Backtrader 文档学习- Observers - Benchmarking

2024-02-05 17:52

本文主要是介绍Backtrader 文档学习- Observers - Benchmarking,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

Backtrader 文档学习- Observers - Benchmarking

1.概述

backtrader包括两种不同类型的对象,可以帮助跟踪:

  • Observers 观察者
  • Analyzers 分析器

在分析器领域中,已有TimeReturn对象,用于跟踪整个组合价值(即包括现金)的回报率的演变。
显然作为观察者,在添加一些基准测试的同时,还可做一些工作,将观察者和分析器组合在一起,跟踪相同的对象指标。

Observers 和 Analyzers 之间的主要区别:

  • Observers 的lines特性,它记录每个值,更适合绘图和实时查询,当然会消耗更多的内存。
  • Analyzers 通过get_analysis方法返回一组结果,实现可能不会在运行结束之前提供任何结果,所以Analyzers记录最终结果,内存消耗小。

2.Analyzers - Benchmarking

标准的TimeReturn分析器已扩展为支持跟踪数据源。涉及的两个主要参数:

  • timeframe(默认值:None)
    如果为None,则将报告整个回测期间的完整回报
    传递TimeFrame.NoTimeFrame以考虑没有时间限制的整个数据集
  • data(默认值:None)
    跟踪参考资产而不是组合价值。

注意:
此数据必须已经使用addata、resampledata或replaydata将其添加到cerebro实例中

可以跟踪组合的年度回报率

import backtrader as btcerebro = bt.Cerebro()
#年度回报率
cerebro.addanalyzer(bt.analyzers.TimeReturn, timeframe=bt.TimeFrame.Years)...  # add datas, strategies ...results = cerebro.run()
strat0 = results[0]# If no name has been specified, the name is the class name lowercased
# 所有加载数据组合的分析结果
tret_analyzer = strat0.analyzers.getbyname('timereturn')
print(tret_analyzer.get_analysis())

如果跟踪单一数据的回报率:

import backtrader as btcerebro = bt.Cerebro()data = bt.feeds.OneOfTheFeeds(dataname='abcde', ...)
cerebro.adddata(data)
# 分析器指定数据
cerebro.addanalyzer(bt.analyzers.TimeReturn, timeframe=bt.TimeFrame.Years,data=data)...  # add strategies ...results = cerebro.run()
strat0 = results[0]# If no name has been specified, the name is the class name lowercased
# 分析指定数据的分析结果
tret_analyzer = strat0.analyzers.getbyname('timereturn')
print(tret_analyzer.get_analysis())在这里插入代码片

如果两者都要跟踪,最好是给分析器指定名称:

import backtrader as btcerebro = bt.Cerebro()data = bt.feeds.OneOfTheFeeds(dataname='abcde', ...)
cerebro.adddata(data)
#跟踪单一数据的分析器
cerebro.addanalyzer(bt.analyzers.TimeReturn, timeframe=bt.TimeFrame.Years,data=data, _name='datareturns')
#跟踪组合数据的分析器
cerebro.addanalyzer(bt.analyzers.TimeReturn, timeframe=bt.TimeFrame.Years)_name='timereturns')...  # add strategies ...results = cerebro.run()
strat0 = results[0]# If no name has been specified, the name is the class name lowercased
#跟踪组合数据的分析结果
tret_analyzer = strat0.analyzers.getbyname('timereturns')
print(tret_analyzer.get_analysis())
#跟踪单一数据的分析结果
tdata_analyzer = strat0.analyzers.getbyname('datareturns')
print(tdata_analyzer.get_analysis())

3.Observers - Benchmarking

可以参考前面分析器的基准,对比看区别。
由于后台机制允许在观察器内部使用分析器,增加了两个新的观察器:

  • TimeReturn
  • Benchmark

observers和analyzers,两者都使用 bt.analyzers.TimeReturn分析器来收集结果。

与上面的代码不同,完整的示例运行,展示它们的功能区别。

4.Observing TimeReturn

python ./observer-benchmark.py --plot --timereturn --timeframe notimeframe

在这里插入图片描述
注意选项:

  • timereturn 告诉样本只做这件事
  • timeframe notimeframe 告诉分析器考虑整个数据集,而不考虑时间范围。

最后绘制的值为-0.26。

  • 起始现金(从图表中可以明显看出)为50K货币单位,该策略最终为36970货币单位,因此价值下降了-26%。

与图示的回报率一致。

5.Observing Benchmarking

基准测试也将显示timereturn结果,所以让我们在基准测试处于活动状态时运行相同的操作:

python ./observer-benchmark.py --plot --timeframe notimeframe

没有timereturn参数
在这里插入图片描述

  • 策略优于资产:-0.26 vs -0.33
    值得庆祝,但至少清楚,这个策略没有资产那么糟糕。
    可惜上图的0.26 和 0.33 的图示重合了 ,不够清晰。

以年度为基础跟踪:

python ./observer-benchmark.py --plot --timeframe years

在这里插入图片描述

  • 策略最后值从-0.26到-0.27变化很小

  • 另一方面,资产显示的最终值为-0.35(与上面的-0.33相比)

价值如此接近的原因是,从2005年到2006年,策略和基准资产几乎都处于2005年初的起步水平。

切换到较低的时间框架,例如week,整个情况就会发生变化:

python ./observer-benchmark.py --plot --timeframe weeks

在这里插入图片描述
现在:

  • Benchmark观察者显示出紧张(波动)状态,因为现在跟踪组合和数据的每周回报率数字上下波动
  • 由于去年的最后一周没有交易活动,资产几乎没有变动,因此最后显示的值为0.00(最后一周之前的最后收盘价为25.54,样本数据收盘价为25.55,差异体现在第四个小数点上才能区分)

6.Observing Benchmarking - Another data

示例使用不同的数据进行基准测试。默认情况下,使用数据 benchdata1以Oracle公司为基准。考虑使用-time frame not time frame的整个数据集 。

python ./observer-benchmark.py --plot --timeframe notimeframe --benchdata1

在这里插入图片描述
现在就很清楚没有庆祝的理由:

  • 原yahoo数据,策略对于notimeframe没有改变,仍然为-26%(-0.26)
  • 但对oracle数据进行基准测试时,该数据在同一时期内增长了+23%(0.23)

既可以改变策略,也可以改变资产对象,才能更好地进行交易。
可以理解为:策略可能不适用于某个股票,股票可能也不适用于某个策略

7.Concluding

现在有两种使用相同的基础代码/计算来跟踪TimeReturn和Benchmark的方法 :

  • Observers 观察者(TimeReturn和Benchmark)
  • Analyzer分析器(带有data参数的TimeReturn和TimeReturn)
    当然,基准测试并不能保证盈利,只是比较。

代码的Help

usage: ipykernel_launcher.py [-h] [--data0 DATA0] [--data1 DATA1][--benchdata1] [--fromdate FROMDATE][--todate TODATE] [--printout] [--cash CASH][--period PERIOD] [--stake STAKE] [--timereturn][--timeframe {None,days,weeks,months,years,notimeframe}][--plot [kwargs]]Benchmark/TimeReturn Observers Sampleoptional arguments:-h, --help            show this help message and exit--data0 DATA0         Data0 to be read in (default:./datas/yhoo-1996-2015.txt)--data1 DATA1         Data1 to be read in (default:./datas/orcl-1995-2014.txt)--benchdata1          Benchmark against data1 (default: False)--fromdate FROMDATE   Starting date in YYYY-MM-DD format (default:2005-01-01)--todate TODATE       Ending date in YYYY-MM-DD format (default: 2006-12-31)--printout            Print data lines (default: False)--cash CASH           Cash to start with (default: 50000)--period PERIOD       Period for the crossover moving average (default: 30)--stake STAKE         Stake to apply for the buy operations (default: 1000)--timereturn          Use TimeReturn observer instead of Benchmark (default:None)--timeframe {None,days,weeks,months,years,notimeframe}TimeFrame to apply to the Observer (default: None)--plot [kwargs], -p [kwargs]Plot the read data applying any kwargs passed Forexample: --plot style="candle" (to plot candles)(default: None)

8.代码

from __future__ import (absolute_import, division, print_function,unicode_literals)import argparse
import datetime
import randomimport backtrader as btclass St(bt.Strategy):params = (('period', 10),('printout', False),('stake', 1000),)def __init__(self):sma = bt.indicators.SMA(self.data, period=self.p.period)self.crossover = bt.indicators.CrossOver(self.data, sma)def start(self):if self.p.printout:txtfields = list()txtfields.append('Len')txtfields.append('Datetime')txtfields.append('Open')txtfields.append('High')txtfields.append('Low')txtfields.append('Close')txtfields.append('Volume')txtfields.append('OpenInterest')print(','.join(txtfields))def next(self):if self.p.printout:# Print only 1st data ... is just a check that things are runningtxtfields = list()txtfields.append('%04d' % len(self))txtfields.append(self.data.datetime.datetime(0).isoformat())txtfields.append('%.2f' % self.data0.open[0])txtfields.append('%.2f' % self.data0.high[0])txtfields.append('%.2f' % self.data0.low[0])txtfields.append('%.2f' % self.data0.close[0])txtfields.append('%.2f' % self.data0.volume[0])txtfields.append('%.2f' % self.data0.openinterest[0])print(','.join(txtfields))if self.position:if self.crossover < 0.0:if self.p.printout:print('CLOSE {} @%{}'.format(size,self.data.close[0]))self.close()else:if self.crossover > 0.0:self.buy(size=self.p.stake)if self.p.printout:print('BUY   {} @%{}'.format(self.p.stake,self.data.close[0]))TIMEFRAMES = {None: None,'days': bt.TimeFrame.Days,'weeks': bt.TimeFrame.Weeks,'months': bt.TimeFrame.Months,'years': bt.TimeFrame.Years,'notimeframe': bt.TimeFrame.NoTimeFrame,
}def runstrat(args=None):args = parse_args(args)cerebro = bt.Cerebro()cerebro.broker.set_cash(args.cash)dkwargs = dict()if args.fromdate:fromdate = datetime.datetime.strptime(args.fromdate, '%Y-%m-%d')dkwargs['fromdate'] = fromdateif args.todate:todate = datetime.datetime.strptime(args.todate, '%Y-%m-%d')dkwargs['todate'] = todatedata0 = bt.feeds.YahooFinanceCSVData(dataname=args.data0, **dkwargs)cerebro.adddata(data0, name='Data0')cerebro.addstrategy(St,period=args.period,stake=args.stake,printout=args.printout)if args.timereturn:cerebro.addobserver(bt.observers.TimeReturn,timeframe=TIMEFRAMES[args.timeframe])else:benchdata = data0if args.benchdata1:data1 = bt.feeds.YahooFinanceCSVData(dataname=args.data1, **dkwargs)cerebro.adddata(data1, name='Data1')benchdata = data1cerebro.addobserver(bt.observers.Benchmark,data=benchdata,timeframe=TIMEFRAMES[args.timeframe])cerebro.run()if args.plot:pkwargs = dict()if args.plot is not True:  # evals to True but is not Truepkwargs = eval('dict(' + args.plot + ')')  # args were passedcerebro.plot(**pkwargs)def parse_args(pargs=None):parser = argparse.ArgumentParser(formatter_class=argparse.ArgumentDefaultsHelpFormatter,description='Benchmark/TimeReturn Observers Sample')parser.add_argument('--data0', required=False,default='../../datas/yhoo-1996-2015.txt',help='Data0 to be read in')parser.add_argument('--data1', required=False,default='../../datas/orcl-1995-2014.txt',help='Data1 to be read in')parser.add_argument('--benchdata1', required=False, action='store_true',help=('Benchmark against data1'))parser.add_argument('--fromdate', required=False,default='2005-01-01',help='Starting date in YYYY-MM-DD format')parser.add_argument('--todate', required=False,default='2006-12-31',help='Ending date in YYYY-MM-DD format')parser.add_argument('--printout', required=False, action='store_true',help=('Print data lines'))parser.add_argument('--cash', required=False, action='store',type=float, default=50000,help=('Cash to start with'))parser.add_argument('--period', required=False, action='store',type=int, default=30,help=('Period for the crossover moving average'))parser.add_argument('--stake', required=False, action='store',type=int, default=1000,help=('Stake to apply for the buy operations'))parser.add_argument('--timereturn', required=False, action='store_true',default=None,help=('Use TimeReturn observer instead of Benchmark'))parser.add_argument('--timeframe', required=False, action='store',default=None, choices=TIMEFRAMES.keys(),help=('TimeFrame to apply to the Observer'))# Plot optionsparser.add_argument('--plot', '-p', nargs='?', required=False,metavar='kwargs', const=True,help=('Plot the read data applying any kwargs passed\n''\n''For example:\n''\n''  --plot style="candle" (to plot candles)\n'))if pargs:return parser.parse_args(pargs)return parser.parse_args()if __name__ == '__main__':runstrat()

这篇关于Backtrader 文档学习- Observers - Benchmarking的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!


原文地址:
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.chinasem.cn/article/681712

相关文章

Java操作Word文档的全面指南

《Java操作Word文档的全面指南》在Java开发中,操作Word文档是常见的业务需求,广泛应用于合同生成、报表输出、通知发布、法律文书生成、病历模板填写等场景,本文将全面介绍Java操作Word文... 目录简介段落页头与页脚页码表格图片批注文本框目录图表简介Word编程最重要的类是org.apach

Python Pillow 库详解文档(最新推荐)

《PythonPillow库详解文档(最新推荐)》Pillow是Python中最流行的图像处理库,它是PythonImagingLibrary(PIL)的现代分支和继承者,本文给大家介绍Pytho... 目录python Pillow 库详解文档简介安装核心模块架构Image 模块 - 核心图像处理基本导入

Go学习记录之runtime包深入解析

《Go学习记录之runtime包深入解析》Go语言runtime包管理运行时环境,涵盖goroutine调度、内存分配、垃圾回收、类型信息等核心功能,:本文主要介绍Go学习记录之runtime包的... 目录前言:一、runtime包内容学习1、作用:① Goroutine和并发控制:② 垃圾回收:③ 栈和

C#实现将Office文档(Word/Excel/PDF/PPT)转为Markdown格式

《C#实现将Office文档(Word/Excel/PDF/PPT)转为Markdown格式》Markdown凭借简洁的语法、优良的可读性,以及对版本控制系统的高度兼容性,逐渐成为最受欢迎的文档格式... 目录为什么要将文档转换为 Markdown 格式使用工具将 Word 文档转换为 Markdown(.

详解如何使用Python构建从数据到文档的自动化工作流

《详解如何使用Python构建从数据到文档的自动化工作流》这篇文章将通过真实工作场景拆解,为大家展示如何用Python构建自动化工作流,让工具代替人力完成这些数字苦力活,感兴趣的小伙伴可以跟随小编一起... 目录一、Excel处理:从数据搬运工到智能分析师二、PDF处理:文档工厂的智能生产线三、邮件自动化:

Python实现自动化Word文档样式复制与内容生成

《Python实现自动化Word文档样式复制与内容生成》在办公自动化领域,高效处理Word文档的样式和内容复制是一个常见需求,本文将展示如何利用Python的python-docx库实现... 目录一、为什么需要自动化 Word 文档处理二、核心功能实现:样式与表格的深度复制1. 表格复制(含样式与内容)2

Android学习总结之Java和kotlin区别超详细分析

《Android学习总结之Java和kotlin区别超详细分析》Java和Kotlin都是用于Android开发的编程语言,它们各自具有独特的特点和优势,:本文主要介绍Android学习总结之Ja... 目录一、空安全机制真题 1:Kotlin 如何解决 Java 的 NullPointerExceptio

Maven项目中集成数据库文档生成工具的操作步骤

《Maven项目中集成数据库文档生成工具的操作步骤》在Maven项目中,可以通过集成数据库文档生成工具来自动生成数据库文档,本文为大家整理了使用screw-maven-plugin(推荐)的完... 目录1. 添加插件配置到 pom.XML2. 配置数据库信息3. 执行生成命令4. 高级配置选项5. 注意事

Python使用python-docx实现自动化处理Word文档

《Python使用python-docx实现自动化处理Word文档》这篇文章主要为大家展示了Python如何通过代码实现段落样式复制,HTML表格转Word表格以及动态生成可定制化模板的功能,感兴趣的... 目录一、引言二、核心功能模块解析1. 段落样式与图片复制2. html表格转Word表格3. 模板生

重新对Java的类加载器的学习方式

《重新对Java的类加载器的学习方式》:本文主要介绍重新对Java的类加载器的学习方式,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录1、介绍1.1、简介1.2、符号引用和直接引用1、符号引用2、直接引用3、符号转直接的过程2、加载流程3、类加载的分类3.1、显示