要的里程碑，从“野蛮生长”的Pandas脚本，到“秩序井然”的Backtrader框架，我不仅学到了一个新工具，更重要的是，建立了一种“工程化”的思维，量化交易不仅仅是找到一个能赚钱的策略，更是要能清晰、高效、可复现地去验证和迭代这个策略。
明天，我打算尝试在策略中加入手续费和滑点的设置，看看这个框架的灵活性如何，今天的“升舱”非常成功，感觉自己的代码“专业度”又上了一个新台阶！晚安,我的策略们。
