股票的上市日期各不相同，有些也退市了。在回测时，Backtrader会遍历所有的数据，选择有效期的交集开始执行next()。
这时我们的选股策略就会因为数据的问题出现一段时间的空窗期，所以我们不要用next()来执行，而是用prenext()来执行，Backtrader会循环所有的数据，选择最小的那个日期作为开始日，执行prenext()，但是此时衍生出两个问题：
- 这只股票的开始日，未必是另一支股票的开始日，这回导致另一只股票没数据
- 一直股票可能在某一天退市了就没有数据了，但是有持仓，这就很尴尬了
为了解决以上问题，我们首先学习需要用到的方法：
- 策略中使用
self.datetime.date()，可以知道当前模拟的日期
- 使用
self.getdatabyname(股票name).datetime.date(0)，可知给定name的股票数据的起始日期
- 使用
len(this_bond_data) >= this_bond_data.buflen()，得到Backtrader是否已经遍历全部数据点，即终止条件
策略中的函数调用顺序与生命周期可以参考官方文档：https://www.backtrader.com/docu/strategy/
策略中使用next()
如上所述，Backtrader会遍历所有的数据，选择有效期的交集开始执行next()：
from datetime import datetime
import backtrader as bt
import pandas as pd
import efinance
def get_k_data(stock_code, begin: datetime, end: datetime) -> pd.DataFrame:
"""
根据efinance工具包获取股票数据
:param stock_code:股票代码
:param begin: 开始日期
:param end: 结束日期
:return:
"""
# stock_code = '600519' # 股票代码，茅台
k_dataframe: pd.DataFrame = efinance.stock.get_quote_history(
stock_code, beg=begin.strftime("%Y%m%d"), end=end.strftime("%Y%m%d"))
k_dataframe = k_dataframe.iloc[:, :9]
k_dataframe.columns = ['name', 'code', 'date', 'open', 'close', 'high', 'low', 'volume', 'turnover']
k_dataframe.index = pd.to_datetime(k_dataframe.date)
k_dataframe.drop(['name', 'code', 'date'], axis=1, inplace=True)
return k_dataframe
class MyStrategy1(bt.Strategy): # 策略
def __init__(self):
# 初始化交易指令、买卖价格和手续费
pass
def next(self): # 固定的函数，框架执行过程中会不断循环next()，过一个K线，执行一次next()
print("今天是：", self.datetime.date())
if __name__ == '__main__':
# 获取数据
start_time = datetime(2020, 1, 1)
end_time = datetime(2020, 3, 1)
maotai_df = get_k_data('600519', begin=start_time, end=end_time) # 茅台，从1月1日开始
ningde_df = get_k_data("300750", begin=datetime(2020, 2, 1), end=end_time) # 宁德时代，从5月1日开始
# =============== 为系统注入数据 =================
# 加载数据
maotai_data = bt.feeds.PandasData(dataname=maotai_df, fromdate=start_time, todate=end_time)
ningde_data = bt.feeds.PandasData(dataname=ningde_df, fromdate=start_time, todate=end_time)
# 初始化cerebro回测系统
cerebral_system = bt.Cerebro() # Cerebro引擎在后台创建了broker(经纪人)实例，系统默认每个broker的初始资金量为10000
# 将数据传入回测系统
cerebral_system.adddata(maotai_data, name="茅台") # 导入数据，在策略中使用 self.datas 来获取数据源
cerebral_system.adddata(ningde_data, name="宁德")
# 将交易策略加载到回测系统中
cerebral_system.addstrategy(MyStrategy1)
# =============== 系统设置 ==================
# 设置启动资金为 100000
start_cash = 1000000
cerebral_system.broker.setcash(start_cash)
# 设置手续费 万2.5
cerebral_system.broker.setcommission(commission=0.00025)
# 运行回测系统
cerebral_system.run()
我们可以看到：
今天是： 2020-02-03
...
...
今天是： 2020-02-27
今天是： 2020-02-28
是从2月3日开始，修改如下：
使用prenext从第一个模拟交易日开始指定策略
使用prenext()可以从所有数据集的最小的日期开始制定策略，如下代码：
from datetime import datetime
import backtrader as bt
import pandas as pd
import efinance
def get_k_data(stock_code, begin: datetime, end: datetime) -> pd.DataFrame:
"""
根据efinance工具包获取股票数据
:param stock_code:股票代码
:param begin: 开始日期
:param end: 结束日期
:return:
"""
# stock_code = '600519' # 股票代码，茅台
k_dataframe: pd.DataFrame = efinance.stock.get_quote_history(
stock_code, beg=begin.strftime("%Y%m%d"), end=end.strftime("%Y%m%d"))
k_dataframe = k_dataframe.iloc[:, :9]
k_dataframe.columns = ['name', 'code', 'date', 'open', 'close', 'high', 'low', 'volume', 'turnover']
k_dataframe.index = pd.to_datetime(k_dataframe.date)
k_dataframe.drop(['name', 'code', 'date'], axis=1, inplace=True)
return k_dataframe
class MyStrategy1(bt.Strategy): # 策略
def __init__(self):
# 初始化交易指令、买卖价格和手续费
pass
def prenext(self):
self.next()
def next(self): # 固定的函数，框架执行过程中会不断循环next()，过一个K线，执行一次next()
print("今天是：", self.datetime.date())
if __name__ == '__main__':
# 获取数据
start_time = datetime(2020, 1, 1)
end_time = datetime(2020, 3, 1)
maotai_df = get_k_data('600519', begin=start_time, end=end_time) # 茅台，从1月1日开始
ningde_df = get_k_data("300750", begin=datetime(2020, 2, 1), end=end_time) # 宁德时代，从5月1日开始
# =============== 为系统注入数据 =================
# 加载数据
maotai_data = bt.feeds.PandasData(dataname=maotai_df, fromdate=start_time, todate=end_time)
ningde_data = bt.feeds.PandasData(dataname=ningde_df, fromdate=start_time, todate=end_time)
# 初始化cerebro回测系统
cerebral_system = bt.Cerebro() # Cerebro引擎在后台创建了broker(经纪人)实例，系统默认每个broker的初始资金量为10000
# 将数据传入回测系统
cerebral_system.adddata(maotai_data, name="茅台") # 导入数据，在策略中使用 self.datas 来获取数据源
cerebral_system.adddata(ningde_data, name="宁德")
# 将交易策略加载到回测系统中
cerebral_system.addstrategy(MyStrategy1)
# =============== 系统设置 ==================
# 设置启动资金为 100000
start_cash = 1000000
cerebral_system.broker.setcash(start_cash)
# 设置手续费 万2.5
cerebral_system.broker.setcommission(commission=0.00025)
# 运行回测系统
cerebral_system.run()
只需要在策略中添加一个：
def prenext(self):
self.next()
就可以从第一天开始执行了
注意：在切换prenext()与next()时，会触发一次nextstart()，此时可以执行一些操作
巧妙运用prenext与next
如果我们修改策略为：
class MyStrategy1(bt.Strategy): # 策略
def __init__(self):
# 初始化交易指令、买卖价格和手续费
pass
def prenext(self):
print('PRENEXT 今天是', self.datetime.date())
self.next()
def next(self): # 固定的函数，框架执行过程中会不断循环next()，过一个K线，执行一次next()
print("今天是：", self.datetime.date())
就可以看到：
PRENEXT 今天是 2020-01-02
今天是： 2020-01-02
PRENEXT 今天是 2020-01-03
今天是： 2020-01-03
....
....
PRENEXT 今天是 2020-01-22
今天是： 2020-01-22
PRENEXT 今天是 2020-01-23
今天是： 2020-01-23
今天是： 2020-02-03
....
....
今天是： 2020-02-26
今天是： 2020-02-27
今天是： 2020-02-28
prenext()会从第一个交易日开始执行，知道所有的数据都存在交集的时候，切换到next()，当然可以在prenext()中主动调用next()
灵活的使用这两种代码可以组合完成非常复杂的逻辑
