Skip to content
The Chat Archive
gpt-3.5-turbo-0301· OpenAI WildChat-4.8M (AI2)

请举个在backtrader中,自定义指标的一个例子,要求指标的长度为2

  1. User

    请举个在backtrader中,自定义指标的一个例子,要求指标的长度为2

  2. Assistant

    下面是一个在backtrader中自定义指标的例子,实现了一个计算两个前面数据的指标:

    import backtrader as bt
    
    class MyIndicator(bt.Indicator):
        lines = ('my_indicator',)
    
        def __init__(self):
            self.my_indicator = (self.data(-2) + self.data(-1)) / 2
    
    cerebro = bt.Cerebro()
    
    data = bt.feeds.YahooFinanceData(dataname='MSFT',
                                     fromdate=datetime(2015, 1, 1),
                                     todate=datetime(2019, 12, 31))
    
    cerebro.adddata(data)
    
    cerebro.indicators.MyIndicator = MyIndicator
    
    cerebro.run()
    
    my_indicator_values = cerebro.datas[0].MyIndicator.my_indicator.get(size=len(data))
    

    在上面的例子中,我们先定义一个MyIndicator类,继承于bt.Indicator,并实现了一个my_indicator指标。这个指标计算了前两个数据的平均值。

    然后,在主函数中,添加数据源data,然后将自定义的指标添加到cerebro中。

    最后,我们运行cerebro,然后获取计算出来的指标值,通过my_indicator.get(size=len(data))获取每一个数据点上的指标值。

  3. User

    请详细解析一下,这个class EntryLine(bt.Indicator): lines = ('entryprice',) plotinfo = dict(subplot=False) plotlines = dict(entryprice=dict(ls='-', lw=1, color='blue'))

    def __init__(self):
        self.addminperiod(self.data.size())
    
    def prenext(self):
        self.lines.entryprice[0] = float('nan')
    
    def next(self):
        self.lines.entryprice[0] = float('nan')
    
    def set_entryprice(self, price):
        for index in range(-1, -self.data.size() - 1, -1):
            self.lines.entryprice[index] = price
    
  4. Assistant

    这是一个在Backtrader中自定义指标的示例,该类为“EntryLine”指标类。该指标类配置了两个特征:

    • plotlines
    • lines

    plotlines用于绘图之用,其包含一个字典,可使用户自定义线条样式。

    而lines用于添加指标线,其包含该指标可用的所有行的名称。

    我们来看看该类中的方法:

    class EntryLine(bt.Indicator):
    
        lines = ('entryprice',)  # 指标线的名称
        plotinfo = dict(subplot=False)
        plotlines = dict(entryprice=dict(ls='-', lw=1, color='blue'))
    
        def __init__(self):
            self.addminperiod(self.data.size())  # 初始化指标,请注意为Size
    
        def prenext(self):
            self.lines.entryprice[0] = float('nan')
    
        def next(self):
            self.lines.entryprice[0] = float('nan')
    
        def set_entryprice(self, price):
            for index in range(-1, -self.data.size() - 1, -1):
                self.lines.entryprice[index] = price
    

    上面的代码首先定义了 EntryLine(bt.Indicator) 类。指标名称用 lines 属性指定,这个例子中只有一个名为 entryprice 的线。

    接下来,定义了 plotinfo 和 plotlines 两个 Dict 字典。

    plotinfo 如 subplot=False 明确指定了此指标将不占用子图。

    plotlines 是用来配置图表样式的字典,这个例子中只有一个元素,该元素给出了指标 entryprice 使用的线的颜色和样式。

    接下来,self.addminperiod(self.data.size()) 为“EntryLine”指标添加最小要求值,使用数据的大小作为该值,并在初始化时提供。

    prenext 方法是在每个时序片的第一次迭代中调用,以准备好执行时序片的迭代。在此方法中,我们将第一个指标值设置为NaN(未定义,空值)。

    next 方法在每次数据收集之后被调用。在此方法中,我们将第一个指标值设置为NaN(未定义,空值)。

    最后,定义了 set_entryprice 方法。该方法接受一个输入参数 price,该参数是用户指定的买入价格。在此方法中,我们设置指标值 entryprice 的值等于输入参数得值。注意这里是为负数,因为它们时序是反向的。

    此处循环的范围为 (-1, -self.data.size()-1),这意味着从当前时间开始向前索引每个条目,以便设置 EntryLine指标。

  5. User

    请再解析下self.addminperiod(self.data.size()) 里的SIZE

  6. Assistant

    在Backtrader中,每个指标都需要一个最小周期值(minimum period),这是该指标需要的最小数量的数据周期,然后才能进行计算。

    在定义指标时,我们不能保证始终可以在当前时刻(t)计算指标值,因为我们的计算依赖于用于指标计算的以前数据,例如用于计算移动平均线的过去收盘价。因此,我们需要提供一个最小周期值,告诉Backtrader,我们在计算指标值时需要多少条历史数据。当历史数据条数为最小周期时,Indicators会开始发信号。

    在这个例子中,我们使用 self.addminperiod(self.data.size()),来为 EntryLine 指标设置最小周期值。该行的含义是将数据的大小作为最小周期值,这意味着我们需要提供与数据大小相等的历史数据条目,才能开始计算。这个定义确保了我们的计算只在数据准备好了之后才会开始。

  7. User

    prenext 方法只会调用一次吗?

  8. Assistant

    prenext 方法并不只会调用一次。在每个时序片(time slice)的第一次迭代中,prenext 方法都会被调用一次。

    时序片是Backtrader应用于数据的处理方式。对于需要滚动计算的时间序列数据,在 data 中可以设置一个滚动窗口大小,Backtrader会将这个时间序列数据划分成等大小的时间片。然后,对于每个时间片,Backtrader会依次迭代,对数据进行处理。

    在每个时间片的第一次迭代中,Backtrader会调用 prenext 方法来准备后续迭代所需的变量或状态等值,该方法仅被调用一次。在之后的每个迭代中,Backtrader则会调用 next 方法来更新要显示的结果。

    因此,对于一个时间序列,在一个时间片中的第一次迭代中, prenext 方法会被调用一次。然后,在该时间片的每个迭代中,next 方法都会被调用一次。

  9. User

    啥叫时序片?

  10. Assistant

    在Backtrader中,时序片是从数据流中按照时间(日期、时间戳)分割出来的连续序列数据块。时序片是对数据流的窄而深的视图,用于进行滚动计算、滑动窗口操作等。

    在Backtrader中,每个数据源都有单独的时间戳。通过向 data 添加数据,Backtrader可以自适应地处理数据源中各种时间戳的数据。当添加多个数据源时,Backtrader会在层次结构中组合这些数据源。Backtrader也提供了一些“Huge Data”(巨型数据)工具来处理大量数据。

    给定一个数据流,Backtrader自动将其中的数据分离成适当的时序片,以便更方便地逐步计算指标和交易预测。当 cerebro.run() 函数被调用时,Backtrader的扫描范围被限制在每个时序片内,直到该片的所有数据被连续处理完。

    每个时序片分为三个部分:

    • 1、第一次呈现(prenext):此部分在时序片的第一次迭代中调用,并用于定义变量或状态等值,配合self.addminperiod,准备将该指标应用于每个具体的数据点

    • 2、主迭代(next):此部分在组成时序片的的每个数据点上的迭代中被调用,并用于设置该指标的输出值。

    • 3、最后一次(不适用数据类型):此部分在时序片的最后一个元素完成之后调用,并可用于撤销或完成任何必要的操作。

  11. User

    还是不明白prenext 方法的使用,能通俗 说吗?例如,我把一支股票的历史日K线信息保存在一个表格中,每一行代表一天。共N天,请问用这个数据做回测时,prenext 方法会被调用多少次?

  12. Assistant

    好的,我再尝试用一个通俗易懂的方法描述一下 prenext 方法。

    在Backtrader中,当你给系统提供了一个数据源(如一个表格),系统会将这些数据转换为时间切片(time slice)的形式处理,每个时间切片内包含一定数量的数据点,数据点是同一天内的,每个时间点代表一天。回测策略在时序中迭代时维护当前位置,并根据需要执行相应的操作,例如计算指标、生成订单等。而 prenext 方法则可给每个时序间隔赋予一个状态,或准备该时间间隔的任何必要数据。

    在理解 prenext 方法的应用场景时,可以想象一下这样的情景:你要执行一项任务,但这项任务需要预先准备一些数据,以便任务开展时可以顺利进行。在Backtrader中,准备好这些必要的数据,即需要发现通常发生的最小周期,然后在Prenext方法中针对指示器或任何其他有关的内容,执行这些操作。当然,在你的策略执行期间,某些时刻可能需要重新执行Prenext方法,以确保我们准备好的数据始终得以更新。当所有必要信息或状态都准备好后,便可以从“prenext”开始进行价值关键性计算。

    回到你的问题,如果你有一个历史日K线信息表,包含N天的数据,那么 prenext 方法将在你回测的每个时间切片上被调用一次。注意,每个时间切片的大小取决于你在bt.feeds的数据源中设置的timeframe参数,timeframe参数以时间单位(如天、分等)表示每个时间切片包含多少行数据。所以,如果你以天为单位将每个时间切片设置为1个, 那么 prenext 方法将在数据的开始处被调用N次。

  13. User

    那么,自定义指标时,prenext 方法是否可以省略?

  14. Assistant

    在Backtrader中定义指标时,prenext 方法实际上并不是必需的,也就是说可以省略。如果省略了 prenext 方法,则将使用默认值对该方法进行填充,即在方法被调用时什么也不做。

    但值得注意的是,如果你需要在下一个指标值计算之前对某些变量进行操作或对数据进行修正,则可以使用 prenext 方法。具体来说,如果你的指标需要在开始计算指标值之前做一些额外的操作(例如,为指标设置默认值),则可以使用 prenext 方法。但如果指标不需要这样的额外操作,则可省略 prenext 或者在 prenext 中使用 pass 句子占位符代替具体实现。

    总之,prenext 方法的存在只是为了在指标计算之前构建某些约定的前提条件,可选择性实现。

  15. User

    请参照这个,做一个自定义指标

  16. Assistant

    好的,这里是一个在Backtrader中自定义指标的例子。假设我们定义一个名为 "HighLowDiff" 的指标,它计算每个数据点的最高点和最低价之间的差异。

    import backtrader as bt
    
    class HighLowDiff(bt.Indicator):
        lines = ('diff',)
        plotinfo = dict(subplot=True, plotymargin=0.15, plotlinecolors=['red'])
    
        def __init__(self):
            self.lines.diff = self.data.high - self.data.low
    

    在这个自定义指标的代码中,我们首先定义了一个名为 HighLowDiff 的指标类,并继承了 bt.Indicator 类。然后,我们指定了该指标使用的行的名称,即 self.lines.diff。在本例中,我们希望计算每个数据点的最高价(high)和最低价(low)之间的差异,并将结果放入到 diff 行中。

    在指标的构造函数 __init__ 中,我们使用 pandas 的简单数学运算计算了每个数据点的价格区间。这个逻辑被包含在 self.lines.diff = self.data.high - self.data.low 中,这表明 diff 行的值等于每个数据点的 "high" 行减去 "low" 行。

    最后,我们将 HighLowDiff 指标的配置信息保存在 plotinfo 中。例如,我们在这里将该指标绘制在子图中,以及指定了绘图时Y轴的空余度(plotymargin),以便左侧留出足够的空间以便在图像边界显示较长的指标标签。此外,我们也指定了绘图时绘图线的颜色。

    现在你可以将这个指标的类应用于你的策略中,并且可以像使用其他内置指标一样使用它。

  17. User

    若要绘在主图中呢

  18. Assistant

    如果你想要在主图中绘制你的自定义指标,你可以在Backtrader中使用“主绘图顶点(Main Plot Vertex)”选项。在绘制主图顶点时,Backtrader会尝试读取 __init__ 方法中定义的数据行,并根据数据行的值来绘制图表。你只需要将 plotinfo 中的 subplot 属性的值设置为 False,同时将 plotlines 中的颜色设置为主图中你想要的颜色即可。

    这里是一个将指标 HighLowDiff 绘制到主图中的示例:

    class HighLowDiff(bt.Indicator):
        lines = ('diff',)
        plotlines = dict(diff=dict(color='red'))
    
        def __init__(self):
            self.lines.diff = self.data.high - self.data.low
    
        def next(self):
            self.lines.diff[0] = self.data.high[0] - self.data.low[0]
    

    在这个例子中,我们在 plotlines 字典中指定了 diff 行的颜色。

    更改 plotinfo 字典中的 subplot 属性,将值设置为 False,这样就可以在主图中绘制指标了。

    最后,在 next 方法中,我们指定了 diff 行的计算方式。注意,