本次场外篇来介绍下传说中的backtrader
backtrader属于功能相对完善的本地版Python量化回测框架。既然业界好评如云，我们作为量化交易者理应集所有好用的工具于一身，就让我们来体验一下这个框架。
backtrader的使用方法在官方文档上介绍的挺详细的。大体分为两步：
创建一个策略，创建一个策略类，这个类要继承自backtrader.Strategy，然后就可以自定义里面的方法。策略类中有一个类属性params，用于定义一些在策略中可调参数值backtrader.indicators内置了许多指标的计算方法，比如移动平均线、MACD、RSI等等，使用时只需要实例化策略中会使用到的技术指标即可next函数中编写交易策略，也就是进入市场和退出市场的逻辑
创建一个策略决策引擎（原文是Cerebro，这里我用决策这个词）把定义的策略注入到决策引擎之中把行情数据注入到决策引擎之中可视化方式反馈回测结果
以上是框架中核心的部分，当然了，其他还有很多可扩展的功能。
backtrader的数据加载非常灵活，此处我们使用DataFrame格式数据，如下所示：
"""
High Low Open Close Volume OpenInterest
trade_date
-01-03 8.12 8.07 8.07 8.12 179801.01 0
-01-04 8.16 8.09 8.13 8.15 166242.35 0
-01-05 8.23 8.13 8.15 8.17 222902.53 0
-01-06 8.19 8.12 8.18 8.13 128549.96 0
-01-09 8.15 8.08 8.13 8.13 136700.04 0
"""
构建策略的类是继承backtrader.Strategy，然后根据自己的需要重写其中的方法即可。比如__init__、log、notify_order、notify_trade、next等等。
关于策略中的指标，backtrader内置了很多类型，直接调用即可。比如移动平均线：
self.sma = bt.indicators.SimpleMovingAverage(
self.datas[0], period=self.params.maperiod)
由于内置了talib模块，也可以这么调用：
# 内置了talib模块
self.sma = bt.talib.SMA(self.data,
timeperiod=self.params.maperiod)
next方法中，我们实现一个简单的双均线策略作为交易的逻辑。比如买入条件是MA5上穿MA10；卖出条件是MA10下穿MA5。
关于策略回测，把数据和策略添加到Cerebro中之外，还有设置一些参数。比如broker的设置，像初始资金、交易佣金。也可以用addsizer设定每次交易买入的股数。
回测结束后返回得到执行交易策略时积累的总资金。此处我们回测的是新希望 1月1日到1月1日期间的策略执行效果，最终资金从10000变成了15941.95。
由于backtrader内置了Matplotlib，因此我们也可以可视化回测的效果，如下所示：
总的来说，对于刚进阶的朋友来说是足够使用了，那么无法满足高阶玩家的需求怎么办呢？可以继承框架自己扩展。
如果觉得《python量化交易策略实例_Python进阶量化交易：听说有个回测框架叫backtrader》对你有帮助，请点赞、收藏，并留下你的观点哦！
