10年24倍的etf轮动策略复现，回测+实盘一体解决方案：backtrader的模块化策略模板，附python代码

原创内容第958篇，专注量化投资，AGI和智能体落地、个人成长与财富自由。

今天来说说回测框架了。

从做量化开始，就在读开源的代码和自己写框架之间做选择。

记得最新看的框架是pyalgotrade。这个框架的优点是功能比较全，基于事件驱动的引擎，且代码量不大，代码比较易读，只是它使用了自定义的数据结构，没有使用pandas的dataframe。——这一点与vnpy有点像，把数据读到一个个bar里。

后来使用backtrader，网上资料比较多，社区的例子也很丰富。只是backtrader的代码元编程不易读。backtrader是回测/实盘一体的。

然后就是vnpy, qlib，pybroker都仔细学习过，读过代码。

回头看选择的标准，如果是初学，从易上手和完整的角度，建议从backtrader开始，然后可以使用bt来提升效率。机器学习的量化看qlib。

从实盘回测一体来看：backtrader和vnpy。

按照bt的“模块化算子”，我用backtrader实现了一下：

我们用下面这个策略模板来复刻咱们网站上这个策略，10年24倍的轮动策略：

import backtrader as btimport numpy as np
class StrategyTemplate(bt.Strategy):    params = (        ('lookback',25),    )    def log(self, txt, dt=None):        dt = dt or self.datas[0].datetime.date(0)
    def notify_order(self, order):        """订单状态通知"""        if order.status in [order.Submitted, order.Accepted]:            return
        if order.status in [order.Completed]:            if order.isbuy():                self.log(f"买入执行, 价格: {order.executed.price:.2f}, 数量: {order.executed.size}, 成本: {order.executed.value:.2f}, 佣金: {order.executed.comm:.2f}")                self.buy_price = order.executed.price                self.buy_date = self.datas[0].datetime.date(0)            elif order.issell():                profit = order.executed.value - order.created.value                self.log(f"卖出执行, 价格: {order.executed.price:.2f}, 数量: {order.executed.size}, 收益: {profit:.2f}, 佣金: {order.executed.comm:.2f}")
        elif order.status in [order.Canceled, order.Margin, order.Rejected]:            self.log(f"订单取消/保证金不足/拒绝")
    def order_by(self, topK=1, dropN=0, desc=True):        # 步骤1：计算所有资产的当前指标值        ranking = []        for d in self.datas:            # 跳过数据不足的资产            if len(d) < self.p.lookback:                continue
            # 获取当前指标值            if 'sorter' not in self.inds[d].keys():                print('order_by==>sorter指标不存在，请检查')                return            ind_value = self.inds[d]['sorter'][0]
            # 跳过无效值            if np.isnan(ind_value):                continue
            ranking.append((d, ind_value))
        # 按指标值降序排序（从大到小）        ranking.sort(key=lambda x: x[1], reverse=desc)        selected = [asset for asset, _ in ranking[dropN:topK]]        return selected
    def weight_equally(self,selected):
        weights = {}        for data in selected:            weights[data] = 1/len(selected)        return weights
    def rebalance(self,weights):
        """根据新权重调整仓位"""        total_value = self.broker.getvalue()        #print(weights)        to_buy = {}        for i, data in enumerate(self.datas):            if data in weights.keys():                # 计算目标市值                target_value = total_value * weights[data]            else:                target_value = 0
            # 计算当前持仓市值            current_value = self.getposition(data).size * data.close[0]
            # 计算需要交易的数量            size_diff = (target_value - current_value) / data.close[0]
            # 执行订单            if size_diff > 0:                to_buy[data] = size_diff
            elif size_diff < 0:                self.sell(data=data, size=abs(size_diff))
        # self.buy(data=data, size=size_diff)        for data, size in to_buy.items():            self.buy(data=data, size=size)class RotationStrategyTemplate(StrategyTemplate):    def next(self):        selected = self.order_by()        weights = self.weight_equally(selected)        self.rebalance(weights)

策略就比较简单了：

from collections import defaultdict
from strategy_template import RotationStrategyTemplateimport backtrader as btfrom backtrader_inds import TrendScore
class TrendScoreRotation(RotationStrategyTemplate):    params = (        ('lookback',25),    )
    def __init__(self):        self.inds = defaultdict(dict)  # 存储各资产ROC指标        for data in self.datas:            self.inds[data]['sorter'] = TrendScore(data, period=self.params.lookback)

backtrader是回测/实盘一体的。

backtrader兼顾回测策略开发效率，与实盘无缝切换。

这里按bt的模块化算子思路，封装了轮动策略的模板。

代码已经提

AI量化实验室 星球，已经运行三年多，1700+会员。

aitrader代码，因子表达式引擎、遗传算法（Deap）因子挖掘引擎等，支持vnpy，qlib，backtrader和bt引擎，内置多个年化30%+的策略，每周五迭代一次，代码和数据在星球全部开源。

年化收益548%，回撤才6%，夏普比5.72，这个策略一直很稳定，附python代码

年化30.24%，最大回撤19%，综合动量多因子评分策略再升级（python代码+数据）

创业板+纳指+黄金的轮动，13年70倍 | 年入千万超级个体，才是普通人创业的趋势。