入门 Backtrader 必看：用 Python 回测股票策略，真的不难！

大家好，我是花姐。

很多人都听说 Backtrader 是量化回测神器，但一看文档就懵了，怎么全是英文，对于英文差的人来说简直是一个头两个大！

今天这篇文章，我不讲废话，从六个维度彻底拆解 Backtrader：

数据结构 → 资金佣金 → 加载数据 → 构建策略 → 添加指标 → 策略回测

你读完这篇，就能搭好自己的量化回测框架，从"看别人做策略"走到"自己调策略"！

零、先把环境整好！

别急，咱们一步一步来：

第一步，安装 Python。我推荐直接去官网下个最新版就行。装完后，命令行里输：

bash 复制代码

python --version

能看到版本号就说明搞定了。

接着装 pip（通常 Python 自带了），然后创建一个新文件夹，开干。

我自己平时用的是 VSCode。界面干净、插件好用，最重要的是------能自动补全变量名，这对我这种懒人来说简直是福音。

然后安装我们要用的工具：

bash 复制代码

pip install backtrader matplotlib pandas

搞定收工。

一、Backtrader 的数据结构特点

Backtrader 是面向对象设计的，一切都以类为核心组件，整体结构分成几个核心模块：

组件	说明
`Cerebro`	大脑，控制整个策略执行流程（类似策略引擎）
`Strategy`	自定义交易逻辑的主类
`DataFeed`	数据输入结构（支持CSV、Pandas、在线）
`Broker`	资金账户管理，包括现金、佣金等
`Observer`	可视化组件，用于绘图和显示交易过程
`Indicator`	技术指标模块，如 MA、MACD 等

核心逻辑 是把你定义的策略和数据，扔进 Cerebro 这个"大脑"去跑一遍。

这是一套解耦且灵活的设计。你可以随意组合策略、数据、指标，实现复用与扩展。

二、资金管理与佣金设置

回测第一步：搞清楚你"账户"有多少钱、怎么扣手续费。

资金初始化：

python 复制代码

cerebro.broker.setcash(1000000)  # 初始资金100万

设置佣金：

python 复制代码

cerebro.broker.setcommission(commission=0.001)  # 千分之一佣金

你也可以自定义滑点、印花税，甚至构造自己的 Broker 类。

💡Tips：股票策略中，手续费常见是 1‰，有的平台会再加万一印花税（卖出收）。

三、数据加载方式

Backtrader 支持三类数据输入：

类型	举例
在线数据	Yahoo Finance、Quandl
本地 CSV 文件	`股票行情csv格式数据`
Pandas 数据	用 `bt.feeds.PandasData` 输入

想快速了解Backtrader用法的，推荐使用 yfinance 快速抓取数据，回测测试很方便：

python 复制代码

import yfinance as yf
df = yf.download('AAPL', start='2020-01-01', end='2022-01-01')
data = bt.feeds.PandasData(dataname=df)
cerebro.adddata(data)

作为国人，这里推荐用AKShare、baoStock库，或者用花姐之前讲的xtquant+MiniQMT也是非常赞的解决方案。详情可以参考以下文章：《MiniQMT+Backtrader：平民股票量化界的"黄金搭档"，永远的神！》 mp.weixin.qq.com/s/fi8SuuJ_s...

四、构建策略类

策略必须继承 bt.Strategy 类，实现两个核心方法：

python 复制代码

class MyStrategy(bt.Strategy):
    def __init__(self):
        # 初始化指标或状态
        self.ma5 = bt.ind.SMA(self.datas[0], period=5)

    def next(self):
        # 每根K线触发一次，决定是否买卖
        if self.ma5[0] > self.ma5[-1]:
            self.buy()

常用方法说明：

方法	作用
`__init__`	初始化策略、定义指标
`next()`	每根K线触发一次判断逻辑
`buy()/sell()`	发起买卖操作
`notify_order()`	监听订单状态（成交/拒绝）

这套框架类似量化平台的"策略执行器"。

五、添加指标：技术派的好帮手

Backtrader 内置了大量指标，包括：

SMA：Simple Moving Average
EMA：Exponential MA
MACD、RSI、ATR 等常见指标

用法超级简单：

python 复制代码

self.ma5 = bt.ind.SMA(self.datas[0].close, period=5)
self.macd = bt.ind.MACD(self.datas[0].close)

你也可以：

用 self.indicators 统一管理指标
自定义指标类（继承 bt.Indicator）

💡 记住：所有指标默认都是"延迟一根"计算的，因为你不能用未来的数据，符合实盘规则。

六、策略回测流程全流程

完整回测流程只有 6 步，贴一套最小可运行模板👇

python 复制代码

import backtrader as bt
import yfinance as yf

# 1. 策略类
class TestStrategy(bt.Strategy):
    def __init__(self):
        self.ma5 = bt.ind.SMA(self.datas[0].close, period=5)
        self.ma10 = bt.ind.SMA(self.datas[0].close, period=10)

    def next(self):
        if not self.position:
            if self.ma5[0] > self.ma10[0] and self.ma5[-1] <= self.ma10[-1]:
                self.buy()
        else:
            if self.ma5[0] < self.ma10[0] and self.ma5[-1] >= self.ma10[-1]:
                self.sell()

# 2. 初始化Cerebro
cerebro = bt.Cerebro()
cerebro.addstrategy(TestStrategy)

# 3. 下载数据
df = yf.download("AAPL", start="2020-01-01", end="2022-01-01")
data = bt.feeds.PandasData(dataname=df)
cerebro.adddata(data)

# 4. 设置资金与佣金
cerebro.broker.setcash(1000000)
cerebro.broker.setcommission(commission=0.001)

# 5. 执行回测
print('初始资金: %.2f' % cerebro.broker.getvalue())
cerebro.run()
print('回测后资金: %.2f' % cerebro.broker.getvalue())

# 6. 绘图
cerebro.plot()

运行完这套代码，你就真正理解了：

指标是怎么加的
数据怎么接入
策略怎么执行
结果怎么评估

小结：Backtrader 的实战价值

Backtrader 好在哪？我总结为三点：

结构清晰：OOP 思维，符合策略模块化设计
灵活扩展：可自定义指标、手续费、交易逻辑
实盘接轨：设计贴近实盘限制，防未来数据穿越

对 Python 熟一点的朋友来说，这是一套半天学会、一天上手、三天上战绩的回测利器

花姐建议

👉 用 Backtrader 学回测比盲猜技术指标靠谱多了
👉 每个策略都先设 stop-loss，别回测赚，实盘亏
👉 别迷信一条线，组合策略更稳健

这就是今天的干货：从框架到底层逻辑，Backtrader 全面拆解。

如果你是量化小白，强烈建议你：

跑一遍，调一遍，动手了你就懂了

有问题，欢迎留言。