backtrader

概述

Backtrader 是一个 Python 事件驱动型回测框架，逐根 K 线处理数据，通过内置券商、订单管理与持仓跟踪来模拟真实执行。与向量化框架（vectorbt、pandas）不同，backtrader 一次沿历史推进一根 K 线，触发回调，从而可以实现依赖此前成交、部分成交和条件性括号单的复杂订单逻辑。

事件驱动 vs 向量化

资料给出的对比要点：

执行模型：backtrader 为逐根 K 线回调；vectorbt 为整体数组运算。
速度：backtrader 较慢（Python 循环）；vectorbt 快（NumPy/Numba）。
订单类型：backtrader 支持市价、限价、止损、止损限价、括号单、OCO；vectorbt 原生仅支持市价。
真实度：backtrader 内置含手续费、滑点、保证金的券商；vectorbt 需手动建模滑点。
多时间框架：backtrader 原生 resampledata；vectorbt 需手动对齐。

适用场景：

需要 backtrader 的情形包括：括号单（入场 + 止损 + 止盈作为一个单元）、止损限价或移动止损订单、依赖订单状态的逻辑（首次成交后加仓、N 根 K 线内未成交则撤单）、多时间框架策略（日线信号、小时级执行）、真实的手续费与滑点建模。

需要 vectorbt 的情形包括：对上千种组合进行快速参数优化、无复杂订单管理的简单多空信号、快速原型与结果的统计分析。

核心概念

backtrader 有五个核心对象，通过事件循环交互：

Cerebro（引擎）：中央协调器。向 Cerebro 添加策略、数据源、分析器和 Sizer，然后调用 run()。示例中演示了 addstrategy、adddata、setcash、setcommission、addanalyzer 等调用。
Strategy（你的逻辑）：Strategy 子类包含全部交易逻辑。关键方法：init() 定义指标，回测开始前运行一次；next() 每根 K 线调用，在此下单；notify_order(order) 在订单状态变化时调用（submitted、accepted、completed、canceled、margin、expired）；notify_trade(trade) 在交易开仓或平仓时调用，可在此获取盈亏。资料给出 EMA 交叉策略示例，包含 params 定义、bt.ind.EMA、bt.ind.CrossOver 以及在 next() 中的买卖逻辑。
Data Feed（数据源）：提供 OHLCV 数据线。最常见的方式是从 pandas DataFrame 加载（bt.feeds.PandasData），也可用于 CSV（bt.feeds.GenericCSVData，可设置 dtformat、openinterest 等）。
Broker（券商）：内置券商模拟订单执行，可配置现金、手续费与滑点。示例中包含 setcash、setcommission，以及 cheat-on-open（set_coo(True)，在信号所在 K 线的开盘价执行，以避免前视偏差）。
Analyzers（分析器）：回测完成后计算绩效指标。示例中配置了 SharpeRatio、DrawDown、TradeAnalyzer、Returns，并通过 strat.analyzers.<name>.get_analysis() 获取结果。

订单类型

资料列出 backtrader 支持的关键订单类型：

市价单：self.buy()、self.sell()、self.close()。
限价单：self.buy(exectype=bt.Order.Limit, price=95.0) 等。
止损单：价格达到止损位时触发市价单，如 self.sell(exectype=bt.Order.Stop, price=90.0)。
止损限价单：价格达到止损位时触发限价单，如 self.buy(exectype=bt.Order.StopLimit, price=100.0, plimit=101.0)。
括号单：入场 + 止损 + 止盈作为一个原子单元；止损成交则止盈取消（反之亦然）。示例使用 self.buy_bracket(price=..., stopprice=..., limitprice=..., exectype=..., stopexec=..., limitexec=...)。资料提示 ATR 止损的括号单模式见 references/strategy_patterns.md。

仓位管理（Sizers）

Sizer 决定每笔订单买卖多少单位。示例包含：

固定数量：bt.sizers.FixedSize, stake=100
组合百分比：bt.sizers.PercentSizer, percents=95
全部可用现金：bt.sizers.AllInSizer, percents=95
自定义 Sizer：通过继承 bt.Sizer 并实现 _getsizing(self, comminfo, cash, data, isbuy) 方法，示例演示了基于风险比例与 ATR 计算仓位的方式。

加密货币相关注意事项

资料专门列出加密货币场景的注意点：

24/7 市场：加密货币全天候交易。使用日线时没有需要跳过的周末；若分析特定时间窗口，可设置会话时间或 sessionstart/sessionend。
高手续费：Solana 上的 DEX 兑换通常每笔 0.25–0.30%；据此设置手续费，示例为 setcommission(commission=0.003)，注释为每边 0.3%。
分数化下单：加密货币允许小数单位，backtrader 原生支持，无需特殊配置。
滑点：为更真实模拟，可启用 cheat-on-open 并添加滑点，如 set_coo(True) 与 set_slippage_perc(0.001)。
波动性数据：加密货币 OHLCV 数据常有极端影线，建议使用基于 ATR 的止损而非固定百分比止损。

多时间框架

backtrader 可在单个策略内把数据重采样到多个时间框架，例如向 Cerebro 添加 1 小时数据后用 cerebro.resampledata(data_1h, timeframe=bt.TimeFrame.Days, compression=1) 重采样为日线，在策略中通过 self.datas[0]、self.datas[1] 分别访问小时线与日线指标。

自定义指标

可通过继承 bt.Indicator 定义，使用 lines 声明输出线（如 spread、zscore），在 init 中计算并赋值给 self.lines。资料给出基于 SMA 与 StdDev 的价差与 z-score 指标示例。

绘图

backtrader 内置基于 matplotlib 的绘图，例如 cerebro.plot(style="candlestick", volume=True)。在无头环境中可先设置 matplotlib.use("Agg")，再将返回的图形保存为文件。

与其他技能的集成

资料提及可与以下技能配合：

pandas-ta：在外部计算指标，作为数据源列加入；添加额外数据线见 references/api_guide.md。
trading-visualization：从 notify_trade 导出交易日志并用可视化技能绘图。
position-sizing：使用该技能实现 Kelly 或波动率目标型 Sizer。
risk-management：将组合层面的防护规则作为策略过滤器。
slippage-modeling：使用该技能的滑点估计来配置 set_slippage_perc。

文件结构

参考资料：

references/api_guide.md — Cerebro、Strategy、Broker、Analyzer、Data Feed API 参考
references/strategy_patterns.md — 可复用策略模式：交叉、均值回归、多时间框架、自定义指标

脚本：

scripts/backtest_strategy.py — 完整 EMA 交叉回测，含分析器与合成数据
scripts/bracket_orders.py — 括号单演示，使用 RSI 入场与基于 ATR 的止损

快速开始

安装与运行命令如下（保留原文）：

uv pip install backtrader pandas numpy matplotlib
python scripts/backtest_strategy.py --demo
python scripts/bracket_orders.py --demo

限制

资料未提供关于收费、价格、平台限制或性能基准的完整信息；除已述内容外，其余细节暂未提供。