Backtrader 文档学习- Observers - Benchmarking

2024-02-05 17:52
文章标签 文档 学习 benchmarking backtrader observers

本文主要是介绍Backtrader 文档学习- Observers - Benchmarking，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

Backtrader 文档学习- Observers - Benchmarking

1.概述

backtrader包括两种不同类型的对象，可以帮助跟踪：

  • Observers 观察者
  • Analyzers 分析器

在分析器领域中，已有TimeReturn对象，用于跟踪整个组合价值（即包括现金）的回报率的演变。
显然作为观察者，在添加一些基准测试的同时，还可做一些工作，将观察者和分析器组合在一起，跟踪相同的对象指标。

Observers 和 Analyzers 之间的主要区别：

  • Observers 的lines特性，它记录每个值，更适合绘图和实时查询，当然会消耗更多的内存。
  • Analyzers 通过get_analysis方法返回一组结果，实现可能不会在运行结束之前提供任何结果，所以Analyzers记录最终结果，内存消耗小。

2.Analyzers - Benchmarking

标准的TimeReturn分析器已扩展为支持跟踪数据源。涉及的两个主要参数：

  • timeframe（默认值：None）
    如果为None，则将报告整个回测期间的完整回报
    传递TimeFrame.NoTimeFrame以考虑没有时间限制的整个数据集
  • data（默认值：None）
    跟踪参考资产而不是组合价值。

注意：
此数据必须已经使用addata、resampledata或replaydata将其添加到cerebro实例中

可以跟踪组合的年度回报率

import backtrader as btcerebro = bt.Cerebro()
#年度回报率
cerebro.addanalyzer(bt.analyzers.TimeReturn, timeframe=bt.TimeFrame.Years)...  # add datas, strategies ...results = cerebro.run()
strat0 = results[0]# If no name has been specified, the name is the class name lowercased
# 所有加载数据组合的分析结果
tret_analyzer = strat0.analyzers.getbyname('timereturn')
print(tret_analyzer.get_analysis())

如果跟踪单一数据的回报率：

import backtrader as btcerebro = bt.Cerebro()data = bt.feeds.OneOfTheFeeds(dataname='abcde', ...)
cerebro.adddata(data)
# 分析器指定数据
cerebro.addanalyzer(bt.analyzers.TimeReturn, timeframe=bt.TimeFrame.Years,data=data)...  # add strategies ...results = cerebro.run()
strat0 = results[0]# If no name has been specified, the name is the class name lowercased
# 分析指定数据的分析结果
tret_analyzer = strat0.analyzers.getbyname('timereturn')
print(tret_analyzer.get_analysis())在这里插入代码片

如果两者都要跟踪，最好是给分析器指定名称：

import backtrader as btcerebro = bt.Cerebro()data = bt.feeds.OneOfTheFeeds(dataname='abcde', ...)
cerebro.adddata(data)
#跟踪单一数据的分析器
cerebro.addanalyzer(bt.analyzers.TimeReturn, timeframe=bt.TimeFrame.Years,data=data, _name='datareturns')
#跟踪组合数据的分析器
cerebro.addanalyzer(bt.analyzers.TimeReturn, timeframe=bt.TimeFrame.Years)_name='timereturns')...  # add strategies ...results = cerebro.run()
strat0 = results[0]# If no name has been specified, the name is the class name lowercased
#跟踪组合数据的分析结果
tret_analyzer = strat0.analyzers.getbyname('timereturns')
print(tret_analyzer.get_analysis())
#跟踪单一数据的分析结果
tdata_analyzer = strat0.analyzers.getbyname('datareturns')
print(tdata_analyzer.get_analysis())

3.Observers - Benchmarking

可以参考前面分析器的基准，对比看区别。
由于后台机制允许在观察器内部使用分析器，增加了两个新的观察器:

  • TimeReturn
  • Benchmark

observers和analyzers，两者都使用 bt.analyzers.TimeReturn分析器来收集结果。

与上面的代码不同，完整的示例运行，展示它们的功能区别。

4.Observing TimeReturn

python ./observer-benchmark.py --plot --timereturn --timeframe notimeframe

在这里插入图片描述
注意选项：

  • timereturn 告诉样本只做这件事
  • timeframe notimeframe 告诉分析器考虑整个数据集，而不考虑时间范围。

最后绘制的值为-0.26。

  • 起始现金（从图表中可以明显看出）为50K货币单位，该策略最终为36970货币单位，因此价值下降了-26%。

与图示的回报率一致。

5.Observing Benchmarking

基准测试也将显示timereturn结果，所以让我们在基准测试处于活动状态时运行相同的操作:

python ./observer-benchmark.py --plot --timeframe notimeframe

没有timereturn参数
在这里插入图片描述

  • 策略优于资产:-0.26 vs -0.33
    值得庆祝，但至少清楚，这个策略没有资产那么糟糕。
    可惜上图的0.26 和 0.33 的图示重合了 ，不够清晰。

以年度为基础跟踪：

python ./observer-benchmark.py --plot --timeframe years

在这里插入图片描述

  • 策略最后值从-0.26到-0.27变化很小

  • 另一方面，资产显示的最终值为-0.35（与上面的-0.33相比）

价值如此接近的原因是，从2005年到2006年，策略和基准资产几乎都处于2005年初的起步水平。

切换到较低的时间框架，例如week，整个情况就会发生变化：

python ./observer-benchmark.py --plot --timeframe weeks

在这里插入图片描述
现在：

  • Benchmark观察者显示出紧张（波动）状态，因为现在跟踪组合和数据的每周回报率数字上下波动
  • 由于去年的最后一周没有交易活动，资产几乎没有变动，因此最后显示的值为0.00（最后一周之前的最后收盘价为25.54，样本数据收盘价为25.55，差异体现在第四个小数点上才能区分）

6.Observing Benchmarking - Another data

示例使用不同的数据进行基准测试。默认情况下，使用数据 benchdata1以Oracle公司为基准。考虑使用-time frame not time frame的整个数据集 。

python ./observer-benchmark.py --plot --timeframe notimeframe --benchdata1

在这里插入图片描述
现在就很清楚没有庆祝的理由：

  • 原yahoo数据，策略对于notimeframe没有改变，仍然为-26%（-0.26）
  • 但对oracle数据进行基准测试时，该数据在同一时期内增长了+23%（0.23）

既可以改变策略，也可以改变资产对象，才能更好地进行交易。
可以理解为：策略可能不适用于某个股票，股票可能也不适用于某个策略

7.Concluding

现在有两种使用相同的基础代码/计算来跟踪TimeReturn和Benchmark的方法 ：

  • Observers 观察者（TimeReturn和Benchmark）
  • Analyzer分析器（带有data参数的TimeReturn和TimeReturn）
    当然，基准测试并不能保证盈利，只是比较。

代码的Help

usage: ipykernel_launcher.py [-h] [--data0 DATA0] [--data1 DATA1][--benchdata1] [--fromdate FROMDATE][--todate TODATE] [--printout] [--cash CASH][--period PERIOD] [--stake STAKE] [--timereturn][--timeframe {None,days,weeks,months,years,notimeframe}][--plot [kwargs]]Benchmark/TimeReturn Observers Sampleoptional arguments:-h, --help            show this help message and exit--data0 DATA0         Data0 to be read in (default:./datas/yhoo-1996-2015.txt)--data1 DATA1         Data1 to be read in (default:./datas/orcl-1995-2014.txt)--benchdata1          Benchmark against data1 (default: False)--fromdate FROMDATE   Starting date in YYYY-MM-DD format (default:2005-01-01)--todate TODATE       Ending date in YYYY-MM-DD format (default: 2006-12-31)--printout            Print data lines (default: False)--cash CASH           Cash to start with (default: 50000)--period PERIOD       Period for the crossover moving average (default: 30)--stake STAKE         Stake to apply for the buy operations (default: 1000)--timereturn          Use TimeReturn observer instead of Benchmark (default:None)--timeframe {None,days,weeks,months,years,notimeframe}TimeFrame to apply to the Observer (default: None)--plot [kwargs], -p [kwargs]Plot the read data applying any kwargs passed Forexample: --plot style="candle" (to plot candles)(default: None)

8.代码

from __future__ import (absolute_import, division, print_function,unicode_literals)import argparse
import datetime
import randomimport backtrader as btclass St(bt.Strategy):params = (('period', 10),('printout', False),('stake', 1000),)def __init__(self):sma = bt.indicators.SMA(self.data, period=self.p.period)self.crossover = bt.indicators.CrossOver(self.data, sma)def start(self):if self.p.printout:txtfields = list()txtfields.append('Len')txtfields.append('Datetime')txtfields.append('Open')txtfields.append('High')txtfields.append('Low')txtfields.append('Close')txtfields.append('Volume')txtfields.append('OpenInterest')print(','.join(txtfields))def next(self):if self.p.printout:# Print only 1st data ... is just a check that things are runningtxtfields = list()txtfields.append('%04d' % len(self))txtfields.append(self.data.datetime.datetime(0).isoformat())txtfields.append('%.2f' % self.data0.open[0])txtfields.append('%.2f' % self.data0.high[0])txtfields.append('%.2f' % self.data0.low[0])txtfields.append('%.2f' % self.data0.close[0])txtfields.append('%.2f' % self.data0.volume[0])txtfields.append('%.2f' % self.data0.openinterest[0])print(','.join(txtfields))if self.position:if self.crossover < 0.0:if self.p.printout:print('CLOSE {} @%{}'.format(size,self.data.close[0]))self.close()else:if self.crossover > 0.0:self.buy(size=self.p.stake)if self.p.printout:print('BUY   {} @%{}'.format(self.p.stake,self.data.close[0]))TIMEFRAMES = {None: None,'days': bt.TimeFrame.Days,'weeks': bt.TimeFrame.Weeks,'months': bt.TimeFrame.Months,'years': bt.TimeFrame.Years,'notimeframe': bt.TimeFrame.NoTimeFrame,
}def runstrat(args=None):args = parse_args(args)cerebro = bt.Cerebro()cerebro.broker.set_cash(args.cash)dkwargs = dict()if args.fromdate:fromdate = datetime.datetime.strptime(args.fromdate, '%Y-%m-%d')dkwargs['fromdate'] = fromdateif args.todate:todate = datetime.datetime.strptime(args.todate, '%Y-%m-%d')dkwargs['todate'] = todatedata0 = bt.feeds.YahooFinanceCSVData(dataname=args.data0, **dkwargs)cerebro.adddata(data0, name='Data0')cerebro.addstrategy(St,period=args.period,stake=args.stake,printout=args.printout)if args.timereturn:cerebro.addobserver(bt.observers.TimeReturn,timeframe=TIMEFRAMES[args.timeframe])else:benchdata = data0if args.benchdata1:data1 = bt.feeds.YahooFinanceCSVData(dataname=args.data1, **dkwargs)cerebro.adddata(data1, name='Data1')benchdata = data1cerebro.addobserver(bt.observers.Benchmark,data=benchdata,timeframe=TIMEFRAMES[args.timeframe])cerebro.run()if args.plot:pkwargs = dict()if args.plot is not True:  # evals to True but is not Truepkwargs = eval('dict(' + args.plot + ')')  # args were passedcerebro.plot(**pkwargs)def parse_args(pargs=None):parser = argparse.ArgumentParser(formatter_class=argparse.ArgumentDefaultsHelpFormatter,description='Benchmark/TimeReturn Observers Sample')parser.add_argument('--data0', required=False,default='../../datas/yhoo-1996-2015.txt',help='Data0 to be read in')parser.add_argument('--data1', required=False,default='../../datas/orcl-1995-2014.txt',help='Data1 to be read in')parser.add_argument('--benchdata1', required=False, action='store_true',help=('Benchmark against data1'))parser.add_argument('--fromdate', required=False,default='2005-01-01',help='Starting date in YYYY-MM-DD format')parser.add_argument('--todate', required=False,default='2006-12-31',help='Ending date in YYYY-MM-DD format')parser.add_argument('--printout', required=False, action='store_true',help=('Print data lines'))parser.add_argument('--cash', required=False, action='store',type=float, default=50000,help=('Cash to start with'))parser.add_argument('--period', required=False, action='store',type=int, default=30,help=('Period for the crossover moving average'))parser.add_argument('--stake', required=False, action='store',type=int, default=1000,help=('Stake to apply for the buy operations'))parser.add_argument('--timereturn', required=False, action='store_true',default=None,help=('Use TimeReturn observer instead of Benchmark'))parser.add_argument('--timeframe', required=False, action='store',default=None, choices=TIMEFRAMES.keys(),help=('TimeFrame to apply to the Observer'))# Plot optionsparser.add_argument('--plot', '-p', nargs='?', required=False,metavar='kwargs', const=True,help=('Plot the read data applying any kwargs passed\n''\n''For example:\n''\n''  --plot style="candle" (to plot candles)\n'))if pargs:return parser.parse_args(pargs)return parser.parse_args()if __name__ == '__main__':runstrat()

这篇关于Backtrader 文档学习- Observers - Benchmarking的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/681712。

相关文章

SpringBoot3集成swagger文档的使用方法

SpringBoot3集成swagger文档的使用方法

《SpringBoot3集成swagger文档的使用方法》本文介绍了Swagger的诞生背景、主要功能以及如何在SpringBoot3中集成Swagger文档,Swagger可以帮助自动生成API文档... 目录一、前言1. API 文档自动生成2. 交互式 API 测试3. API 设计和开发协作二、使用
阅读更多...
基于C#实现将图片转换为PDF文档

基于C#实现将图片转换为PDF文档

《基于C#实现将图片转换为PDF文档》将图片（JPG、PNG）转换为PDF文件可以帮助我们更好地保存和分享图片,所以本文将介绍如何使用C#将JPG/PNG图片转换为PDF文档,需要的可以参考下... 目录介绍C# 将单张图片转换为PDF文档C# 将多张图片转换到一个PDF文档介绍将图片（JPG、PNG）转
阅读更多...
HarmonyOS学习(七)——UI（五）常用布局总结

HarmonyOS学习(七)——UI（五）常用布局总结

自适应布局 1.1、线性布局（LinearLayout） 通过线性容器Row和Column实现线性布局。Column容器内的子组件按照垂直方向排列，Row组件中的子组件按照水平方向排列。 属性说明space通过space参数设置主轴上子组件的间距，达到各子组件在排列上的等间距效果alignItems设置子组件在交叉轴上的对齐方式，且在各类尺寸屏幕上表现一致，其中交叉轴为垂直时，取值为Vert
阅读更多...
Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya（不是本人，claude AI）在社交媒体上分享了他在OpenAI学习到的15个Prompt撰写技巧。 以下是详细的内容： 提示精确化:在编写提示时,力求表达清晰准确。清楚地阐述任务需求和概念定义至关重要。例:不用"分析文本",而用"判断这段话的情感倾向:积极、消极还是中性"。 快速迭代:善于快速连续调整提示。熟练的提示工程师能够灵活地进行多轮优化。例:从"总结文章"到"用
阅读更多...
【前端学习】AntV G6-08 深入图形与图形分组、自定义节点、节点动画（下）

【前端学习】AntV G6-08 深入图形与图形分组、自定义节点、节点动画（下）

【课程链接】 AntV G6：深入图形与图形分组、自定义节点、节点动画（下）_哔哩哔哩_bilibili 本章十吾老师讲解了一个复杂的自定义节点中，应该怎样去计算和绘制图形，如何给一个图形制作不间断的动画，以及在鼠标事件之后产生动画。（有点难，需要好好理解） <!DOCTYPE html><html><head><meta charset="UTF-8"><title>06
阅读更多...
学习hash总结

学习hash总结

2014/1/29/   最近刚开始学hash，名字很陌生，但是hash的思想却很熟悉，以前早就做过此类的题，但是不知道这就是hash思想而已，说白了hash就是一个映射，往往灵活利用数组的下标来实现算法，hash的作用：1、判重；2、统计次数；
阅读更多...
活用c4d官方开发文档查询代码

活用c4d官方开发文档查询代码

当你问AI助手比如豆包，如何用python禁止掉xpresso标签时候，它会提示到 这时候要用到两个东西。https://developers.maxon.net/论坛搜索和开发文档 比如这里我就在官方找到正确的id描述 然后我就把参数标签换过来
阅读更多...
零基础学习Redis(10) -- zset类型命令使用

零基础学习Redis(10) -- zset类型命令使用

zset是有序集合，内部除了存储元素外，还会存储一个score，存储在zset中的元素会按照score的大小升序排列，不同元素的score可以重复，score相同的元素会按照元素的字典序排列。 1. zset常用命令 1.1 zadd  zadd key [NX | XX] [GT | LT]   [CH] [INCR] score member [score member ...]
阅读更多...
【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言 高斯过程（Gaussian Process，简称GP）是一种概率模型，用于描述一组随机变量的联合概率分布，其中任何一个有限维度的子集都具有高斯分布 文章目录 引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数（或核函数） 1.3 核函数1.4 高斯过程回归（Gauss
阅读更多...
【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络（1）sklearn

【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络（1）sklearn

系列文章目录 监督学习：参数方法 【学习笔记】 陈强-机器学习-Python-Ch4 线性回归 【学习笔记】 陈强-机器学习-Python-Ch5 逻辑回归 【课后题练习】 陈强-机器学习-Python-Ch5 逻辑回归（SAheart.csv） 【学习笔记】 陈强-机器学习-Python-Ch6 多项逻辑回归 【学习笔记 及 课后题练习】 陈强-机器学习-Python-Ch7 判别分析 【学
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2