新闻详情

新闻详情

首页 / 资讯中心 / 详情

Backtrader 学习笔记:从会写 Python 到能做可信回测(八)

发布时间:2026/11/15 10:40:36来源:尧图网络
Backtrader 学习笔记:从会写 Python 到能做可信回测(八)
Backtrader 策略实战从一个想法到一份完整回测学完基础概念后最好的练习不是继续背 API而是完整做一个小策略。今天用“双均线交叉”演示一遍提出规则 → 写代码 → 加入成本 → 分析结果 → 检查问题一、先把策略说成人话策略规则计算 10 日均线计算 30 日均线10 日均线上穿 30 日均线买入10 日均线下穿 30 日均线卖出一次只持有一个仓位。注意均线交叉是教学案例不是投资建议。二、用 Backtrader 表达规则classSmaCross(bt.Strategy):paramsdict(fast10,slow30)def__init__(self):fastbt.indicators.SMA(self.data.close,periodself.p.fast)slowbt.indicators.SMA(self.data.close,periodself.p.slow)self.crossbt.indicators.CrossOver(fast,slow)self.orderNonedefnext(self):ifself.order:returnifnotself.positionandself.cross0:self.orderself.buy()elifself.positionandself.cross0:self.orderself.close()这里最重要的是两点用 CrossOver 判断真正的上穿和下穿用 self.order 防止订单还没成交时重复下单。三、补上订单和交易日志defnotify_order(self,order):iforder.statusin[order.Submitted,order.Accepted]:returniforder.statusorder.Completed:print(成交,order.executed.price,数量,order.executed.size,手续费,order.executed.comm)else:print(订单未完成,order.getstatusname())self.orderNonedefnotify_trade(self,trade):iftrade.isclosed:print(净利润,trade.pnlcomm,持仓 K 线数,trade.barlen)信号日志和成交日志要分开看。信号出现不代表订单一定成交。四、加入手续费和滑点cerebro.broker.setcash(100000)cerebro.broker.setcommission(commission0.001)cerebro.broker.set_slippage_perc(perc0.0005)先不加成本跑一次再加成本跑一次比较差异。如果策略加入成本后完全失效说明它的优势可能太小或者换手太高。五、加入分析器cerebro.addanalyzer(bt.analyzers.Returns,_namereturns)cerebro.addanalyzer(bt.analyzers.DrawDown,_namedrawdown)cerebro.addanalyzer(bt.analyzers.TradeAnalyzer,_nametrades)运行后查看resultscerebro.run()strategyresults[0]print(strategy.analyzers.returns.get_analysis())print(strategy.analyzers.drawdown.get_analysis())print(strategy.analyzers.trades.get_analysis())不要只打印最终资金。六、加一个买入并持有基准双均线策略如果赚了 30%但买入并持有赚了 50%就不能简单说它更优秀。比较时至少看累计收益最大回撤波动交易次数手续费在不同市场阶段的表现。策略的价值通常是“风险收益比更好”而不只是收益数字更大。七、可以怎样升级这个策略基础版本跑通后可以一次只增加一个功能1. RSI 过滤只在趋势向上且 RSI 没有过热时买入。2. ATR 止损根据市场波动动态设置止损距离。3. 百分比仓位不同资金规模下保持相近的仓位比例。4. 多资产轮动每月比较多个资产选择相对强势的品种。5. 参数敏感性分析比较快均线和慢均线在不同参数下是否稳定。每次只增加一个功能才能知道结果变化来自哪里。八、策略实战的正确顺序先写清规则 → 用最简单代码实现 → 用小数据手算 → 加入订单日志 → 加入手续费和滑点 → 加入分析器 → 和基准比较 → 做样本外验证不要一开始就同时加入十个指标。九、实战中最容易犯的错误策略规则没有写清楚就开始编程只看信号不看实际成交没有买入并持有基准参数调到历史最优就停止一次加入太多过滤条件没有记录每笔交易忽略成本和样本外表现。最后总结策略实战的核心不是把代码写得很长而是让每一步都能回答为什么买 什么时候成交 买了多少 成本是多少 为什么卖 这套规则换一段历史还有效吗把一个简单策略完整做对比收藏十个复杂策略更有价值。
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/15 4:54:16

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/15 2:04:12

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/14 10:11:15

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/14 17:14:38

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/14 16:35:50

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/15 4:06:36

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉