BackTrader快速入门

原创已于 2024-10-28 08:50:40 修改 · 3.3k 阅读

39 ·

CC 4.0 BY-SA版权

文章标签：

#量化交易 #BackTrader #量化策略回测

于 2024-10-28 08:37:28 首次发布

量化IT 同时被 3 个专栏收录

41 篇文章

订阅专栏

Python

20 篇文章

订阅专栏

BackTrader

5 篇文章

订阅专栏

一、开发环境构建

MiniConda下载：

wget -c https://repo.continuum.io/miniconda/Miniconda3-latest-Linux-x86_64.sh

赋予可执行权限：

chmod 755 Miniconda3-latest-Linux-x86_64.sh

MiniConda安装：
```
sh Miniconda3-latest-Linux-x86_64.sh
```

.bashrc文件导出Conda路径

export PATH=$PATH:/usr/local/anaconda/bin

增加镜像：

conda config --add channels bioconda
conda config --add channels conda-forge
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/bioconda/

查看已添加Channels
```
conda config --get channels
```
查看Conda环境
```
conda env list
```
创建Conda环境
```
conda create -n python3 python=3
```
切换至Conda环境
```
conda activate python3
```
退出Conda环境
```
conda deactivate
```
删除Conda环境
```
conda remove -n python3 --all
```
查看当前Conda环境已经安装的包
```
conda list
```
查看指定Conda环境的已经安装包
```
conda list -n python3
```
安装包到指定Conda环境
```
conda install -n python3 numpy
```
安装BackTrader
```
pip install BackTrader plotting
```
安装tushare
```
pip install tushare
```
在当前Conda环境安装numpy
```
conda install numpy
```

二、BackTrader简介

1、BackTrader简介

BackTrader是2015年开源的Python量化回测框架（支持实盘交易），功能丰富，操作方便灵活，特性如下：
- 品种多：股票、期货、期权、外汇、数字货币；
- 周期全：Ticks级、秒级、分钟级、日度、周度、月度、年度；
- 速度快：pandas矢量运算、多策略并行运算；
- 组件多：内置Ta-lib技术指标库、PyFlio分析模块、plot绘图模块、参数自动优化等；
- 扩展灵活：可以随意搭配组件扩展开发，支持pyflio、empyrica分析模块库、alphalens多因子分析模块库等；可以集成TensorFlow、PyTorch和Keras等机器学习、神经网络分析模块。
- 社区活跃、帮助文档齐全。
官网：https://www.BackTrader.com/

BackTrader安装：

pip install BackTrader [plotting]
pip index  versions BackTrader # 版本查看

安装并导入BackTrader后，通过__path__属性可以拿到源码的路径。
```
import BackTrader as bt
print(bt.__path__)
```

2、BackTrader模块

在这里插入图片描述

Cerebro：Cerebro是BackTrader的核心模块，处理收集所有数据、运行策略，执行回溯测试，执行交易，策略绩效分析和可视化等。
DataFeeds：加载不同行情数据表格集合到回测框架。
Strategy：根据行情数据实现交易决策，决定具体买卖等动作。
Indicators：指标，如股票相对强弱指标(RSI)、随机指标(KD)、趋向指标(DMI)、平滑异同平均线(MACD)、能量潮(OBV)等。
Orders：订单管理模块。交易订单执行单元触发了相应策略，发出订单信号，报单操作交给Orders处理。BackTrader提供了一套完善的订单管理系统，用户可以通过创建订单对象来执行买入和卖出操作。订单管理系统还支持订单状态的跟踪和管理。Orders将Strategy的触发的交易信号转换为适合Broker执行操作的消息。
Broker：经纪人，交易所角色，收取手续费，管理账户资金。通过设置回测的初始资金、佣金费率、税收费率、滑点率等交易条件，模拟不同的订单类型，限价订单，控制订单的有效期，并根据现金检查订单，计算每次交易的现金和权益，保存交易数据。
- Trade ：成交记录，BackTrader会自动记录每笔交易的详细信息，包括买入价格、卖出价格、手续费等。用户可以通过交易记录进行后续的分析和统计。
- Position ：持仓记录
Analyzers：策略评价指标分析模块，用于分析交易策略的利润和风险，分析交易系统的绩效。BackTrader内置各类评价指标，可以加入到评测对象中，对回测结果进行绩效分析，如年度回报率、卡尔玛比率、夏普率、最大回撤、资金杠杆、仓位资金、组合投资值等。
Observers：观测器，用于记录交易过程，包括现金、权益、费用以及交易动作、买卖订单等数据。
Sizers：仓位管理
Writers：日志记录
回测引擎：BackTrader提供了一个强大的回测引擎，用户可以通过指定回测时间段和初始资金等参数来进行策略回测。执行回测：Cerebro.run()，，回测引擎会模拟真实的交易环境，并根据用户定义的策略进行交易。
可视化分析模块：BackTrader提供了多种分析工具和可视化功能，用户可以对回测结果进行详细的分析和可视化展示，可以增加图示内容，包括收益曲线、风险指标、交易位置等。通过图形的方式显示交易测量回测的结果，绘图显示的结果包括三部分类型：现金及权益、交易损益、买卖动作。绘图设置通过plotinfo来设置，其参数主要有：plot(是否绘图，默认为True)，subplot(是否单独窗口绘图，默认为True，MA类指标该参数为False)，plotname(指标图名，默认为指标类名)，plotabove(绘图位置在数据上方，默认为False)，plotlinelabels， plotymargin， plotyticks，plothlines， plotyhlines， plotforce。

三、Data Feeds

1、行情数据

使用tushare获取历史行情数据，返回pandas的DataFrame格式。

import tushare as ts
import pandas as pd
 

if __name__ == '__main__':
    # 设置Token
    ts.set_token('b31e0ac207a5a45e0f7503aff25bf6bd929b88fe1d017a034ee0d530')
    # 初始化接口
    ts_api = ts.pro_api()
    data = ts_api.daily(ts_code='300750.SZ',
    start_date='20180611', end_date='20210713')
    data.to_csv("300750.csv", header=None, mode='a')

2、Data Feeds

Backtrader中Feeds模块提供了灵活的数据加载和处理功能，支持多种数据源和格式，可以添加一个或者多个股票数据。
BackTrader的feeds.DataBase数据集需要初始化7列数据，分别为：datetime、open、high、low、close、volume、openinterest，其中datetime是索引列。载入自定义行情数据时需要设定每列的含义，比如开盘价在第4列，则open=3。
Feed是一个数据源对象，负责向策略提供时间序列数据，如股票的开盘价、收盘价、成交量等。每个Feed对象代表一个数据源，可以是本地的CSV文件，也可以是实时的股票数据。BackTrader支持多种数据源，包括CSV文件、Pandas DataFrame、实时数据源等。用户可以根据自己的需求选择适合的数据源，并通过数据加载器将数据加载到BackTrader中进行处理。Backtrader内置了多种常用的Feed类：
- GenericCSVData：用于加载通用的CSV格式数据。
- YahooFinanceData：用于从Yahoo Finance下载数据。
- PandasData：用于从Pandas DataFrame加载数据。
- IBData：用于从Interactive Brokers API获取实时数据。

PandasData数据加载方式如下：

 stock_hfq_df = pd.read_csv("../data/000300.SH.csv",index_col='date',parse_dates=True)
 start_date = datetime(2021, 9, 1)  # 回测开始时间
 end_date = datetime(2021, 9, 30)  # 回测结束时间
 data = bt.feeds.PandasData(dataname=stock_hfq_df, fromdate=start_date, todate=end_date)  # 加载数据

Pandas方便进行数据的预处理，是量化数据常用格式数据，为了后续直接获取数据方便处理，统一使用PandasData进行说明。

四、BackTrader回测流程

BackTrader以Cerebro为统一调度中心，数据、策略、回测条件等信息都会导入Cerebro中，并由Cerebro启动和完成回测，最后返回回测结果。
BackTrader各模块各司其职，对模块进行灵活的配置可满足绝大部分的回测需求。回测流程如下：
- 构建策略
  - 确定策略潜在的可调参数；
  - 计算策略中用于生成交易信号的指标；
  - 按需打印交易信息；
  - 编写买入、卖出的交易逻辑。
- 实例化策略引擎Cerebro，由Cerebro来驱动回测
  - 由DataFeeds加载数据，再将加载的数据添加给Cerebro；
  - 将策略添加给Cerebro；
  - 按需添加策略分析指标或观测器；
  - 运行Cerebro.run()执行回测；
  - 运行Cerebro.plot()对回测结果可视化展示

BackTrader回测流程如下：

import BackTrader as bt # 导入 BackTrader
import BackTrader.indicators as btind # 导入策略分析模块
import BackTrader.feeds as btfeeds # 导入数据模块

# 创建策略
class TestStrategy(bt.Strategy):
    # 可选，设置回测的可变参数：如移动均线的周期
    params = (
        (...,...), # 最后一个“,”最好别删！
    )
    def log(self, txt, dt=None):
        '''可选，构建策略打印日志的函数：可用于打印订单记录或交易记录等'''
        dt = dt or self.datas[0].datetime.date(0)
        print('%s, %s' % (dt.isoformat(), txt))

    def __init__(self):
        '''必选，初始化属性、计算指标等'''
        pass

    def notify_order(self, order):
        '''可选，打印订单信息'''
        pass

    def notify_trade(self, trade):
        '''可选，打印交易信息'''
        pass

    def next(self):
        '''必选，编写交易策略逻辑'''
        sma = btind.SimpleMovingAverage(...) # 计算均线
        pass

# 实例化 Cerebro
Cerebro = bt.Cerebro()
# 通过 feeds 读取数据
data = btfeeds.BackTraderCSVData(...)
# 将数据传递给 “大脑”
Cerebro.adddata(data)
# 通过经纪商设置初始资金
Cerebro.broker.setcash(...)
# 设置单笔交易的数量
Cerebro.addsizer(...)
# 初始资金 100,000,000
Cerebro.broker.setcash(100000.0)
# 设置交易佣金，双边各0.0003
Cerebro.broker.setcommission(commission=0.0003)
# 设置滑点：双边各0.0001
Cerebro.broker.set_slippage_perc(perc=0.0001)
# 添加策略
Cerebro.addstrategy(TestStrategy)
# 添加策略分析指标
Cerebro.addanalyzer(...)
# 添加观测器
Cerebro.addobserver(...)
# 启动回测
Cerebro.run()
# 可视化回测结果
Cerebro.plot()

1、Cerebro实例

Cerebro = bt.Cerebro(**kwargs)
Cerebro = bt.Cerebro(runonce=True, preload=True)

决定预装载和操作模式。runonce模式下，必须使用preload，如果没有启用preload，批量处理就不会进行。启用preload时，却不必使用runonce。

2、添加数据

data = bt.BackTraderCSVData(dataname=**'path.days'**, timeframe=bt.TimeFrame.Days)
Cerebro.adddata(data)

BackTrader的数据集要求是datetime ，必须做好转换才能载入数据。

3、重采样数据

data = bt.BackTraderCSVData(dataname=**'mypath.min'**, timeframe=bt.TimeFrame.Minutes)
Cerebro.resampledata(data, timeframe=bt.TimeFrame.Days)

重采样数据是将粒度小的数据重新抽样为粒度大的数据，例如日线转为周线。

4、数据回放

data = bt.BackTraderCSVData(dataname=**'mypath.min'**, timeframe=bt.TimeFrame.Minutes)
Cerebro.replaydata(data, timeframe=bt.TimeFrame.Days)

数据回放是将粒度小的数据替代大粒度数据，比如用分钟线重演替代日线。

5、添加交易策略

BackTrader提供了一个基类Strategy，用户可以继承Strategy类并实现自己的交易策略。策略类中定义了一系列的回调函数，用户可以在回测函数中编写具体的交易逻辑。策略类代码包含重要的参数和用于执行策略的功能，要定义的参数或函数名如下：
- params：全局参数，可选，用于更改交易策略中变量/参数的值，可用于参数调优。
- init：用于初始化交易策略，类中使用的全局变量定义，在其中声明的任何指标都会在next()方法调用之前进行计算。部分python操作符不支持，需要使用bt内置函数来处理，例如bt.And, bt.Or, bt.All, bt.Any等。
- notify_order：可选，用于跟踪交易订单的状态。order具有提交，接受，买入/卖出执行和价格，已取消/拒绝等状态。
- notify_trade：可选，用于跟踪交易的状态，任何已平仓的交易都将报告毛利和净利润。
- next：必选，用于制定交易策略的函数，策略模块最核心的部分。当满足所有data/indicators的最小周期后，执行将对所有剩余数据点调用。如period是10 ，最小周期达到后，开始执行next方法。
- nextstart()：可选，方法执行一次，在最小周期的data/indicators满足时，默认执行next方法。如period是10 ，在到达9执行最小周期达到后，执行一次nextstart，之后执行next方法。
- prenext()：可选，方法将在所有数据/指标的最小周期满足策略开始执行之前调用执行。如period是10 ，在1到9执行最小周期之间，执行prenext。
- start()：可选，在回测即将开始之前调用，执行一次。
- stop()：可选，在回测即将结束之前调用，执行一次。
- notify_cashvalue()：可选，接收当前使用的资金余额
- notify_fund()：可选，策略的资金和价值发生变化时被调用。用于跟踪和记录策略的现金、价值、基金价值和持仓股票的数量。

增加交易策略

Cerebro.addstrategy(TestStrategy, myparam1=value1, myparam2=value2)

6、Indicators指标

BackTrader内置了许多常用的技术指标并集成了TA-Lib库，如移动平均线SMA、MACD、RSI等。用户可以通过指标类来计算指标，并在策略中使用。
使用SMA指标(n日的收盘价平均线)和收盘价来确定股票买卖的触发条件。通过判定收盘价和n日期内的均线，是否有交叉来判定买卖，比如收盘价上穿过均线，就购买，当收盘价下穿均线就是卖出。

class TestStrategy(bt.Strategy):
   # 自定义均线的实践间隔，默认是5天
   params = (
       ('maperiod', 5),
   )
   def log(self, txt, dt=None):
       ''' Logging function for this strategy'''
       dt = dt or self.datas[0].datetime.date(0)
       print('%s, %s' % (dt.isoformat(), txt))

   def __init__(self):
       # Keep a reference to the "close" line in the data[0] dataseries
       self.dataclose = self.datas[0].close
       # To keep track of pending orders
       self.order = None
       # buy price
       self.buyprice = None
       # buy commission
       self.buycomm = None
       # 增加均线，简单移动平均线（SMA）又称“算术移动平均线”，是指对特定期间的收盘价进行简单平均化
       self.sma = bt.indicators.SimpleMovingAverage(
           self.datas[0], period=self.params.maperiod)
   #订单状态改变回调方法 be notified through notify_order(order) of any status change in an order
   def notify_order(self, order):
       if order.status in [order.Submitted, order.Accepted]:
           # Buy/Sell order submitted/accepted to/by broker - Nothing to do
           return
       # Check if an order has been completed
       # Attention: broker could reject order if not enough cash
       if order.status in [order.Completed]:
           if order.isbuy():
               self.log(
                   'BUY EXECUTED, Price: %.2f, Cost: %.2f, Comm %.2f' %
                   (order.executed.price,
                    order.executed.value,
                    order.executed.comm))
               self.buyprice = order.executed.price
               self.buycomm = order.executed.comm
           elif order.issell():
              self.log('SELL EXECUTED, Price: %.2f, Cost: %.2f, Comm %.2f' %
                        (order.executed.price,
                         order.executed.value,
                         order.executed.comm))
           self.bar_executed = len(self)
       elif order.status in [order.Canceled, order.Margin, order.Rejected]:
           self.log('Order Canceled/Margin/Rejected')
       # Write down: no pending order
       self.order = None

   #交易状态改变回调方法 be notified through notify_trade(trade) of any opening/updating/closing trade
   def notify_trade(self, trade):
       if not trade.isclosed:
           return
       # 每笔交易收益 毛利和净利
       self.log('OPERATION PROFIT, GROSS %.2f, NET %.2f' %
                (trade.pnl, trade.pnlcomm))

   def next(self):
       # Simply log the closing price of the series from the reference
       self.log('Close, %.2f' % self.dataclose[0])
       # Check if an order is pending ... if yes, we cannot send a 2nd one
       if self.order:
           return
       # Check if we are in the market(当前账户持股情况，size，price等等)
       if not self.position:
           # Not yet ... we MIGHT BUY if ...
           if self.dataclose[0] >= self.sma[0]:
               #当收盘价，大于等于均线的价格
               # BUY, BUY, BUY!!! (with all possible default parameters)
               self.log('BUY CREATE, %.2f' % self.dataclose[0])
               # Keep track of the created order to avoid a 2nd order
               self.order = self.buy()
       else:
           # Already in the market ... we might sell
           if self.dataclose[0] < self.sma[0]:
               #当收盘价，小于均线价格
               # SELL, SELL, SELL!!! (with all possible default parameters)
               self.log('SELL CREATE, %.2f' % self.dataclose[0])
               # Keep track of the created order to avoid a 2nd order
               self.order = self.sell()

修改自定义策略中的next方法，判断5日均线和每日收盘价的大小，来判断是否买卖。目前默认参数设置为3，为三日。通过传入参数5，实现5日。

7、参数优化

Cerebro.optstrategy(MyStrategy, myparam1=range(10, 20))

设置参数优化方案

8、交易管理

# 设置投资金额1000000.0 
Cerebro.broker.setcash(1000000.0) 
# 每笔交易使用固定交易量  
Cerebro.addsizer(bt.sizers.FixedSize, stake=100) 
# 设置佣金为0.001,除以100去掉%号  
Cerebro.broker.setcommission(commission=0.001)

设置交易条件：现金、头寸管理、佣金、滑点等

9、观测器

BackTrader提供三个标准观测器：
- bt.observers.Broker：现金和价值
- bt.observers.Trades：交易
- bt.observers.BuySell：买卖下单

观测器存在于BackTrader.observers子模块中。 Cerebro有参数支持自动添加(或不添加)观测器到策略中：

Cerebro = bt.Cerebro() #默认参数: stdstats=True 
Cerebro.addobserver(bt.observers.Broker) 
Cerebro.addobserver(bt.observers.Trades) 
Cerebro.addobserver(bt.observers.BuySell)

stdstats默认值True
重复增加时会显示多次。

BackTrader.observers.BuySell：记录了回测过程中的买入和卖出信号；可视化时，会在价格曲线上标注买卖点；
BackTrader.observers.Trades：记录了回测过程中每次交易的盈亏(从买入建仓到卖出清仓算一次交易)；可视化时，会绘制盈亏点；
BackTrader.observers.TimeReturn：记录了回测过程中的收益序列；可视化时，会绘制TimeReturn收益曲线；
BackTrader.observers.DrawDown：记录了回测过程的回撤序列；可视化时，绘制回撤曲线；
BackTrader.observers.Benchmark：记录了业绩基准的收益序列，业绩基准的数据必须事先通过 adddata、resampledata、replaydata 等数据添加函数添加进大脑中 Cerebro；可视化时，会同时绘制策略本身的收益序列(即：BackTrader.observers.TimeReturn 绘制的收益曲线)和业绩基准的收益曲线。

10、评价指标

BackTrader通过Analyzer对投资策略的性能提供评价，用于分析交易策略的利润和风险，分析交易系统的绩效，提供的策略评价指标如下：
- AnnualReturn：年化收益率
- Calmar：Calmar比率，年化收益率与最大回撤的比值
- DrawDown：计算回撤
- TimeDrawDown：期间回撤
- GrossLeverage：杠杆率
- PositionsValue：头寸价值
- PyFolio：与pyfolio库交互
- LogReturnsRolling：滚动对数收益率
- PeriodStats：期间统计指标
- Returns：收益率
- SharpeRatio：夏普比率
- SharpeRatio_A：年化夏普比率
- SQN：策略绩效衡量指标
- TimeReturn：期间收益
- TradeAnalyzer：交易分析指标
- Transactions：交易成本
- VWR：波动性加权收益率

添加分析评价指标代码如下：

# 添加分析评价指标
Cerebro.addanalyzer(ancls, *args, **kwargs)

tframes = dict(
    days=bt.TimeFrame.Days,
    weeks=bt.TimeFrame.Weeks,
    months=bt.TimeFrame.Months,
    years=bt.TimeFrame.Years)
Cerebro.addanalyzer(bt.analyzers.SharpeRatio, _name='SharpeRatio')
Cerebro.addanalyzer(bt.analyzers.DrawDown,_name = 'DrawDown')
Cerebro.addanalyzer(bt.analyzers.AnnualReturn,_name = 'AnnualReturn')
Cerebro.addanalyzer(bt.analyzers.SQN,_name = 'SQN')
Cerebro.addanalyzer(bt.analyzers.TradeAnalyzer,_name = 'TradeAnalyzer')
Cerebro.addanalyzer(bt.analyzers.PositionsValue,_name = 'PositionsValue')
Cerebro.addanalyzer(bt.analyzers.Returns,_name = 'Returns')
Cerebro.addanalyzer(bt.analyzers.LogReturnsRolling,timeframe=tframes['years'],_name = 'LogReturnsRolling')
Cerebro.addanalyzer(bt.analyzers.Transactions, _name='Transactions')

评价指标使用示例如下：

# -*- coding: utf-8 -*-

from __future__ import (absolute_import, division, print_function,
                        unicode_literals)

import datetime  # For datetime objects
import pandas as pd
import BackTrader as bt
import numpy as np

# SMA Stratey
class SMAStrategy(bt.Strategy):
    params = (
        ('ssa_window', 15),
        ('maperiod', 15),
    )

    def log(self, txt, dt=None):
        ''' Logging function fot this strategy'''
        dt = dt or self.datas[0].datetime.date(0)
        print('%s, %s' % (dt.isoformat(), txt))

    def __init__(self):
        # Keep a reference to the "close" line in the data[0] dataseries
        self.dataclose = self.datas[0].close

        # To keep track of pending orders and buy price/commission
        self.order = None
        self.buyprice = None
        self.buycomm = None

        self.sma = bt.indicators.SimpleMovingAverage(
            self.datas[0], period=self.params.maperiod)
    def notify_order(self, order):
        if order.status in [order.Submitted, order.Accepted]:
            return

        if order.status in [order.Completed]:
            if order.isbuy():
                self.log(
                    'BUY EXECUTED, Price: %.2f, Cost: %.2f, Comm %.2f' %
                    (order.executed.price,
                     order.executed.value,
                     order.executed.comm))

                self.buyprice = order.executed.price
                self.buycomm = order.executed.comm
            else:  # Sell
                self.log('SELL EXECUTED, Price: %.2f, Cost: %.2f, Comm %.2f' %
                         (order.executed.price,
                          order.executed.value,
                          order.executed.comm))

            self.bar_executed = len(self)

        elif order.status in [order.Canceled, order.Margin, order.Rejected]:
            self.log('Order Canceled/Margin/Rejected')

        self.order = None

    def notify_trade(self, trade):
        if not trade.isclosed:
            return

        self.log('OPERATION PROFIT, GROSS %.2f, NET %.2f' %
                 (trade.pnl, trade.pnlcomm))

    def next(self):
        self.log('Close, %.2f' % self.dataclose[0])
        if self.order:
            return
        if not self.position:
            if self.dataclose[0] > self.sma[0]:
                self.log('BUY CREATE, %.2f' % self.dataclose[0])
                self.order = self.buy()
        else:
            if self.dataclose[0] < self.sma[0]:
                self.log('SELL CREATE, %.2f' % self.dataclose[0])
                self.order = self.sell()

if __name__ == '__main__':
    Cerebro = bt.Cerebro()
    Cerebro.addstrategy(SMAStrategy)
    dataframe = pd.read_csv('dfqc.csv', index_col=0, parse_dates=True)
    dataframe['openinterest'] = 0
    data = bt.feeds.PandasData(dataname=dataframe,
                            fromdate = datetime.datetime(2015, 1, 1),
                            todate = datetime.datetime(2016, 12, 31)
                            )
    Cerebro.adddata(data)
    Cerebro.broker.setcash(100.0)
    Cerebro.addsizer(bt.sizers.FixedSize, stake=10)
    Cerebro.broker.setcommission(commission=0.0)
    print('Starting Portfolio Value: %.2f' % Cerebro.broker.getvalue())
    # 增加SharpeRatio，名称为SharpeRatio
    Cerebro.addanalyzer(bt.analyzers.SharpeRatio, _name = 'SharpeRatio')
    # 增加DrawDown，名称为DW
    Cerebro.addanalyzer(bt.analyzers.DrawDown, _name='DW')
    results = Cerebro.run()
    strat = results[0]
    print('Final Portfolio Value: %.2f' % Cerebro.broker.getvalue())
    # 查看SharpeRatio
    print('SR:', strat.analyzers.SharpeRatio.get_analysis())
    # 查看DW
    print('DW:', strat.analyzers.DW.get_analysis())
    Cerebro.plot()

11、策略回测

result = Cerebro.run(**kwargs)

执行回测

12、结果可视化

Cerebro.plot()

绘制策略执行结果。
如果在jupyter notebook中直接绘图，报错Javascript Error: IPython is not defined，需要在代码中增加%matplotlib inline，然后调用绘图`Cerebro.plot(iplot=False)
-推荐参考学习资料：
量化IT技术专栏
 QuantFabric开源量化交易系统
 量化IT工程师实战