張長智的部落格

博翔科技為專業機械設備歐規/台灣TS標章/美規及半導體設備SEMI S2輔導顧問公司

從事設備安全檢測驗證的輔導機構，擁有經驗豐富的機械安全輔導工程師，並與多家國內外知名驗證公司合作。

服務範圍包含各項產業機械、工業電控系統、鞋廠自動化設備、半導體設備及光電廠設備…等產品。

透過我們的服務，協助客戶滿足各國安規的需求，進而提升產品的安全性及競爭力，將產品行銷至國際。

博翔科技有限公司在各大經濟體系的安全認證規範已擁有了十餘年的經驗與經歷，瞭解著安全技術與設計在認證過程的困難點

藉此Protect & Safe 秉著提供更方便更完善的認證與產品給您，

並提供CE認證、TS認證、MD認證、LVD認證、EMC認證、UL認證、NRTL認證、SEMI認證、CB認證、PSE認證、CCC認證、ASME認證、CNS認證、NFPA認證、510K認證等服務，邀請您一起邁向世界的安全技術頂端

博翔團隊核心成員出身法人中心，相較國內其他安全檢測驗證同業，博翔的強項在於成員經驗豐富，輔導過相當多的成功案例，及能為客戶提供從產品查驗、測試、驗貨與取得國外安全認證的一條龍式全方位解決方案

甚至該公司已自行開發出安全護罩、安全模組多項安全元件，期能協助客戶在兼顧「品質、安全、交期與成本」等考量下，提升其產品在全球市場的競爭力。

並且擁有最完善的設備整改服務，以符合國際標準，保證出口！

可採用標準: 2006/42/EC, EN ISO 10218-1, EN ISO 10218-2, EN ISO 11161-1, EN ISO 12100, EN ISO 13849-1, EN 12622, EN 60204-1, EN ISO 13857, EN ISO 13855, EN ISO 13851,SEMI S2, SEMI S10, SEMI S8, SEMI S22, SEMI S14, SEMI S17, SEMI S28, SEMI S26等

請立即點擊上方圖片了解更多細節吧！

內容簡介

目錄

詳細資料

目前基於Python的量化回測框架有很多，開源框架有zipline、vnpy、pyalgotrader和backtrader等，而量化平臺有Quantopian（國外）、聚寬、萬礦、優礦、米筐、掘金等，這些量化框架或平臺各有優劣。就個人而言，比較偏好用backtrader，因為它功能十分完善，有完整的使用文檔，安裝相對簡單（直接pip安裝即可）。優點是運行速度快，支持pandas的矢量運算；支持參數自動尋優運算，內置了talib股票分析技術指標庫；支持多品種、多策略、多周期的回測和交易；支持pyflio、empyrica分析模塊庫、alphalens多因子分析模塊庫等；擴展靈活，可以集成TensorFlow、PyTorch和Keras等機器學習、神經網絡分析模塊。而不足之處在於，backtrader學習起來相對複雜，編程過程中使用了大量的元編程（類class），如果Python編程基礎不紮實（尤其是類的操作），學起來會感到吃力。本文作為backtrader的入門系列之一，對其運行框架進行簡要介紹，並以實際案例展示量化回測的過程。 如果將backtrader包分解為核心組件，主要包括以下組成部分： （1）數據加載（Data Feed）：將交易策略的數據加載到回測框架中。 （2）交易策略（Strategy）：該模塊是編程過程中最複雜的部分，需要設計交易決策，得出買入/賣出信號。 （3）回測框架設置（ Cerebro）：需要設置（i）初始資金（ii）傭金（iii）數據饋送（iv）交易策略（v）交易頭寸大小。 （4）運行回測：運行Cerebro回測並列印出所有已執行的交易。 （5）評估性能（Analyzers）:以圖形和風險收益等指標對交易策略的回測結果進行評價。 「Lines」是backtrader回測的數據，由一系列的點組成，通常包括以下類別的數據：Open（開盤價）, High（最高價）, Low（最低價）, Close（收盤價）, Volume（成交量）, OpenInterest（無的話設置為0）。Data Feeds（數據加載）、Indicators（技術指標）和Strategies（策略）都會生成 Lines。價格數據中的所有」Open」 (開盤價)按時間組成一條 Line。所以，一組含有以上6個類別的價格數據，共有6條 Lines。如果算上「DateTime」（時間，可以看作是一組數據的主鍵），一共有7條 Lines。當訪問一條 Line 的數據時，會默認指向下標為 0 的數據。最後一個數據通過下標 -1 來訪問，在-1之後是索引0，用於訪問當前時刻。因此，在回測過程中，無需知道已經處理了多少條/分鐘/天/月，」0」一直指向當前值，下標 -1 來訪問最後一個值。 ... 量化回測說白了是使用歷史數據去驗證交易策略的性能，因此回測的第一步是搭建交易策略，這也是backtrader要設置的最重要和複雜的部分，策略設定好後，其餘部分的代碼編寫是手到擒來。 構建策略（Strategy） 交易策略類代碼包含重要的參數和用於執行策略的功能，要定義的參數或函數名如下： （1）params-全局參數，可選：更改交易策略中變量/參數的值，可用於參數調優。 （2）log：日誌，可選：記錄策略的執行日誌，可以列印出該函數提供的日期時間和txt變量。 （3） __init__：用於初始化交易策略的類實例的代碼。 （4）notify_order，可選：跟蹤交易指令（order）的狀態。order具有提交，接受，買入/賣出執行和價格，已取消/拒絕等狀態。 （5）notify_trade，可選：跟蹤交易的狀態，任何已平倉的交易都將報告毛利和凈利潤。 （6）next，必選：制定交易策略的函數，策略模塊最核心的部分。 下面以一個簡單的單均線策略為例，展示backtrader的使用過程，即當收盤價上漲突破20日均線買入（做多），當收盤價下跌跌穿20日均線賣出（做空）。為簡單起見，不報告交易回測的日誌，因此log、notify_order和notify_trade函數省略不寫。 class my_strategy1(bt.Strategy): #全局設定交易策略的參數 params=( ('maperiod',20), ) def __init__(self): #指定價格序列 self.dataclose=self.datas[0].close # 初始化交易指令、買賣價格和手續費 self.order = None self.buyprice = None self.buycomm = None #添加移動均線指標，內置了talib模塊 self.sma = bt.indicators.SimpleMovingAverage( self.datas[0], period=self.params.maperiod) def next(self): if self.order: # 檢查是否有指令等待執行, return # 檢查是否持倉 if not self.position: # 沒有持倉 #執行買入條件判斷：收盤價格上漲突破20日均線 if self.dataclose[0] > self.sma[0]: #執行買入 self.order = self.buy(size=500) else: #執行賣出條件判斷：收盤價格跌破20日均線 if self.dataclose[0] < self.sma[0]: #執行賣出 self.order = self.sell(size=500)數據加載（Data Feeds） 策略設計好後，第二步是數據加載，backtrader提供了很多數據接口，包括quandl（美股）、yahoo、pandas格式數據等，我們主要分析A股數據。 mpl.rcParams['axes.unicode_minus']=False #先引入後面可能用到的包（package） import pandas as pd from datetime import datetime import backtrader as bt import matplotlib.pyplot as plt %matplotlib inline #正常顯示畫圖時出現的中文和負號 from pylab import mpl mpl.rcParams['font.sans-serif']=['SimHei'] 使用tushare獲取浦發銀行（代碼：600000）數據。 #使用tushare舊版接口獲取數據 import tushare as ts def get_data(code,start='2010-01-01',end='2020-03-31'): df=ts.get_k_data(code,autype='qfq',start=start,end=end) df.index=pd.to_datetime(df.date) df['openinterest']=0 df=df[['open','high','low','close','volume','openinterest']] return df dataframe=get_data('600000') 回測設置（Cerebro） 回測設置主要包括幾項：回測系統初始化，數據加載到回測系統，添加交易策略， broker設置（如交易資金和交易傭金），頭寸規模設置作為策略一部分的交易規模等，最後顯示執行交易策略時積累的總資金和凈收益。 # 初始化cerebro回測系統設置 cerebro = bt.Cerebro #將數據傳入回測系統 cerebro.adddata(data) # 將交易策略加載到回測系統中 cerebro.addstrategy(my_strategy1) # 設置初始資本為10,000 startcash = 10000 cerebro.broker.setcash(startcash) # 設置交易手續費為 0.2% cerebro.broker.setcommission(commission=0.002) 04執行回測 輸出回測結果。 print(f'凈收益: {round(pnl,2)}') d1=start.strftime('%Y%m%d') d2=end.strftime('%Y%m%d') print(f'初始資金: {startcash} 回測期間：{d1}:{d2}') #運行回測系統 cerebro.run #獲取回測結束後的總資金 portvalue = cerebro.broker.getvalue pnl = portvalue - startcash #列印結果 print(f'總資金: {round(portvalue,2)}') 結果如下： 初始資金: 10000 回測期間：20100331:20200331 總資金: 12065.36 凈收益: 2065.3605可視化 對上述結果進行可視化，使用內置的matplotlib畫圖。至此，簡單的單均線回測就完成了。下面圖形展示了浦發銀行在回測期間的價格走勢、買賣點和交易總資金的變化等。當然，本文著重以最簡化的例子展示backtrader的框架和運行過程，要想更詳細的展示回測過程和結果，還需要加入其他函數和模塊，關於Analyzers分析模塊的應用請留意下一篇推文。 %matplotlib inline #在jupyter notebook上運行 cerebro.plot(style='candlestick') ... backtrader是目前功能最完善的Python量化回測框架之一（單機版），得到歐洲很多銀行、基金等金融機構的青睞，並應用於實盤交易中。作為入門序列之一，本文簡單介紹了backtrader框架的各個組成部分，然後以20日單均線策略為例，展示了回測系統的編程和運行。公眾號接下來將以專題的形式為大家全面介紹backtrader的應用。學習沒有捷徑，要想全面而深入地學習backtrader回測框架，最好的方法是研讀其官方文檔。 參考資料：backtrader官方文檔 關於Python金融量化

文章來源取自於：

壹讀 https://read01.com/d03LAg2.html

博客來 https://www.books.com.tw/exep/assp.php/888words/products/0010549408

如有侵權，請來信告知，我們會立刻下架。

DMCA：dmca(at)kubonews.com

聯絡我們：contact(at)kubonews.com

台北鍍鋅銅線設備整改與改機符合CE認證彰化巧克力糖整廠設備設備整改與改機符合CE認證台南波紋管/浪形管/蛇管 製造機設備整改與改機符合CE認證台中超音波花邊打洞機設備整改與改機符合CE認證
推薦壓力設備CE輔導認證的檢驗公司 台中PVC異型押出機設備整改與改機符合CE認證推薦針對歐盟機械產品CE認證的檢驗公司 員林重型營建機械用零件設備整改與改機符合CE認證推薦CE認證快速檢驗的公司 台南拉布機設備整改與改機符合CE認證EN 149-EN 14683口罩(面罩)台南CE認證測試單位 台中無機房電梯設備整改與改機符合CE認證