Backtrader來啦：常見問題彙總

2025-07-29 14:37 量化投資與機器學習


量化投資與機器學習微信公眾號，是業內垂直於量化投資、對沖基金、Fintech、人工智慧、大資料等領域的主流自媒體。公眾號擁有來自公募、私募、券商、期貨、銀行、保險、高校等行業30W+關注者，曾榮獲AMMA優秀品牌力、優秀洞察力大獎，連續4年被騰訊雲+社群評選為“年度最佳作者”。

量化投資與機器學習公眾號 獨家撰寫
量化投資與機器學習公眾號為全網讀者帶來的Backtrader系列，自推出以來收穫無數好評！我們是真的在用心做這個內容。
QIML針對這個系列的宗旨就是：
免費！
做最好、最清晰的Bt教程！
讓那些割韭菜的課程都隨風而去吧！
為此，QIML為大家多維度、多策略、多場景來講解Backtrader：

預定系列（點選可閱讀）
同時，我們對每段程式碼都做了解讀說明，願你在Quant的道路上學有所獲！

QIML官方Github也已上線
相關資料、程式碼一併同步
https://github.com/QuantWorld2022/backtrader
希望大家多Follow，多給星★

常見問題
1、如何直接從Mysql資料庫中載入資料？
Backtrader的DataFeeds資料模組提供了各種載入資料的方法，之前的文章有介紹如何載入CSV檔案或DataFrame中的資料，今天就補充介紹如何直接從Mysql資料庫中載入資料。
下面的例子就是在繼承了DataBase父類的基礎上，修改相關方法的操作邏輯，“改裝”得到了一個新的DataFeeds類，類名為 PsqlDatabase：
import

 datetime

as

 dt


import

 backtrader

as

 bt


from

 backtrader

import

 DataBase, date2num



classPsqlDatabase(DataBase):

'''


    預設資料庫表格欄位如下：


            ticker char(5),


            date date,


            high numeric(10,4),


            low numeric(10,4),


            open numeric(10,4),


            close numeric(10,4),


            volume integer,


            unique (ticker, date)


    '''


    params = (


# 資料庫連線資訊

        (

'user'

,

None

),


        (

'password'

,

None

),


        (

'host'

,

None

),


        (

'port'

,

None

),


        (

'dbname'

,

None

),


        (

'table'

,

None

),


# 證券資訊

        (

'ticker'

,

None

),

# 要提取的證券程式碼

        (

'fromdate'

,

None

),

# 提取資料的起始時間（包含）

        (

'todate'

,

None

),

# 提取資料的截止時間（包含）
# 每條線對應的提取出來的資料的列索引

        (

'datetime'

,

0

),


        (

'high'

,

1

),


        (

'low'

,

2

),


        (

'open'

,

3

),


        (

'close'

,

4

),


        (

'volume'

,

5

),


        (

'openinterest'

,

-1

),

# -1 表示不存在該列資料

    )



defstart(self):

        conn = self._connect_db()


        query = (

"""SELECT date, high, low, open, close, volume """
"""FROM {table} """
"""WHERE ticker = '{ticker}' """

                 .format(table=self.p.table,


                         ticker=self.p.ticker))


if

 self.p.fromdate

isnotNone

:


            query +=

" AND date >= '{fromdate}' "

.format(fromdate=dt.datetime.strftime(self.p.fromdate,

'%Y-%m-%d'

))


if

 self.p.todate

isnotNone

:


            query +=

" AND date <= '{todate}' "

.format(todate=dt.datetime.strftime(self.p.fromdate,

'%Y-%m-%d'

))


        query +=

"""ORDER BY date asc"""

        self.result = conn.execute(query)


        self.price_rows = self.result.fetchall()


        self.result.close()


        self.price_i =

0

        super(PsqlDatabase, self).start()



def_load(self):
if

 self.price_i >= len(self.price_rows):


returnFalse
# 每迴圈一次_load()，填充一個 bar 的資料

        row = self.price_rows[self.price_i]


        self.price_i +=

1
for

 datafield

in

 self.getlinealiases():

# 檢視 Data Feeds 包含哪些線
if

 datafield ==

'datetime'

:


                self.lines.datetime[

0

] = date2num(row[self.p.datetime])


elif

 datafield ==

'volume'

:


                self.lines.volume[

0

] = row[self.p.volume]


else

:


                colidx = getattr(self.params, datafield)

# 獲取列索引
if

 colidx <

0

:

# 列索引小於0，表示不存在該列
continue

                line = getattr(self.lines, datafield)

# 將資料賦值給對應的線

                line[

0

] = float(row[colidx])


returnTrue

# 設定資料庫連線邏輯
def_connect_db(self):
from

 sqlalchemy

import

 create_engine


        url =

'mysql+mysqldb://{user}:{password}@{host}:{port}/{dbname}'

.format(user=self.p.user,


                                                                         password=self.p.password,


                                                                         host=self.p.host,


                                                                         port = self.p.port,


                                                                         dbname=self.p.dbname)


        engine = create_engine(url, echo=

False

)


        conn = engine.connect()


return

 conn



defpreload(self):
# 負責迴圈呼叫load()（_load()是被 load() 呼叫的）

        super(PsqlDatabase, self).preload()


# self.price_rows 的資料都存入lines後，清除 self.price_rows 中的資料，釋放資源

        self.price_rows =

None

cerebro = bt.Cerebro()


# 呼叫 MysqlData 類，得到例項

data = PsqlDatabase(user=

'xxxxx'

,


                    password=

'xxxx'

,


                    host=

'xxx'

,


                    port=

'xxxx'

,


                    dbname=

'xxxx'

,


                    table=

'xxxx'

,


                    ticker=

'xxxxx'

,


                    fromdate=

'xxxxx'

,


                    todate=

'xxxxx'

)


cerebro.adddata(data, name=

'xxxx'

)

# 將資料傳給大腦

  • params 屬性對應的是載入資料時涉及的各種引數，主要是新增了一部分和資料庫有關的資訊，7 條基礎 lines 的索引需要與 sql 語句中欄位的順序相一致；
  • start() 方法用於啟動資料載入，連線資料庫、從資料庫中讀取資料等操作邏輯會寫在該方法中；
  • stop() 方法用於關閉資料載入，斷開資料庫連線的操作邏輯可以寫在該方法中（上例未涉及stop()）；
  • _load() 方法負責將載入的資料，一個個賦值給 7 條基礎 lines，直到所有資料都已填充進 lines 為止（返回 False）；
  • preload() 方法負責不斷的迴圈呼叫 load()（_load()是被 load() 呼叫的）直到下載完所有資料；
  • 上面這些方法都是底層 DataBase 類中的方法，想要具體瞭解可以看底層程式碼 backtrader/feed.py at master · mementum/backtrader (github.com)；
  • 上面這個案例參考的 Github 中的 PSQL feed implementation by dolanwill · Pull Request #393 · mementum/backtrader (github.com)，以及 Backtrader 社群中的討論 SQLite example | Backtrader Community；
  • Backtrader 的 DataFeeds 資料模組提供的 InfluxDB 類也是類似的實現邏輯：backtrader/influxfeed.py at master · mementum/backtrader (github.com)；
  • 如果想連線不同的資料庫，只需修改資料庫連線方法 _connect_db()、start() 中的查詢語句等邏輯即可。
2、出現 AttributeError: 'int' object has no attribute 'to_pydatetime' 報錯？
大家在用PandasData往大腦cerebro中adddata基礎行情資料時，如果遇到AttributeError: 'int' object has no attribute 'to_pydatetime' 報錯，是因為：沒有將 datetime 設定為 index， 或者是沒有指定 datetime 所在的列。
.

..


    params = (


# Possible values for datetime (must always be present)
# None : datetime is the "index" in the Pandas Dataframe
# -1 : autodetect position or case-wise equal name
# >= 0 : numeric index to the colum in the pandas dataframe
# string : column name (as index) in the pandas dataframe

        (

'datetime'

,

None

),


...



# PandasData 預設是將 DataFrame 的索引作為 datetime
# 如果你已經將 datetime 設定為 index ，可以直接用下面的語句匯入資料：

data = bt.feeds.PandasData(dataname=price)


# 如果 datetime 只是 DataFrame 中的一列，且列名稱也一致(不區分大小寫)，則需要設定引數：

data = bt.feeds.PandasData(dataname=price, datetime=

-1

)


# 或是指定 datetime 在第幾列，比如在 DataFrame 的第 7 列，則令 datetime=6

data = bt.feeds.PandasData(dataname=price, datetime=

6

)

3、出現create_full_tear_sheet() got an unexpected keyword argument 'gross_lev' 報錯？
在回測完成後，我們可以藉助Backtrader的策略分析器模組analyzer返回諸多的策略收益評價指標，而且Backtrader還集成了Quantoption的Pyfolio模組。Backtrader中的PyFolio分析器是由TimeReturn、PositionsValue、Transactions、GrossLeverage4個子分析器構成的，PyFolio分析器會一次性返回上述4個自分析器的計算結果，分析結果的視覺化展示還是透過呼叫Quantoption的Pyfolio模組來實現：

...


# 新增 PyFolio 分析器

cerebro.addanalyzer(bt.analyzers.PyFolio, _name=

'pyfolio'

)


...


results = cerebro.run()


strat = results[

0

]


# 一次性獲取 4 個子分析器的計算結果

pyfoliozer = strat.analyzers.getbyname(

'pyfolio'

)


returns, positions, transactions, gross_lev = pyfoliozer.get_pf_items()


...


...


# 利用 Quantoption 的 Pyfolio 模組來繪製圖形
# 需要提前安裝好該模組 pip install pyfolio==0.5.1
import

 pyfolio

as

 pf


pf.create_full_tear_sheet(


    returns,


    positions=positions,


    transactions=transactions,


    gross_lev=gross_lev,


    live_start_date=

'2005-05-01'

,

# This date is sample specific

    round_trips=

True

)

如果出現 create_full_tear_sheet() got an unexpected keyword argument 'gross_lev' 報錯，是因為後期版本更新後的 create_full_tear_sheet 不再支援 gross_lev 這個引數，官方文件給出的解釋如下：
As of (at least) 2017-07-25 the pyfolio APIs have changed and create_full_tear_sheet no longer has a gross_lev as a named argument.
所以在使用 create_full_tear_sheet 事，不要設置 gross_lev 引數，以及令 round_trips 為 False：
import

 pyfolio

as

 pf


fig = pf.create_full_tear_sheet(


            returns,


            positions=positions,


            transactions=transactions,


# gross_lev=gross_lev,

            live_start_date=

'2020-05-01'

,


            round_trips=

False

,


            return_fig =

True# 後期用於儲存

            )



# fig.savefig('returns_tear_sheet.pdf')

如果遇到新的報錯：AttributeError: ‘numpy.int64’ object has no attribute ‘to_pydatetime’，建議解除安裝 pyfolio 重新從 git 上拉程式碼安裝：

pip uninstall pyfolio


pip install git+https://github.com/quantopian/pyfolio

4、如何新增業績基準Benchmark？
Backtrader中與業績基準相關的操作主要有 2 種方式：
  • 一種是透過 bt.analyzers.TimeReturn 返回業績基準的收益率，在此之前，需要確保已經將業績基準的行情資料adddata給大腦，還要給 bt.analyzers.TimeReturn 指定 data 引數；
  • 另一種是透過 bt.observers.Benchmark 新增業績基準的觀測器，plot繪圖時展示的收益率曲線就是 bt.analyzers.TimeReturn 返回的收益率。
# 例項化大腦

cerebro = bt.Cerebro()


# 初始資金 1,000,000

cerebro.broker.setcash(

1000000.0

)


# 讀取行情資料

daily_price = pd.read_csv(

"./data/daily_price.csv"

, parse_dates=[

'datetime'

])


stock_price = daily_price.query(

f"sec_code=='600718.SH'"

).set_index(

'datetime'

)


datafeed1 = bt.feeds.PandasData(dataname=stock_price,


                                fromdate=pd.to_datetime(

'2019-01-02'

),


                                todate=pd.to_datetime(

'2021-01-28'

))


cerebro.adddata(datafeed1, name=

'600718.SH'

)


benchmark_price = daily_price.query(

f"sec_code=='600728.SH'"

).set_index(

'datetime'

)


datafeed2 = bt.feeds.PandasData(dataname=benchmark_price,


                                fromdate=pd.to_datetime(

'2019-01-02'

),


                                todate=pd.to_datetime(

'2021-01-28'

),


                                )


cerebro.adddata(datafeed2, name=

'600728.SH'

)



# 將編寫的策略新增給大腦，別忘了 ！

cerebro.addstrategy(TestStrategy)


cerebro.addanalyzer(bt.analyzers.TimeReturn,_name=

'stock_returns'

)


# 返回 benchmark 的收益率

cerebro.addanalyzer(bt.analyzers.TimeReturn, data=datafeed2, _name=

'benchmark_returns'

)


# 新增業績基準的觀測器

cerebro.addobserver(bt.observers.Benchmark, data=datafeed2)


cerebro.addobserver(bt.observers.TimeReturn)


result = cerebro.run()


cerebro.plot(iplot=

True

)

相關參考：https://www.backtrader.com/blog/posts/2016-07-22-benchmarking/benchmarking/
5、如何設定非整數型的成交數量？
Backtrader在撮合成交訂單時，訂單上的購買數量都是算的整數，但是像比特幣這類加密貨幣的交易是會出現小數的成交數量的，比如交易 0.5 個比特幣，那如何設定非整型的成交數量呢？只需透過繼承 bt.CommissionInfo 重新定義獲取成交量 getsize 即可：
classCommInfoFractional(bt.CommissionInfo):
defgetsize(self, price, cash):
'''Returns fractional size for cash operation @price'''
return

 self.p.leverage * (cash / price)



# 然後透過 addcommissioninfo 將設定傳遞給 broker

cerebro.broker.addcommissioninfo(CommInfoFractional())

預設情況下的 getsize 的定義如下所示，其實只需將取整相關的邏輯（int、整除）刪除即可：
# 預設情況下的 getsize 的定義如下，只需
defgetsize(self, price, cash):
'''Returns the needed size to meet a cash operation at a given price'''
ifnot

 self._stocklike:


return

 int(self.p.leverage * (cash // self.get_margin(price)))



return

 int(self.p.leverage * (cash // price)

相關參考：https://www.backtrader.com/blog/posts/2019-08-29-fractional-sizes/fractional-sizes/
6、Backtrader 如何處理股票拆分合並、分紅配股的情況？
當股票發生拆分合並或是分紅配股時，股票價格會發生較大的變動，使得當前價格變得不連續而出現斷層現象，為了保持價格的連續性，都會對價格做復權處理。
回測時遇到上述情況，最符合現實的操作是：交易時仍用真實價格（不復權）作為委託價進行下單，計算交易數量；但在計算漲跌或收益時，會考慮股價的連續性（使用復權後的價格），防止價格斷層扭曲真實收益。
目前Backtrader還無法處理股票拆分合並、分紅配股帶來的影響，但常規的處理方式是在匯入行情資料時，就直接匯入復權後的行情資料（一般選擇後復權），保證收益的準確性。
結語

至此，本次

Backtrader系列已全部更新完畢。

QIML會在今後的日子裡，在全網釋出一系列好用、實用、你絕對愛不釋手的量化開源工具包！
公眾號希望給國內量化投資圈貢獻一份自己的力量！
希望影響更多人瞭解量化、學習量化、找到屬於一條屬於自己的路！
如果你希望我們分享些什麼，也歡迎在評論區留言~


相關文章