fastquant仅用3行代码封装了backtrader和回测交易策略

1 概述

为了进一步简化backtrader的操作，Github上有人封装了backtrader，形成了一个新的框架fastquant，可以大大简化backtrader的开发比特币案例分析，对初学者可能会有帮助。 其框架和战略结构也对退伍军人有参考意义。

2个用例

一、安装框架：pip install fastquant

2.1 股票经典双均线策略回测

下面三行代码从在线api中提取菲律宾股市“JFC”的每日数据，然后使用经典的双均线策略进行回测。

from fastquant import backtest, get_stock_data
jfc = get_stock_data("JFC", "2018-01-01", "2019-01-01",format="ohlcv")
backtest('smac', jfc, fast_period=15, slow_period=40)
# Starting Portfolio Value: 100000.00
# Final Portfolio Value: 1002272.90

代码分析：

（1）get_stock_data函数：可以从yahoo finance中提取美股数据（需要翻墙，比如提取特斯拉的数据 tsla = get_stock_data("TSLA", "2018-01-01", "2019-01- 01", format="ohlcv")), 这里是菲律宾股市的数据，不用翻墙。 可以修改此功能支持提取中国股票数据的功能，比如从baostock中提取数据。 返回熊猫数据框。

(2)回测功能：这里的smac是框架提供的内置双均线策略。 策略文件可以在python框架的安装位置找到。 目前，支持以下策略。 您还可以添加自己制定的策略。

backtest 的第二个参数接收 dataframe 或 csv 文件路径。 默认情况下，此策略买入所有头寸并卖出所有头寸。 可以通过参数改变买卖金额比例，比如backtest("smac", jfc, buy_prop=0.50, sell_prop=0.50, commission=0.01)

读者可以运行上面的代码来观察结果。

如果你进入回测功能查看，你会看到作者是如何封装backtrader的，非常简单。

2.2 新闻情绪策略

根据新闻分析情绪并进行交易。 例如下面的代码提取特斯拉相关新闻，进行情绪分析和交易（代码需要翻墙才能运行）。

from fastquant import get_yahoo_data, get_bt_news_sentiment
data = get_yahoo_data("TSLA", "2020-01-01", "2020-07-04")
sentiments = get_bt_news_sentiment(keyword="tesla", page_nums=3)
backtest("sentiment", data, sentiments=sentiments, senti=0.2)
# Starting Portfolio Value: 100000.00
# Final Portfolio Value: 313198.37
# Note: Unfortunately, you can't recreate this scenario due to inconsistencies in the dates and sentiments that is scraped by get_bt_news_sentiment. In order to have a quickstart with News Sentiment Strategy you need to make the dates consistent with the sentiments that you are scraping.
from fastquant import get_yahoo_data, get_bt_news_sentiment
from datetime import datetime, timedelta

# we get the current date and delta time of 30 days
current_date = datetime.now().strftime("%Y-%m-%d")
delta_date = (datetime.now() - timedelta(30)).strftime("%Y-%m-%d")
data = get_yahoo_data("TSLA", delta_date, current_date)
sentiments = get_bt_news_sentiment(keyword="tesla", page_nums=3)
backtest("sentiment", data, sentiments=sentiments, senti=0.2)

2.3 多种策略同时运行

以下代码同时执行多个策略，同时优化策略参数。

df = get_stock_data("JFC", "2018-01-01", "2019-01-01")
# Utilize single set of parameters
strats = { 
    "smac": {"fast_period": 35, "slow_period": 50}, 
    "rsi": {"rsi_lower": 30, "rsi_upper": 70} 

} 
res = backtest("multi", df, strats=strats)
res.shape
# (1, 16)
# Utilize auto grid search
strats_opt = { 
    "smac": {"fast_period": 35, "slow_period": [40, 50]}, 
    "rsi": {"rsi_lower": [15, 30], "rsi_upper": 70} 
} 
res_opt = backtest("multi", df, strats=strats_opt)
res_opt.shape
# (4, 16)

2.4 基于机器学习和统计预测的定制策略（比特币案例）

正如我们之前所说，backtrader 可以与机器学习相结合。 将机器学习的预测结果发送给backtrader。 这里发送fastquant也是一样。

您需要安装 fbprophet 包，它是 Facebook 出品的基于机器学习的预测包。 下面的代码首先预测明天的价格，然后构造第二天的收益。

回测时，在输入数据中增加一列“custom”，记录明天的收益。 然后比特币案例分析，当明天的收益率大于 1.5% 时，买入，如果小于 -1.5%，则卖出。

from fastquant import get_crypto_data, backtest
from fbprophet import Prophet
from matplotlib import pyplot as plt
# Pull crypto data
df = get_crypto_data("BTC/USDT", "2019-01-01", "2020-05-31")
# Fit model on closing prices 训练模型
ts = df.reset_index()[["dt", "close"]]
ts.columns = ['ds', 'y']
m = Prophet(daily_seasonality=True, yearly_seasonality=True).fit(ts)

forecast = m.make_future_dataframe(periods=0, freq='D')
# Predict and plot 预测明日收盘价
pred = m.predict(forecast)
fig1 = m.plot(pred)
plt.title('BTC/USDT: Forecasted Daily Closing Price', fontsize=25)
# Convert predictions to expected 1 day returns 将预测值转为1日收益率
expected_1day_return = pred.set_index("ds").yhat.pct_change().shift(-1).multiply(100)
# Backtest the predictions, 
# given that we buy bitcoin when the predicted next day return is > +1.5%, 
# and sell when it's < -1.5%.
# 回测，当明日收益率大于1.5%则买入，小于-1.5%则卖出。
df["custom"] = expected_1day_return.multiply(-1)
backtest("custom", df.dropna(),upper_limit=1.5, lower_limit=-1.5)

总结：fastquant提供了一层封装，简化了一些开发场景。 当然你也可以不封装直接使用backtrader实现以上功能，也不麻烦。