backtrader量化回测超省力入门系列（2）：回测基本步骤

使用Backtrader进行五日均线策略回测教程

一、策略概述

本教程通过Backtrader框架实现一个简单的五日均线策略，具体规则如下：

• 买入条件：当收盘价上穿五日均线，且当前无持仓时，试价买入100股。
• 卖出条件：当收盘价下破五日均线，且当前有持仓时，试价卖出100股。
• 初始条件：初始股票仓位为0，初始资金10000元。

二、数据准备

1. 数据源

使用CSV格式的股票行情数据（示例为浦发银行前复权数据，文件名“600000q全幅全.csv”），包含以下关键列（从0开始索引）：

• 第2列：交易日期
• 第3列：开盘价
• 第4列：最高价
• 第5列：最低价
• 第6列：收盘价
• 第10列：成交量

2. 复权数据的重要性

回测时需使用复权数据以保证价格一致性，需特别注意：

• 前复权：将历史价格统一调整为当前价格水平，方便观察价格趋势与实际价格的一致性，但可能导致分红时出现负数价格，回测收益率可能失真（未考虑分红再投资）。
• 后复权：将当前价格追溯调整为历史价格水平，能准确反映分红再投资的收益率，实际回测中应优先使用后复权数据，避免前复权可能导致的价格异常和收益率计算错误。

三、回测基本步骤

1. 创建策略类

定义策略类（如SMA），实现五日均线策略的核心逻辑，包括初始化（__init__）、数据处理（计算五日均线）、买卖信号判断（next方法）等。

2. 初始化Backtrader引擎

创建Backtrader引擎实例（cerebro，西班牙语“大脑”之意，即策略引擎），负责协调策略、数据、分析器等组件的交互。

3. 加载行情数据

• 通过bt.feeds.GenericCSVData类读取CSV文件，需指定关键参数：
  • 日期列索引（dtformat）、开盘价/最高价/最低价/收盘价/成交量列索引（openidx/highidx/lowidx/closeidx/volidx）；
  • 若数据中无“未平仓量”列（如A股数据），需将openinterestidx设为-1；
• 通过cerebro.adddata(data)将数据对象注入引擎。

4. 注入策略类

通过cerebro.addstrategy(SMA)将自定义策略类注入引擎，引擎会自动实例化策略并执行逻辑。

5. 设置初始资金

通过cerebro.broker.setcash(10000)设置初始资金为10000元。

6. 执行回测

调用cerebro.run()启动回测流程，引擎会按时间序列逐笔处理数据并触发策略逻辑。

7. 结果分析

• 通过cerebro.broker.getvalue()获取最终市值；
• 通过cerebro.plot()可视化回测结果（如资产曲线、价格走势等）。

四、代码实现要点

数据读取关键参数配置示例：

data = bt.feeds.GenericCSVData(
    dataname=file_path,
    dtformat=('%Y-%m-%d'),  # 日期格式
    datetime=2,  # 日期列索引（第2列）
    open=3,       # 开盘价列索引（第3列）
    high=4,       # 最高价列索引（第4列）
    low=5,        # 最低价列索引（第5列）
    close=6,      # 收盘价列索引（第6列）
    volume=10,    # 成交量列索引（第10列）
    openinterest=-1  # 无未平仓量列，设为-1
)

五、回测结果示例

• 最终市值：10272元（初始资金10000元，收益率约2.72%）；
• 可视化输出：通过cerebro.plot()生成资产净值曲线与价格走势对比图，直观展示策略表现。

总结

Backtrader回测核心流程可概括为：策略类定义→引擎初始化→数据加载→策略注入→资金设置→执行回测→结果分析。实际应用中需重点关注数据质量（如复权处理）和策略逻辑的严谨性，以确保回测结果的可靠性。