4、策略回测框架：Backtrader入门、回测引擎核心概念、编写第一个回测脚本

好，咱们进入正题。这一章聊的是回测框架，具体说就是 Backtrader。我个人觉得，这是目前 Python 量化圈里最顺手的工具之一。你想想看，一个框架能让你把策略逻辑、数据加载、交易执行、绩效分析全串起来，而且代码写起来还不费劲——这就是 Backtrader 的本事。

4.1 为什么选 Backtrader？

市面上回测框架不少，比如 Zipline、PyAlgoTrade、vn.py 等等。但我为什么推荐 Backtrader？说白了，三个原因：

• 轻量级：不需要装数据库，不需要配 Redis，pip install 就完事。
• 设计优雅：它的「策略-数据-交易」三层架构非常清晰，新手也能快速上手。
• 实盘可复用：回测代码稍微改改就能对接实盘接口，这一点我在项目中深有体会。

我记得有一次帮朋友调试一个多因子策略，用 Zipline 折腾了半天数据格式，换成 Backtrader 半小时就跑通了。嗯，工具选对了，效率翻倍。

4.2 回测引擎的核心概念

在写代码之前，咱们得先搞懂 Backtrader 的几个核心概念。别急，我画了一张图，你看完就明白了。

这张图把 Backtrader 的架构讲得很清楚了。核心就是 Cerebro 这个大脑，它负责把数据喂给策略，策略产生信号后交给 Broker 执行交易。分析器和观察者则是用来做绩效统计和日志记录的。

4.3 核心组件详解

4.3.1 Cerebro 引擎

Cerebro 是 Backtrader 的调度中心。你所有的操作——加数据、加策略、设手续费、跑回测——都得通过它。说白了，它就是那个「总指挥」。

4.3.2 Data Feed 数据馈送

数据是回测的根基。Backtrader 支持多种数据源：CSV 文件、Pandas DataFrame、在线 API 等。我个人习惯用 CSV，因为稳定、可控。

数据格式要求很简单：时间、开盘价、最高价、最低价、收盘价、成交量，按这个顺序排列就行。列名可以自定义，但顺序别搞错。

4.3.3 Strategy 策略

策略是回测的灵魂。你需要继承 bt.Strategy 类，然后实现两个核心方法：

• __init__()：初始化指标和变量
• next()：每根 K 线都会调用一次，在这里写买卖逻辑

嗯，这里要注意：next() 里不要做耗时操作，因为回测时每根 K 线都会跑一遍。如果你在里面写了个循环几万次的复杂计算，回测速度会慢得让你怀疑人生。

4.3.4 Broker 交易执行

Broker 模拟了真实的交易环境。你可以设置：

参数	说明	默认值
commission	手续费率（如 0.001 表示千分之一）	0.001
cash	初始资金	10000
slippage	滑点设置	0
mult	合约乘数（期货用）	1

4.4 编写第一个回测脚本

光说不练假把式。咱们直接写一个最简单的双均线策略回测脚本。这个策略的逻辑很简单：

• 当 5 日均线上穿 20 日均线时，买入
• 当 5 日均线下穿 20 日均线时，卖出

代码如下：

import backtrader as bt

# 1. 定义策略
class SmaCross(bt.Strategy):
    params = dict(
        pfast=5,   # 短期均线周期
        pslow=20   # 长期均线周期
    )

    def __init__(self):
        # 计算均线指标
        sma_fast = bt.ind.SMA(period=self.params.pfast)
        sma_slow = bt.ind.SMA(period=self.params.pslow)
        # 生成交叉信号
        self.crossover = bt.ind.CrossOver(sma_fast, sma_slow)

    def next(self):
        # 没有持仓时，买入信号
        if not self.position:
            if self.crossover > 0:
                self.buy()
        # 有持仓时，卖出信号
        elif self.crossover < 0:
            self.sell()

# 2. 加载数据
data = bt.feeds.YahooFinanceCSVData(dataname='AAPL.csv')

# 3. 初始化 Cerebro 引擎
cerebro = bt.Cerebro()
cerebro.adddata(data)
cerebro.addstrategy(SmaCross)

# 4. 设置初始资金和手续费
cerebro.broker.setcash(100000.0)
cerebro.broker.setcommission(commission=0.001)

# 5. 添加分析器
cerebro.addanalyzer(bt.analyzers.SharpeRatio, _name='sharpe')
cerebro.addanalyzer(bt.analyzers.Returns, _name='returns')

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

# 7. 输出分析结果
strat = results[0]
print('夏普比率:', strat.analyzers.sharpe.get_analysis())
print('年化收益率:', strat.analyzers.returns.get_analysis())

# 8. 绘制图表
cerebro.plot()

这段代码虽然短，但五脏俱全。你仔细看：

• 第 1-18 行：定义策略类，用 bt.ind.SMA 计算均线，用 bt.ind.CrossOver 检测金叉死叉
• 第 21 行：加载数据，这里用的是 Yahoo Finance 的 CSV 格式
• 第 24-26 行：创建 Cerebro 引擎，添加数据和策略
• 第 29-30 行：设置初始资金 10 万，手续费千分之一
• 第 33-34 行：添加夏普比率和收益率分析器
• 第 37-38 行：跑回测，打印资金变化
• 第 41-42 行：输出分析结果
• 第 45 行：画图，直观看策略表现

4.5 回测中容易踩的坑

写回测脚本不难，但写出靠谱的回测脚本，需要避开几个常见的坑。我一个个说：

4.5.1 未来函数

这是回测里最致命的错误。什么叫未来函数？就是你在回测时用到了「未来」的数据。比如在 __init__ 里计算指标时，Backtrader 默认会用全部数据来计算，这就引入了未来信息。

解决办法：在 __init__ 里只定义指标，不要在 next() 之前使用指标的值。Backtrader 的指标在 next() 中会自动按时间顺序更新，不会泄露未来数据。

4.5.2 滑点与手续费

我见过太多人回测时收益漂亮，实盘一跑就亏。原因很简单——没考虑滑点和手续费。尤其是高频策略，手续费能把利润吃光。

4.5.3 过拟合

参数调得太完美，往往意味着过拟合。你想想看，一个策略在历史数据上表现完美，一到未来就失效，这有什么意义？

我的建议是：参数不要超过 3 个，而且一定要做样本外测试。把数据分成两段，前 70% 用来调参，后 30% 用来验证。如果样本外表现也不错，那这个策略才值得进一步研究。

4.6 本章小结

这一章咱们把 Backtrader 的核心概念和第一个回测脚本都过了一遍。你掌握了：

• Backtrader 的五大核心组件：Cerebro、Data Feed、Strategy、Broker、Analyzers
• 如何编写一个完整的双均线回测脚本
• 回测中常见的三个坑：未来函数、滑点手续费、过拟合

说实话，Backtrader 入门不难，但想用好它，需要你在实践中不断积累经验。下一章咱们会深入讲策略的编写技巧和高级用法。嗯，今天就先到这里，你可以动手跑跑上面的代码，感受一下回测的完整流程。

---

公众号:蓝海数据掘金营，微信deep3321