用Backtrader+QuantStats+Akshare实现多股回测：从数据获取到可视化分析的完整流程

基于Backtrader+QuantStats+Akshare的量化回测实战指南

在量化投资领域，构建一个完整的回测系统是验证交易策略有效性的关键步骤。本文将带你使用Python生态中的三大神器——Backtrader、QuantStats和Akshare，从零开始搭建一个专业级的多股票回测系统。不同于简单的单股测试，多股回测能更真实地模拟实际交易环境，检验策略的普适性和稳定性。

1. 环境准备与工具介绍

在开始之前，我们需要明确每个工具的核心定位：

• Backtrader：功能强大的回测框架，支持多资产、多时间框架的策略测试
• QuantStats：专业的量化分析库，提供丰富的绩效指标和可视化报表
• Akshare：免费开源的经济金融数据接口，覆盖A股、港股、美股等市场

1.1 安装必要依赖

pip install backtrader quantstats akshare pandas matplotlib

提示：建议使用Python 3.8+环境，某些库的最新版本可能不兼容旧版Python

1.2 工具功能对比

2. 数据获取与预处理

2.1 使用Akshare获取股票数据

Akshare提供了多种获取股票历史数据的方式，以下是一个获取多只股票日线数据的示例：

import akshare as ak import pandas as pd def fetch_stock_data(stock_codes, start_date, end_date): all_data = {} for code in stock_codes: try: df = ak.stock_zh_a_daily(symbol=code, start_date=start_date, end_date=end_date) df['date'] = pd.to_datetime(df['date']) df.set_index('date', inplace=True) all_data[code] = df print(f"成功获取 {code} 数据，共 {len(df)} 条记录") except Exception as e: print(f"获取 {code} 数据失败: {str(e)}") return all_data # 示例：获取三只股票的历史数据 stock_list = ['000001', '600000', '601318'] start = '20200101' end = '20231231' stock_data = fetch_stock_data(stock_list, start, end)

2.2 数据格式转换

Backtrader需要特定的数据格式，我们需要将Akshare获取的数据进行转换：

def prepare_backtrader_data(raw_data, stock_code): df = raw_data.copy() df['openinterest'] = 0 # Backtrader要求字段 df = df[['open', 'high', 'low', 'close', 'volume', 'openinterest']] return bt.feeds.PandasData(dataname=df, name=stock_code)

3. 多股回测策略开发

3.1 基础策略框架

以下是一个支持多股票交易的双均线策略实现：

class MultiStockStrategy(bt.Strategy): params = ( ('fast_period', 10), ('slow_period', 30), ('printlog', True) ) def __init__(self): # 为每只股票创建指标 self.indicators = {} for d in self.datas: self.indicators[d] = { 'fast_ma': bt.indicators.SMA(d.close, period=self.p.fast_period), 'slow_ma': bt.indicators.SMA(d.close, period=self.p.slow_period), 'cross': bt.indicators.CrossOver(d.close, self.indicators[d]['slow_ma']) } def next(self): for d in self.datas: pos = self.getposition(d).size # 金叉且无持仓时买入 if self.indicators[d]['cross'] > 0 and not pos: self.buy(data=d, size=100) # 死叉且有持仓时卖出 elif self.indicators[d]['cross'] < 0 and pos > 0: self.close(data=d)

3.2 多股回测的特殊处理

多股回测相比单股有一些需要特别注意的地方：

1. 资金分配：需要考虑资金如何在多只股票间分配
2. 交易成本：不同市场的交易成本可能不同
3. 数据对齐：确保所有股票数据的时间轴一致

以下是一个改进版的资金管理方案：

class ProportionalSizer(bt.Sizer): params = (('percents', 10),) def _getsizing(self, comminfo, cash, data, isbuy): if isbuy: return int(cash * self.p.percents / 100 / data.close[0]) return self.broker.getposition(data).size

4. 回测执行与性能分析

4.1 配置并运行回测

def run_backtest(data_dict): cerebro = bt.Cerebro() # 添加数据 for code, data in data_dict.items(): bt_data = prepare_backtrader_data(data, code) cerebro.adddata(bt_data) # 添加策略 cerebro.addstrategy(MultiStockStrategy) # 设置初始资金 cerebro.broker.setcash(100000) # 添加分析器 cerebro.addanalyzer(bt.analyzers.PyFolio, _name='pyfolio') # 运行回测 results = cerebro.run() return results[0]

4.2 使用QuantStats生成专业报告

def generate_quantstats_report(strat): portfolio_stats = strat.analyzers.getbyname('pyfolio') returns, positions, transactions, gross_lev = portfolio_stats.get_pf_items() returns.index = returns.index.tz_localize(None) # 生成HTML报告 quantstats.reports.html( returns, output='quant_report.html', title='多股回测结果' ) # 在浏览器中打开报告 import webbrowser webbrowser.open('quant_report.html')

4.3 关键绩效指标解读

QuantStats报告包含数十种绩效指标，其中几个关键指标值得特别关注：

1. 年化收益率：策略的年化收益表现
2. 最大回撤：策略的最大亏损幅度
3. 夏普比率：风险调整后的收益
4. 胜率：盈利交易占总交易的比例

5. 高级技巧与优化方向

5.1 多时间框架分析

Backtrader支持在策略中使用不同时间周期的数据：

class MultiTimeframeStrategy(bt.Strategy): def __init__(self): # 添加周线数据 weekly_data = {} for d in self.datas: weekly_data[d] = bt.resample.DataReplayer( dataname=d, timeframe=bt.TimeFrame.Weeks ) self.adddata(weekly_data[d]) # 现在可以在策略中同时使用日线和周线数据

5.2 参数优化

Backtrader内置了参数优化功能，可以自动测试不同参数组合：

cerebro.optstrategy( MultiStockStrategy, fast_period=range(5, 20, 5), slow_period=range(20, 60, 10) )

5.3 实时可视化

在回测过程中实时观察策略表现：

cerebro.addobserver(bt.observers.Value) cerebro.addobserver(bt.observers.DrawDown)

6. 实战案例：A股多因子策略

让我们实现一个稍微复杂些的多因子策略，结合成交量、波动率和动量指标：

class MultiFactorStrategy(bt.Strategy): params = ( ('volume_ma_period', 20), ('volatility_period', 30), ('momentum_period', 10) ) def __init__(self): self.indicators = {} for d in self.datas: # 成交量指标 vol_ma = bt.indicators.SMA(d.volume, period=self.p.volume_ma_period) # 波动率指标 returns = bt.indicators.LogReturns(d.close) volatility = bt.indicators.StdDev(returns, period=self.p.volatility_period) # 动量指标 momentum = d.close / d.close(-self.p.momentum_period) self.indicators[d] = { 'vol_ma': vol_ma, 'volatility': volatility, 'momentum': momentum } def next(self): for d in self.datas: pos = self.getposition(d).size ind = self.indicators[d] buy_signal = ( (d.volume[0] > ind['vol_ma'][0]) and (ind['volatility'][0] < ind['volatility'][-1]) and (ind['momentum'][0] > 1.05) ) sell_signal = ( (d.volume[0] < ind['vol_ma'][0]) or (ind['volatility'][0] > ind['volatility'][-1] * 1.5) ) if buy_signal and not pos: self.buy(data=d) elif sell_signal and pos > 0: self.close(data=d)

在实际项目中，我发现数据质量对回测结果影响极大。特别是A股市场，需要注意除权除息、停牌等特殊情况。建议在数据预处理阶段加入以下检查：

• 验证数据连续性，处理缺失交易日
• 检查异常价格（如涨跌停）
• 处理除权除息导致的股价跳空