量化交易backtrader实践(三)_指标与策略篇(1)_指标简介与手工双均线策略

01_指标

指标是一个汉语词语，读音是zhǐ biāo，意思是衡量目标的参数；预期中打算达到的指数、规格、标准，一般用数据表示。

统计学术语

指标是说明总体数量特征的概念及其数值的综合，故又称为综合指标。在实际的统计工作和统计理论研究中，往往直接将说明总体数量特征的概念称为指标。

简单理解，概念+数值 = 指标。

在工作上，可以有验收指标，评价指标，销售指标等。因此股票研究中，会产生各种不同的指标，比如MA(移动平均值）,比如30天最高，也可以出现许多的组合或者复杂指标，比如KDJ, MACD。更可以叠加成各种不同的战法指标。注意指标的概念，指标可以是有效的，也可以的错误的。

001_均线类指标

A_平均值与中位数

首先，平均值与中位数是两个概念，需要把它们的差别理解清楚。

平均值（Mean）和中位数（Median）都是描述数据集中趋势的统计量，但它们的定义和计算方式不同，适用于不同类型的数据分布。

平均值（Mean）：

定义：所有数值加起来的总和除以数值的数量。
计算公式：平均值 $=\frac{\sum_{1}^{n}X_{i}}{n}$
其中Xi 表示数据集中的每一个数值，n是数值的总数。
特点：容易受到极端值（非常高或非常低的数值）的影响。

中位数（Median）：

定义：将数据集从小到大排序后位于中间位置的数值。如果数据集中的数值个数是奇数，中位数就是中间的那个数；如果是偶数，则是中间两个数的平均值。
计算方法：首先将数据集排序，然后找到中间的数值。
特点：不受极端值的影响，更能反映数据的中心位置。

敏感性：平均值对极端值敏感，中位数则不敏感。
计算方式：平均值是所有数值的总和除以数值的数量，中位数是排序后位于中间位置的数值。
数据分布：如果数据分布是对称的，平均值和中位数通常很接近；如果数据分布是偏斜的，两者可能会相差很大。
应用场景：在数据分布不均或包含极端值的情况下，中位数通常是一个更稳健的中心趋势度量。

我们用一个简单的例子来说明它们之间的差别，通过python代码随机产生31（中位数是排序后第16个）个介于50~100之间数（某个班的考试成绩），然后计算它们的平均值和中位数，然后在图中绘制散点图作为1号情况；接着我们更改这31个数里的索引为0和1的数值为10和15，打个比方有两个学生生病了，只做了几道题就交卷了，这样的情况下，计算平均值和中位数作为2号情况。

import matplotlib.pyplot as plt
import numpy as np

# 生成31个随机数据(奇数的中位数)
np.random.seed(0)  # 设置随机种子以确保结果可复现
data = np.random.normal(70, 6, 31)  # 生成31个数据


data2 = np.copy(data)   # 第二组数据改动2个值
data2[0] = 10
data2[1] = 20

# 计算平均值和中位数
mean_value = np.mean(data)
median_value = np.median(data)
print('平均值=%.2f,中位数=%.2f'%(mean_value,median_value))

# 对数据进行排序
sorted_data = np.sort(data)
print(sorted_data)

# 绘制散点图
plt.scatter(range(len(data)), data, color='blue', label='Data Points')

# 绘制平均值和中位数的线
plt.axhline(y=mean_value, color='red', linestyle='--', label=f'Mean: {mean_value:.2f}')
plt.axhline(y=median_value, color='green', linestyle='-', label=f'Median: {median_value:.2f}')

# 标记平均值和中位数
plt.scatter(len(data)*1.05, mean_value, color='red', label='Mean')
plt.scatter(len(data)*1.05, median_value, color='green', label='Median')
plt.ylim(50,90)

所以，要提高平均分的方法很简单，那两个生病的不计入，可见极值对平均值的影响有多大，这个在K线上其实也有同样的问题，某些日子的K线它就不是一个正常值，计算到平均值里就会产生一定的误导，如果我们使用中位数则极值的影响就非常小，它只看排在中间的那个的数值就行了。

B_平均值与正态分布

正态分布（Normal Distribution），也称为高斯分布，是连续概率分布的一种，其概率密度函数的形状是对称的钟形曲线，这种分布广泛存在于自然科学和社会科学中。

在正态分布中，平均值是分布的中心，也是分布的峰值所在的位置。正态分布的曲线是关于平均值对称的，这意味着平均值将数据集分为两个相等的部分。

import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import norm

mean_value = np.mean(data)
std_value = np.std(data)
print(mean_value,std_value)

mean_value2 = np.mean(data2)
std_value2 = np.std(data2)
print(mean_value2,std_value2)

# 绘制正态分布曲线
x = np.linspace(0, 120, 120)
y = norm.pdf(x,mean_value,std_value)
plt.plot(x, y, 'k', linewidth=2)

# 绘制正态分布曲线

y2 = norm.pdf(x,mean_value2,std_value2)
plt.plot(x, y2, 'r', linewidth=3)

# 设置图例
plt.legend()

# 设置图表标题和坐标轴标签
plt.title('Normal Distribution')
plt.xlabel('Value')
plt.ylabel('Probability Density')

# 显示图表
plt.show()

我们把上面的2组数据分别计算后绘制正态分布图在一起，就可以发现，原数据平均值72.6，标准差为6.39，而添加了离谱的10，15的数据后，平均值变到了68.63，标准差增大到了15.45，图形上可以看到原数据（黑线）分布范围小，也就是大家的成绩都差不多，而更改了分布（红线）范围就非常大，也就表示有某些人的成绩跟大家差得太远。

A股市场有5000多支股票，也会遵循着正态分布的规律，所以我们的策略本身应用于这些股票的时候，就会出现偏差，有的股票上表现特别的好，大多数表现一般，某些股票上表现的极差。

在正态分布中，大约68%的数据位于均值（μ）的一个标准差（σ）范围内，大约95%的数据位于两个标准差范围内，大约99.7%的数据位于三个标准差范围内。这些百分比是正态分布的属性，也称为68-95-99.7规则或经验法则。

具体来说：

约68%的数据值落在 μ−σ 到 μ+σ之间。
约95%的数据值落在 μ−2σ 到 μ+2σ 之间。
约99.7%的数据值落在 μ−3σ到 μ+3σ 之间。

对于股票来说，大多数的情况下都在2个标准差之内运行，只有少数情况下会跳到2个标准差之外，但是另外一个帕累托原则（Pareto Principle），简称2-8规律却告诉我们在任何一组事物中，最重要的只占一小部分，约20%，而其余80%尽管是多数，却往往是次要的。联想一下，看看是不是大多数情况下行情都是小涨小跌，只有极少数的情况下会有大行情？再想一下，是不是在大行情里才能赚取超额利润？

布林线指标就是根据正态分布进行计算的指标，对它的理解也可以这样认为，大多数情况下股价会在2个标准差之间波动，极少数情况穿出2个标准差可能就是极致行情。

C_移动平均线

关于移动平均线的定义，可以直接问AI得到：

移动平均线（Moving Average，简称MA）是技术分析中的一种常用工具，它有助于平滑价格数据，展现价格趋势的方向和强度。“移动”这个词在这里有两层含义：

数据的滚动性：移动平均线不是固定不变的，它随着时间的推移而“移动”。在计算移动平均值时，你会选择一个特定的时间周期（如5天、10天、30天等），然后计算这个周期内的平均价格。随着新的数据点加入和旧的数据点退出，移动平均线会相应地更新，从而“移动”。

平均的计算方式：移动平均线是对过去某个特定时间周期内的价格数据进行平均。随着新的交易日的结束，最旧的数据点会被新的数据点替换，然后重新计算平均值。这个过程就像是计算平均的过程在时间序列上“移动”。

移动平均线可以帮助交易者识别市场趋势，因为它们可以过滤掉短期的价格波动，使主要趋势更加明显。当价格在移动平均线之上时，通常被视为上升趋势；当价格在移动平均线之下时，通常被视为下降趋势。

移动平均线有几种不同的类型，包括简单移动平均线（SMA）、指数移动平均线（EMA）和加权移动平均线（WMA）。每种类型都有其特定的计算方法，但它们的核心目的都是提供对市场趋势的洞察。

其中我们使用最多的SMA和EMA，关于它们的区别也可以直接问AI

计算方法:

SMA（简单移动平均线）: SMA是通过计算特定时间周期内的数值的平均值来得到的。例如，如果你计算10天的SMA，你会将过去10天的收盘价相加然后除以10。随着时间的推移，你会移动这个窗口一天，再次计算平均值，这样你就得到了一个SMA的数据点。SMA给予所有数据点相同的权重。

EMA（指数移动平均线）: EMA也计算平均值，但它使用指数衰减的方式，给予最近的数据点更大的权重。EMA的计算稍微复杂一些，它使用一个平滑因子（通常是周期的倒数加一的一半，例如对于10天EMA，平滑因子是2/(10+1)）来确定最近数据点的权重。EMA的计算需要一个初始值，通常取为第一天的值或周期内的平均值。

对价格变化的响应:

SMA对价格变化的响应比较慢，因为它给予所有数据点相同的权重，所以它对最近的价格变动不太敏感。
EMA对价格变化的响应更快，因为它给予最近的价格更大的权重，所以它能够更快地适应价格的变化。

趋势跟踪:

由于SMA的滞后性，它更适用于识别已经确立的趋势。
EMA由于其敏感性，更适用于捕捉趋势的早期变化。

可以用excel的公式来了解： MA5相当于C2:C6的累加再除以5，EMA5相当于C6*2/(5+1) + F5*(1-2/(5+1)) ，这里2/(N+1)就是平滑因子，1-2/(N+1) = 1- 2/6 = 4/6

002_双均线策略的简单实现

在基本了解了移动平均线这类指标后，我们在不使用backtrader的前提下，自己动手实现一个双均线策略，也通过这个实践过程，去对应感受backtrader的功能。

A_数据获取

一支股票的数据获取在第一篇里有详细的过程，这里直接用第二篇里准备好的代码

# Notebook 数据准备
import akshare as ak
import pandas as pd

def get_df_from_stock(code1):
    stock_df = ak.stock_zh_a_hist(symbol=code1, period="daily", start_date="20220901", adjust="qfq")
    stock_df.rename(columns={
        '日期':'date', '开盘':'open', '收盘':'close',
        '最高':'high', '最低':'low',  '成交量':'volume',
    },inplace=True)

    stock_df.index = pd.to_datetime(stock_df.date)
    stock_df['openinterest'] = 0
    stock_df = stock_df[['open','high','low','close','volume','openinterest']]
    return stock_df


myStockList = ['001287','002179','600860','300233','002774']

df_stock_list = []

for x in myStockList:
    df_tmp = get_df_from_stock(x)
    df_stock_list.append(df_tmp)

df = df_stock_list[1]
df

-----------------------
	        open	high	low	    close	volume	openinterest
date						
2022-09-01	45.90	47.12	45.64	46.75	96128	0
2022-09-02	46.90	47.90	46.55	47.18	59848	0
2022-09-05	47.15	47.86	46.75	46.98	42456	0
2022-09-06	46.98	48.40	46.82	48.19	71577	0
2022-09-07	48.18	48.58	47.88	48.37	56144	0
...	...	...	...	...	...	...
2024-09-19	37.31	37.42	36.30	36.92	47857	0
2024-09-20	36.99	37.19	36.30	36.82	52096	0
2024-09-23	36.60	37.69	36.58	36.87	68754	0
2024-09-24	36.87	38.31	36.65	38.16	93653	0
2024-09-25	38.16	39.05	37.39	37.79	160848	0
501 rows × 6 columns

B_简单数据处理_in_pandas

1) SMA数据

SMA的数据由rolling(滚动）和mean（平均）两个部分组成，pandas里也的确是这么用的

import pandas as pd
import numpy as np

df['Short_MA'] = df['close'].rolling(window=5).mean()  # 例如5天移动平均线
df['Long_MA'] = df['close'].rolling(window=10).mean()   # 例如10天移动平均线

df.head(20)

-------------------------

            open	high	low	    close	volume	op	Short_MA Long_MA
date								
2022-09-01	45.90	47.12	45.64	46.75	96128	0	NaN	    NaN
2022-09-02	46.90	47.90	46.55	47.18	59848	0	NaN	    NaN
2022-09-05	47.15	47.86	46.75	46.98	42456	0	NaN	    NaN
2022-09-06	46.98	48.40	46.82	48.19	71577	0	NaN	    NaN
2022-09-07	48.18	48.58	47.88	48.37	56144	0	47.494	NaN
2022-09-08	48.08	49.04	48.08	48.80	61370	0	47.904	NaN
2022-09-09	48.98	49.05	47.53	48.37	56915	0	48.142	NaN
2022-09-13	48.21	49.07	47.90	48.78	50211	0	48.502	NaN
2022-09-14	48.59	50.98	48.22	50.45	113593	0	48.954	NaN
2022-09-15	50.28	50.67	48.38	48.99	68075	0	49.078	48.286
2022-09-16	48.98	50.90	48.75	49.15	85685	0	49.148	48.526
2022-09-19	49.16	50.13	48.35	48.88	58896	0	49.250	48.696
2022-09-20	49.36	49.96	48.73	49.38	55072	0	49.370	48.936
2022-09-21	49.06	49.46	47.88	47.94	50475	0	48.868	48.911
2022-09-22	47.90	49.26	47.65	48.73	67467	0	48.816	48.947
2022-09-23	49.36	50.93	48.49	49.11	136230	0	48.808	48.978
2022-09-26	48.73	48.82	47.29	47.63	74714	0	48.558	48.904
2022-09-27	47.67	47.82	46.94	47.23	61429	0	48.128	48.749
2022-09-28	47.23	47.86	45.13	45.32	109959	0	47.604	48.236
2022-09-29	45.32	46.36	44.83	45.02	76422	0	46.862	47.839

我们看到，SMA的特点就在于N-1日是没有计算数据的，比如5日均线前4天为NaN，10日均线则前9天为NaN。有些时候我们会把NaN用close的值替代掉或者去掉N-1天的数据，这也是上一节看到在股票软件评测系统中有增加100天数据用于计算的选项。增加100天就可以避免做这些操作。

df["Long_MA"][:9] = df['close'][:9]

# 或者

df = df.loc[9:,:]

2）同列当天与前一天比较

这个最典型的就是日收益的计算，拿今天收盘价减去昨天收盘价，在pandas里用shift(x)来实现，

df['c_prev'] = df.close.shift(1)
df['c_next'] = df.close.shift(-1)
df['day_change'] = df.close - df.close.shift(1)  # 当天收盘价 - 昨日收盘价

df = df.tail(120)
df.head(10)

---------------------
	        open	high	low	    close	volume	o	Short_MA	Long_MA	c_prev	c_next	day_change
date											
2024-04-01	33.88	34.35	33.78	34.08	151838	0	33.912	34.982	33.81	33.40	0.27
2024-04-02	34.09	34.10	33.23	33.40	125136	0	33.632	34.651	34.08	32.82	-0.68
2024-04-03	33.21	33.30	32.61	32.82	141144	0	33.552	34.300	33.40	32.83	-0.58
2024-04-08	32.68	32.96	32.25	32.83	118979	0	33.388	34.033	32.82	32.65	0.01
2024-04-09	32.83	33.05	32.48	32.65	92947	0	33.156	33.668	32.83	32.35	-0.18
2024-04-10	32.50	32.58	31.84	32.35	98752	0	32.810	33.361	32.65	31.70	-0.30
2024-04-11	32.00	32.33	31.61	31.70	137972	0	32.470	33.051	32.35	30.79	-0.65
2024-04-12	31.61	31.86	30.61	30.79	224733	0	32.064	32.808	31.70	32.27	-0.91
2024-04-15	30.70	32.33	30.58	32.27	251100	0	31.952	32.670	30.79	32.07	1.48
2024-04-16	32.29	32.80	32.01	32.07	206348	0	31.836	32.496	32.27	32.51	-0.20

3) Cross判断

有了移动平均线，又有了上一个，下一个数据的比较，我们就可以制作cross判断了。

从之前的基础中我们知道，cross交叉是由2组条件相与得到的，无论是股票软件的cross(line1,line2)还是backtrader中的crossover(line1,line2)都需要2条线的数据，这里以5日和10日平均线为例，MA5上穿MA10就是意味着当天的MA5>MA10，而且昨天的MA5.shift(1)<MA10.shift(1) ，所以我们可以得到上穿（金叉）买点和下穿（死叉）卖点。


df['crs_up'] = (df['Short_MA'] > df['Long_MA']) & (df['Short_MA'].shift(1) < df['Long_MA'].shift(1))
df['crs_dn'] = (df['Short_MA'] < df['Long_MA']) & (df['Short_MA'].shift(1) > df['Long_MA'].shift(1))

从输出的数据可以看到，当前一天的MA5<MA10，而当天的MA5>MA10时，crs_up就会置True，表示这里发生了金叉，我们的买卖策略在这里做买入，买入价格使用当天的收盘价。

之后，当前一天的MA5>MA10，而当天的MA5<MA10，crs_dn就会置True，这里就是卖出。

4) EMA的计算及使用上一个值

EMA的计算在上面已经学习过了，它要使用到前一天的EMA和当天的close并根据平滑因子计算，因此EMA不管是多少（5或者10），都只需要计算当天的close和前一天的ema，不像MA5那样前4个都是NaN。

在pandas中可以直接使用ewm和mean()来计算得到：

df['EMA_5'] = df['close'].ewm(span=5, adjust=False).mean()
df[['close','volume','EMA_5']]  

-----------------
	        close	volume	EMA_5
date			
2022-09-01	46.75	96128	46.750000
2022-09-02	47.18	59848	46.893333
2022-09-05	46.98	42456	46.922222
2022-09-06	48.19	71577	47.344815
2022-09-07	48.37	56144	47.686543
...	...	...	...
2024-09-20	36.82	52096	37.085958
2024-09-23	36.87	68754	37.013972
2024-09-24	38.16	93653	37.395981
2024-09-25	37.79	160848	37.527321
2024-09-26	37.69	72755	37.581547

如果没有这么一个函数，我们可以尝试自己来制作。由于是当天的值需要使用到前一天的值，这个比较适合用循环来做，类似于backtrader里的next()中来完成，而不太合适直接用DataFrame的列计算的直接方式。

calc_days = 5
smooth_factor = 2.0/(calc_days + 1)

print('smooth_factor',smooth_factor)

df['calc_ema5'] = 0

# 计算累积值
for i in range(len(df)):
    if i == 0:
        # 第一个元素就是当天的Close值
        df.at[df.index[i], 'calc_ema5'] = df.at[df.index[i], 'close']
    else:
        # 从第二个元素开始，累加当天的Close值和前一天的累加值
        df.at[df.index[i], 'calc_ema5'] = df.at[df.index[i], 'close'] * smooth_factor + df.at[df.index[i - 1], 'calc_ema5'] * (1-smooth_factor)

df[['close','volume','EMA_5','calc_ema5']]

---------------------------
	        close	volume	EMA_5	    calc_ema5
date				
2022-09-01	46.75	96128	46.750000	46.750000
2022-09-02	47.18	59848	46.893333	46.893333
2022-09-05	46.98	42456	46.922222	46.922222
2022-09-06	48.19	71577	47.344815	47.344815
2022-09-07	48.37	56144	47.686543	47.686543
...	...	...	...	...
2024-09-20	36.82	52096	37.085958	37.085958
2024-09-23	36.87	68754	37.013972	37.013972
2024-09-24	38.16	93653	37.395981	37.395981
2024-09-25	37.79	160848	37.527321	37.527321
2024-09-26	37.69	72755	37.581547	37.581547

从输出结果上看，我们自己做的calc_ema5与使用ewm和mean()得到的EMA5的值是一模一样的。

C_绘图与收益计算

对于一个双均线的策略，前面已经计算得到了短均线 SMA5和长均线SMA10，然后根据金叉买入死叉卖出（Cross的计算）得到的买点和卖点，在这样的基础上已经可以计算策略的收益了，也可以使用绘图的模块来绘制K线和买卖位置。

参考文档：

Python的mpl_finance模块从2020年已经提醒弃用，新mplfinance模块详解（一）-CSDN博客

1）Mpl_finance模块简单绘图

在backtrader里我们都不需要去考虑绘图的问题。这里简单过一下怎么使用mpl_finance模板进行快速绘图。

使用mpl_finance进行K线图绘制非常的简单，只要把dataframe的数据传进去就行了。

import mplfinance as mpf
mpf.plot(df, type='candle',style='charles',volume=True)

需要注意，mpf绘图的df是有格式要求的，但它又恰好与我们制作的准备给backtrader的数据格式相同，即 open,high,low,close,volume五个数据必须按顺序来

	        open	high	low	    close	volume
date					
2022-09-01	45.90	47.12	45.64	46.75	96128
2022-09-02	46.90	47.90	46.55	47.18	59848
2022-09-05	47.15	47.86	46.75	46.98	42456
2022-09-06	46.98	48.40	46.82	48.19	71577
2022-09-07	48.18	48.58	47.88	48.37	56144
...	...	...	...	...	...

2）添加均线

这里添加上SMA5和SMA10的均线，添加线或点都用addplot，这里数据有点多，添加的图线会看不清，于是数据量截取只保留80天的K线来显示。addplot可以是一个数据，也可以是个list（list里也可以只有一个数据）

import mplfinance as mpf

add_plot= [mpf.make_addplot(df.Long_MA,color='r'),
          mpf.make_addplot(df.Short_MA,color='g'),]

mpf.plot(df,addplot=add_plot, type='candle',style='charles',volume=True)

这样就把K线和SMA5/SMA10的线都画出来了。

3）添加买卖点图标

在买点和卖点位置画图标，则需要买点的最低价和卖点的最高价进行图标绘制，数据可以是list，也可以直接是np.ndarray类型。

基于前面已经有了crs_up和crs_dn的列，先通过np.where的使用得到买点和卖点的数据，以买点buy_list为例，当df['crs_up']为True的时候，取df['low']的值，否则就是空。

# 画图标需要有价格，买画在low下，卖画在high上

buy_list = list(np.where(df['crs_up'], df['low'], np.nan))  # list
sell_list = np.where(df['crs_dn'], df['high'], np.nan)   # np.ndarray

print(type(buy_list))
print(type(sell_list))

----------------------------
<class 'list'>
<class 'numpy.ndarray'>

然后，把买卖点图标加入到addplot中，就能绘制出带买点卖点的图了。

import mplfinance as mpf

add_plot= [mpf.make_addplot(df.Long_MA,color='r'),
          mpf.make_addplot(df.Short_MA,color='g'),
          mpf.make_addplot(buy_list,scatter=True,marker='^',markersize=80,color='r'),
          mpf.make_addplot(sell_list,scatter=True,marker='v',markersize=80)]

mpf.plot(df,addplot=add_plot, type='candle',style='charles',volume=True)

4）计算收益和成功率

收益计算采用在买点的位置记录close价格，在卖点的位置的close减去买点的价格，最后再乘上一个股票数量（假设为1200股，接近5W）；而成功次数用一次买卖计数加1，如果收益为正则成功次数加1的方式计算。

def calcu_profit(df):
    df.loc[:,'profit'] = 0.0
    
    total_times = 0
    win_times = 0
    buyPrice = 0
    
    for index, row in df.iterrows():
        if row.crs_up == True:
            buyPrice = row.close
        if row.crs_dn == True and buyPrice!=0:
            total_times += 1
            df.loc[index,'profit'] = round(row.close - buyPrice,2)
            
            if row.close -buyPrice >0:
                win_times +=1
                
    pct = (win_times/total_times)*100
    profit = round(df['profit'].sum(),2)
    
    print('总交易次数', total_times)
    print('成功次数', win_times)
    print('胜率 %.2f%%'%pct)
    print('收益',profit*1200)


calcu_profit(df)

------------------
总交易次数 4
成功次数 2
胜率 50.00%
收益 -3108.0

D_使用ta-lib的指标

双均线比较简单，用pandas直接可以实现，但有些指标像KDJ,MACD,BOLL,RSI等就不是那么容易的实现，我们也不需要重复造轮子，可以直接用ta-lib中的指标。

ta-lib直接pip install安装容易出问题，可以在网站上搜索ta-lib找到通用的离线安装包下载安装

【免费】TA-Lib-0.4.26-cp*-cp*m-win*.whlTA-Lib库离线安装文件打包资源-CSDN文库

使用起来也非常方便，以布林线指标为例，直接调用talib.BBANDS即可

import talib

df['Upper'], df['Middle'], df['Lower'] = talib.BBANDS(df['close'], 
                                                        timeperiod=20, 
                                                        nbdevup=2, 
                                                        nbdevdn=2, matype=0)

003_手工实现与backtrader的对比

A_数据获取

数据获取方面，都是需要借助第三方库或者爬虫等，步骤上没什么差别。

手工实现上，直接使用pandasData就可以了，而在backtrader中，还需要通过feeds把pandasData处理成backtrader自己的结构，我们在第二篇里详细介绍了关于Datas，Data，lines等内容，这些是手工简单实现所没有的，也是比较复杂的部分。

B_交易系统设置

手工实现最关键的是没有backtrader的交易系统设置的部分。

持仓position判断，交易规模sizer，手工的代码里没有。

交易手续费与滑点计算，手工的代码里也没有。

交易时机管理，backtrader以第二日开盘价成交，如果要以当日收盘价则为cheat-on_close。

手工代码没有订单的概念，订单的类型，撤单等。

C_观测器与绘图

backtrader有观测器模块observers，可以统计回测信息并进行可视化展示，手工代码没有。

D_参数优化

手工代码没有参数优化功能。

E_评价

手工代码没有内置评价模块，虽然也可以自己计算日收益然后交给第三方库例如quantstats进行评价。

F_绘图增强

手工代码的绘图还处于比较初级的阶段，远远没有backtrader的图形那样实用，不过这些都不是大问题，毕竟股票软件有着更好的视觉体验，我们可以结合着股票软件来进行图形显示。

G_内置指标

backtrader有很多的内置指标，可以直接使用，指标这一块也没有太大的问题，因为手工代码也可以借助ta-lib的库来获取指标计算数据，并且backtrader也内置了ta-lib指标的调用。

小结

手工做一个双均线策略，或者再来一个布林线策略，能让我们对策略实现的流程有更深刻的理解，也细致的复习了关于pandas的典型应用。同时我们也看到了，我们所有想到的和没有想到的，backtrader基本上已经全部帮我们实现了，所以借助backtrader，我们就不需要把时间和精力放在重复造轮子这件事上，而是在弄清楚它的运行机制和原理后，好好利用它去得到适合的标的、适合的策略、适合的时机，赚取相对而言较好的收益。