4. Backtrader入门：安装与核心概念

说实话，我刚开始接触量化回测那会儿，也踩过不少坑。市面上框架不少，但Backtrader是我用得最顺手的。它轻量、灵活，而且社区活跃。今天咱们就把它装起来，再把那几个核心概念捋清楚。

4.1 安装Backtrader

安装其实很简单。我个人习惯用pip，一行命令搞定：

pip install backtrader

如果你需要画图功能，建议再加个matplotlib：

pip install backtrader[plotting]

嗯，这里要注意一点。有些Windows用户会遇到安装失败的情况。我遇到过一回，是因为缺少VC++运行库。解决办法也很简单，去微软官网下载个Visual C++ Redistributable装上就行。

验证安装是否成功，你可以在Python里试试：

import backtrader as bt
print(bt.__version__)

如果能正常输出版本号，那就说明装好了。

4.2 三大核心概念

Backtrader里有三个东西你必须搞明白：Cerebro、Strategy、DataFeed。说白了，它们就是整个回测系统的骨架。

4.2.1 Cerebro —— 回测引擎

Cerebro是Backtrader的大脑。它负责加载数据、运行策略、执行交易、输出结果。你可以把它理解成一个调度中心。

我刚开始用的时候，总觉得Cerebro像个黑盒子。后来看源码才发现，它其实就是一个事件循环。每次来一根新的K线，它就触发策略里的逻辑，然后决定要不要买卖。

创建Cerebro实例很简单：

cerebro = bt.Cerebro()

然后你可以往里面加数据、加策略、设置初始资金：

cerebro.adddata(data)          # 添加数据
cerebro.addstrategy(MyStrategy) # 添加策略
cerebro.broker.setcash(100000)  # 设置初始资金10万

最后调用run方法，回测就开始了：

results = cerebro.run()

4.2.2 Strategy —— 策略逻辑

Strategy是你写策略的地方。你需要继承bt.Strategy，然后重写几个关键方法。

我个人习惯把策略拆成三块：

• __init__：初始化指标和变量
• next：每根K线都会调用一次，核心交易逻辑写在这里
• notify_order：订单状态变化时触发，用来处理成交结果

举个最简单的例子：

class SimpleMovingAverageStrategy(bt.Strategy):
    params = (('period', 20),)

    def __init__(self):
        self.sma = bt.indicators.SimpleMovingAverage(
            self.data.close, period=self.params.period
        )

    def next(self):
        if not self.position:
            if self.data.close[0] > self.sma[0]:
                self.buy()
        elif self.data.close[0] < self.sma[0]:
            self.sell()

你看，逻辑其实很简单。价格上穿均线就买，下穿就卖。但实际项目中，你还要考虑滑点、手续费、仓位管理。我曾经就因为没考虑滑点，回测跑出来年化30%，实盘直接亏成狗。

4.2.3 DataFeed —— 数据源

DataFeed就是喂给策略的数据。Backtrader支持多种数据格式：CSV、Pandas DataFrame、甚至直接从Yahoo Finance拉数据。

我最常用的是Pandas DataFrame，因为方便做数据预处理：

import pandas as pd
import backtrader as bt

# 假设你有一个DataFrame，包含'open','high','low','close','volume'列
df = pd.read_csv('EURUSD_1h.csv', index_col=0, parse_dates=True)

# 转换成Backtrader的数据格式
data = bt.feeds.PandasData(dataname=df)

# 添加到Cerebro
cerebro.adddata(data)

这里有个坑。Backtrader对列名有要求，默认是open、high、low、close、volume。如果你的列名不一样，比如叫Open、Close，那就得手动映射：

data = bt.feeds.PandasData(
    dataname=df,
    open='Open',
    high='High',
    low='Low',
    close='Close',
    volume='Volume'
)

4.3 第一个简单回测

好了，理论说完了，咱们动手跑一个完整的回测。就用上面那个均线策略，回测EURUSD的1小时数据。

import backtrader as bt
import pandas as pd

# 1. 定义策略
class SmaCross(bt.Strategy):
    params = (('period', 20),)

    def __init__(self):
        self.sma = bt.indicators.SMA(self.data.close, period=self.params.period)

    def next(self):
        if not self.position:
            if self.data.close[0] > self.sma[0]:
                self.buy()
        else:
            if self.data.close[0] < self.sma[0]:
                self.sell()

# 2. 加载数据
df = pd.read_csv('EURUSD_1h.csv', index_col=0, parse_dates=True)
data = bt.feeds.PandasData(dataname=df)

# 3. 初始化Cerebro
cerebro = bt.Cerebro()
cerebro.adddata(data)
cerebro.addstrategy(SmaCross)
cerebro.broker.setcash(10000.0)
cerebro.broker.setcommission(commission=0.001)  # 千分之一手续费

# 4. 运行回测
print(f'初始资金: {cerebro.broker.getvalue():.2f}')
results = cerebro.run()
print(f'最终资金: {cerebro.broker.getvalue():.2f}')

# 5. 画图
cerebro.plot()

跑完之后，你会看到一张图，上面有价格曲线、均线、还有买卖点标记。嗯，第一次看到自己的策略跑出结果，还是挺有成就感的。

4.4 核心逻辑流程图

为了让你更直观地理解整个回测流程，我画了一张图：

4.5 回测结果怎么看

跑完回测，你可能会看到一堆数字。别慌，我告诉你重点看哪几个：

指标	含义	我的经验
最终资金	回测结束时的账户余额	别只看这个，要看年化收益率
最大回撤	账户从最高点跌到最低点的幅度	我个人觉得，回撤超过20%的策略基本拿不住
夏普比率	风险调整后的收益	大于1算及格，大于2算优秀
交易次数	整个回测期间的总交易笔数	太少说明策略不活跃，太多说明过度交易

好了，这一章的内容就到这儿。你先把Backtrader装上，跑通上面那个例子。等你有感觉了，咱们再聊更深入的东西。

---

公众号:蓝海资料掘金营，微信deep3321