回測是開發有效交易系統的關鍵組成部分。它是透過歷史數據，使用給定策略定義的規則，來重建過去可能發生的交易。Backtrader 函式庫提供了在 Python 中進行此類測試的工具。

1. 收集數據。
2. 定義我們的回測策略。
3. 提取績效統計數據，以便與基準進行比較和對照。

範例 1：移動平均線交叉策略

# 安裝 backtrader 函式庫
! pip install backtrader >Null

import backtrader as bt
import yfinance as yf
import datetime

# 第 2 步：建立一個交易策略
class MovingAverageCrossStrategy(bt.Strategy):
    params = (
        ("short_window", 40),
        ("long_window", 100),
    )

    def __init__(self):
        self.data_close = self.datas[0].close
        self.short_ma = bt.indicators.SimpleMovingAverage(
            self.data_close, period=self.params.short_window
        )
        self.long_ma = bt.indicators.SimpleMovingAverage(
            self.data_close, period=self.params.long_window
        )
        self.crossover = bt.indicators.CrossOver(self.short_ma, self.long_ma)

    def next(self):
        if self.crossover > 0:  # 如果短期均線向上穿越長期均線
            self.buy()
        elif self.crossover < 0:  # 如果短期均線向下穿越長期均線
            self.sell()

# 第 3 步：使用 yfinance 加載歷史數據
data_df = yf.download('AAPL', start='2020-01-01', end='2022-01-01')
data = bt.feeds.PandasData(dataname=data_df)

# 第 4 步：設定回測
cerebro = bt.Cerebro()
cerebro.addstrategy(MovingAverageCrossStrategy)
cerebro.adddata(data)
cerebro.broker.set_cash(100000)  # 例如，以 100,000 現金開始

# 第 5 步：添加額外設定 (可選)
cerebro.addsizer(bt.sizers.FixedSize, stake=1000) # 每次交易固定數量
cerebro.broker.setcommission(commission=0.001)  # 0.1% 的手續費 (範例)

# 第 6 步：運行回測
print('起始投資組合價值: %.2f' % cerebro.broker.getvalue())
cerebro.run()
print('結束投資組合價值: %.2f' % cerebro.broker.getvalue())

# 第 7 步：將結果視覺化
cerebro.plot()

解讀圖表

Backtrader 產生的圖表提供了交易策略在回測期間表現的視覺化呈現。以下是如何解讀圖表的主要組成部分：

1. 價格圖
   • K線/OHLC 圖：代表每個週期的開盤價、最高價、最低價和收盤價。
   • 移動平均線：如果您的策略中使用，移動平均線將會繪製在價格圖上。
   • 買/賣標記：箭頭或標記指示策略執行買入或賣出訂單的位置。
2. 投資組合價值
   • 現金：水平線代表經紀帳戶中的可用現金。
   • 投資組合價值：線圖顯示總投資組合價值隨時間的變化，包括現金和未平倉部位的價值。
3. 交易
   • 已平倉交易：根據您的繪圖設定，點或標記可能指示交易被平倉的位置。
4. 指標
   • 如果您使用了額外的指標（如 MACD、RSI 等），它們可能會被繪製在單獨的面板中，顯示它們隨時間變化的值。
5. 縮放與平移
   • 您可以縮放和平移圖表，以詳細檢查特定的時間範圍。

如何分析：

• 獲利能力：觀察投資組合價值線，以評估策略隨時間的獲利能力。
• 回撤：尋找投資組合價值下降的時期，這表示回撤。
• 交易執行：確保交易（買/賣標記）根據策略邏輯在預期的位置執行。
• 指標行為：如果使用技術指標，觀察其行為並確保它們按預期計算。
• 過擬合：對過擬合要保持警惕。如果策略在回測中表現得異常好，它可能是對過去數據過度擬合，可能在即時交易中表現不佳。

額外提示：

• 風險管理：確保策略遵守健全的風險管理原則，如設定停損水平，並且在單一交易中只冒險投資組合的一小部分。
• 敏感度：測試策略對參數變化（如移動平均線週期）的敏感度，並確保其穩健，而不是過度優化於測試期間。
• 樣本外測試：在樣本外數據上驗證策略，以確認其在未見數據上的表現。

Backtrader 是一個靈活的 Python 函式庫，允許您通過定義自訂邏輯來創建自己的交易策略。它本身不帶有預定義的交易策略，但它提供了一個強大的框架和內建指標，使您能夠定義各種各樣的策略。

以下是您可以使用 Backtrader 實現的一些策略類型：

範例 2：布林通道與相對強弱指標 (RSI)

讓我們使用 Backtrader 創建一個更複雜的策略，結合布林通道 (Bollinger Bands) 和相對強弱指標 (RSI)。此策略將：

• 當價格收盤低於布林通道下軌且 RSI 低於 30（表示超賣狀況）時買入。
• 當價格收盤高於布林通道上軌且 RSI 高於 70（表示超買狀況）時賣出。

注意：

• 請務必使用不同的數據和在各種情境下驗證策略，以確保其穩健性。
• 請記住，過去的表現不代表未來的結果，回測應該是開發交易策略時使用的眾多工具之一。
• 在開發交易策略時，始終遵守健全的風險管理原則。

import backtrader as bt
import yfinance as yf
import datetime

# 建立一個策略
class BollingerRSIStrategy(bt.Strategy):
    params = (
        ("bband_period", 20),
        ("rsi_period", 14),
        ("overbought", 70),
        ("oversold", 30),
        ("stddev", 2),
    )

    def __init__(self):
        self.bband = bt.indicators.BollingerBands(
            self.data.close, period=self.params.bband_period, devfactor=self.params.stddev
        )
        self.rsi = bt.indicators.RelativeStrengthIndex(
            period=self.params.rsi_period
        )

    def next(self):
        if self.data.close < self.bband.lines.bot and self.rsi < self.params.oversold:
            # 當收盤價低於布林下軌且RSI為超賣時
            self.buy()
        elif self.data.close > self.bband.lines.top and self.rsi > self.params.overbought:
            # 當收盤價高於布林上軌且RSI為超買時
            self.sell()

# 下載歷史數據
data_df = yf.download('AAPL', start='2020-01-01', end='2022-01-01')
data = bt.feeds.PandasData(dataname=data_df)

# 創建 Cerebro 實例
cerebro = bt.Cerebro(stdstats=False)

# 添加策略
cerebro.addstrategy(BollingerRSIStrategy)

# 將數據源添加到 Cerebro
cerebro.adddata(data)

# 設定我們的初始現金
cerebro.broker.set_cash(100000.0)

# 根據 stake 添加一個 FixedSize 的 sizer
cerebro.addsizer(bt.sizers.FixedSize, stake=1000)

# 設定手續費
cerebro.broker.setcommission(commission=0.001)

# 打印初始條件
print('起始投資組合價值: %.2f' % cerebro.broker.getvalue())

# 運行所有流程
cerebro.run()

# 打印最終結果
print('結束投資組合價值: %.2f' % cerebro.broker.getvalue())

# 繪製結果圖
cerebro.plot(iplot=True)