这篇站外文章介绍的是传说中的backtraderbacktrader，属于本地版Python定量回测框架，功能比较齐全。既然业界好评如潮，我们作为量化交易者，应该把所有有用的工具集于一身。我们来体验一下这个框架。
反向交易者的使用在官方文件中有详细描述。一般分为两步：
创建一个策略，创建一个继承自backtrader的策略类。策略，然后您可以自定义其中的方法。策略中有一个类属性params，用于定义策略中一些可调参数值backtrader.indicators的计算方法，如均线、MACD、RSI等。使用时只需要实例化策略中会用到的技术指标，这样就可以在下一个函数中编写交易策略了。也就是进出市场的逻辑。创建策略决策引擎(原文是Cerebro，这里我用的是决策这个词)将定义好的策略注入决策引擎，将市场数据注入决策引擎，可视化的反馈测试结果。以上是框架的核心部分。当然，还有许多其他可扩展的功能。
Backtrader的数据加载非常灵活。这里，我们使用数据帧格式的数据，如下所示：
'''高开低走收盘成交量openinterestrade _ date 2017-01-03 8.12 8.07 8.07 8.12 179801.01 02017-01-04 8.16 8.09 8.13 8.15 166242.35 02017-01-05 8。3 28.13 8.15 8.17 22902.53 02017-01-06 8.19 8.12 8.18 8.13 128549.96 02017-01-09 8.15 8.08 8 8.13 8.13 136700.04 0 ' '构建策略的类是继承backtrader。__init__、log、notify_order、notify_trade、next等策略。
关于策略中的指标，backtrader内置了很多类型，可以直接调用。例如，移动平均线：
self . SMA=Bt . indicators . simplemovingaverage(self . datas 0，period=self . params . map period)由于内置了talib模块，所以也可以这样调用：
#内置talib模块self . SMA=Bt . talib . SMA(self . data，time period=self . params . mapperiod)在接下来的方法中，我们实现一个简单的双均线策略作为交易的逻辑。比如购买条件是MA5穿MA10；卖的条件是MA10穿MA5。
关于策略回溯测试，除了向Cerebro添加数据和策略之外，还设置了一些参数。比如经纪人的设置，比如初始资金，交易佣金。您还可以使用addsizer来设置每笔交易中买入的股票数量。
回测后，交易策略执行过程中累计的资金总额将被返还。这里回测新希望2017年1月1日至2020年1月1日的策略实施效果，最终资金从10000元变为15941.95元。
由于backtrader内置了Matplotlib，我们也可以将回溯测试的效果可视化如下：
一般来说，对高级朋友来说已经足够了，那么满足不了高级玩家的需求呢？继承框架可以自行扩展。
