以下內容皆參考 Backtrader 官網

昨天使用了 backtrader 將 shioaji 的歷史資料載入，今天我們就做一個很簡單的策略來測試實際回測看看

class TestStrategy(bt.Strategy):
    def log(self, txt, dt=None):
        dt = dt or self.datas[0].datetime.date(0)
        print('%s, %s' % (dt.isoformat(), txt))

    def __init__(self):
        self.dataclose = self.datas[0].close

    def next(self):
        self.log('收盤價: %.2f' % dataclose[0])

我們使用 pandas.DataFrame 將 shioaji 的資料載入到 backtrader 的 datas 裡，所以 self.datas[0] 就是我們載入的資料，載入的資料有 close, high, low, open, volume，這 5 條線，如果把 datetime 也算進來的話，那就是 6 條線。
在 init 裡，我們把 close 這一條線特別設了一個變數叫 self.dataclose，然後在 next 這個函數裡，我們將 dataclose[0] 的數值輸出來。
回測就是從最舊的資料，一筆一筆往最新的資料跑，所以這個 dataclose[0] 就是目前程式跑到的那一筆，如果要看前一筆，就是 dataclose[-1], 以此類推，可以是 -2， -3 前兩筆，前三筆。
以上這段程式就是讓它一天一天跑，然後把收盤價輸出來

from datetime import datetime
import pandas as pd
import shioaji as sj
import backtrader as bt

api = sj.Shiaji()
api.login(person_id="身分證字號", passwd="密碼")

stock2330 = api.Contracts.Stocks["2330"]
kbar2330 = api.kbars(stock2330, start='2020-01-01', end='2020-12-31')

dts = list(map(lambda x:dateime.utcformattimestamp(x/10**9), kbr2330.ts))

df = pd.DataFrame(
    {
        "open": pd.Series(kbar2330.Open),
        "high": pd.Series(kbar2330.High),
        "low": pd.Series(kbar2330.Low),
        "close": pd.Series(kbar2330.close),
        "volume": pd.Series(kbar2330.Volume),
    }
)

df.index = pd.Index(dts)

以上為取得資料的程式碼，如果是用 jupyter notebook 的話，可以放在一個獨立的程式區塊，這樣就不用一直去抓資料下來了，執行起來會快一些

cerebro = bt.Cerebro()

# 載入要執行的策略
cerebro.addstrategy(TestStrategy)

# 因為台積的股價有點高，所以我們初始資金設 100 萬
cerebro.broker.setcash(10**6)

# 券商的手續費
cerebro.broker.setcommission(commission=0.1425/100)

data = bt.feeds.PandasData(dataname=df, timeframe=bt.TimeFrame.Minutes)

cerebro.resampledata(data, timeframe=bt.TimeFrame.Days)

# 如果跑到最後，還有股票沒有賣出的話，會以當天收盤價的價格來加總
print("初始資金: %.2f" % cerebro.broker.getvalue())

# 執行策略
cerebro.run()

print("結束資金：%.2f" % cerebro.broker.getvalue())

以上程式，執行之後可以看到輸出每天的收盤價，接下來我們來賣加一個買入的策略

class TestStrategy(bt.Strategy):
    def log(self, txt, dt=None):
        #...略
    
    def __init__(self):
        #...略

    def next(self):
        self.log('收盤價: %.2f' % dataclose[0])
        
        # 當天收盤價比昨天低 -> 跌
        if self.dataclose[0] < self.dataclose[-1]:
            
            # 昨天的收盤價比前天低 -> 連跌 2 天
            if self.dataclose[-1] < self.dataclose[-2]:
                self.log("買入: %.2f" % self.dataclose[0])
                # 一張股票是1000股
                self.buy(size=1000)

這個策略就是，如果股票連跌 2 天，就買入 1 張 (1000 股)，執行完的個策略後，再去跑回測，就可以看到我們買進股票，再來我們要增加賣出的策略

class TestStrategy(bt.Strategy):
    def log(self, txt, dt=None):
        # ...略
    
    def __init__(self):
        # ...略

        # 建立一個變數儲存我們己經買的股票
        self.order = None

    def notify_order(self, order):
        if order.status in [order.Submitted, order.Accepted]:
            # 買賣單傳送到券商，券商接收，無需處理
            return

        if order.status in [order.Completed]:
            # 買賣單交易完成
            if order.isbuy():
                # 買單
                self.log("已買入：%.2f" % order.executed.price)
            elif order.issell():
                # 賣單
                self.log("已賣出：%.2f" % order.executed.price)

            # 紀錄是在第幾筆資料進行交易
            self.bar_executed = len(self)
    
        elif order.status in [order.Canceled, order.Margin, order.Rejected]:
            self.log("交易失敗")

        # 沒有待處理訂單
        self.order = None

    def next(self):
        self.log("收盤價：%.2f" % self.dataclose[0])

        # 還有未處理的訂單，直接跳過
        if self.order:
            return

        # 沒有持股 -> 進行買入策略
        if not self.position:
            if self.dataclose[-1] < self.dataclose[0]:
                if self.dataclose[-2] < self.dataclose[-1]:
                    self.log("買入：%.2f" % self.dataclose[0])
                    self.order = self.buy(size=1000)
        # 有持股 -> 進行賣出策略
        else:
            if len(self) >= (self.bar_executed + 5):
                self.log("賣出：%.2f" % sef.dataclose[0])
                self.order = self.sell(size=1000)

這樣就是一個簡單的買入，賣出策略回測，執行之後，就可以看到以這樣子的策略，我們的在 2020 年可以賺到多少，當然因為這個是歷史資料，所以只是一個評估，並不代表未來用這個策略去執行也可以獲得同樣的收益喔