4.2 backtrader 框架回测¶

这一节讲什么？

上一节我们手写了回测引擎，这一节升级到 backtrader 这个专业框架。学会 Strategy / DataFeed / Broker 的架构，以及如何用内置分析器自动计算夏普比率、最大回撤等专业指标。

学习目标¶

• 了解 backtrader 的核心架构（Strategy / Data Feed / Broker）
• 用 backtrader 实现 RSI 策略回测
• 利用 backtrader 绘图和绩效报告

1. 这节究竟解决什么实际问题？¶

4.2 backtrader 框架回测 的具体任务是：把同一研究假设放入事件驱动框架，并核对订单和分析器输出。 本节将明确输入数据、计算过程、输出及其在后续研究中的用途。

2. 前置知识¶

理解收益率、仓位、交易成本与基本技术指标。 对公式的理解应包括变量定义、单位、时间索引和适用条件。

3. 数据说明¶

默认固定历史样本。历史数据只能说明过去在既定假设下发生了什么，不能承诺未来收益。 运行前先检查 shape、日期范围、列名与缺失值。数据看起来能画图，不代表它适合回答研究问题。

4. 学习目标与完成标准¶

完成本节后，你应能用自己的话解释 4.2 backtrader 框架回测 的输入、计算步骤、输出和局限；尤其能说明：把同一研究假设放入事件驱动框架，并核对订单和分析器输出。 你还应能独立改动一个参数并解释结果为什么变化，指出至少一个会让结论失真的假设。

5. 核心概念与公式¶

回测按照明确的成交和成本假设重放历史数据。它不能完整复现未来流动性、订单竞争和系统故障。

策略收益 = 滞后仓位 × 资产收益 − 换手 × 成本；每一项都要有明确单位。 看到公式时依次确认：每个符号的单位是什么？它属于哪个时点？分母会不会为零？它是描述性统计量、预测量，还是交易规则？

6. 从零实现¶

原始代码按照“准备输入 → 计算中间量 → 得到结果 → 解释输出”的顺序组织。每个单元应检查变量类型、索引、维度和代表性数值。中间变量用于核对公式实现和定位计算错误。

7. 成熟库实现¶

回测框架替你管理订单和记录，不会自动判断数据、成本或策略假设是否合理。 使用库函数前先阅读参数含义、默认值和返回对象；库输出一个数字，并不说明这个数字适合你的交易假设。

8. 两种实现的差异¶

从零实现便于核对公式、调试和识别隐含假设；成熟库适合在计算逻辑已验证后复用。两种实现依赖相同的数据口径与时点假设，使用库函数不会改变输入数据的质量。

9. 预期结果与检查范围¶

你应看到维度正确的 Series/DataFrame、日期单调递增的索引，以及能支持“把同一研究假设放入事件驱动框架，并核对订单和分析器输出。”这一任务的表格或图形。金融日收益率均值通常接近 0；若出现极大的连续收益、空表、全 NaN 或索引错位，应先排查数据和对齐逻辑，而不是立即相信结果。

10. 常见错误与诊断¶

信号未滞后、把手续费只扣一次、忽略空仓收益、年化频率错配、将净值曲线当显著性证明。

诊断顺序：先打印类型与 shape，再看 head()/tail()，接着检查日期和 NaN，最后才比较数值。这样能避免在错误的对象上反复改参数。

11. 研究偏差检查¶

检查未来函数、幸存者偏差、重复测试集调参、成交可得性和失败区间；必须报告基线。 结果至少应与一个简单基线比较，并明确哪些部分只是教学演示。

12. 三层练习与答案¶

• 基础练习：验证一个中间变量、补全一段小计算，并用一句话解释输出。
• 研究练习：改变窗口、样本区间、约束或标的，记录哪些结论仍成立。
• 开放项目：把本节方法嵌入模块项目，报告基线、失败结果和限制。

题目在 ../exercises/04_backtesting/02_backtrader_intro_exercises.ipynb；完整推导、可运行参考实现与结果检查在 ../solutions/04_backtesting/02_backtrader_intro_solutions.ipynb。请先独立作答，再打开答案。

13. 延伸阅读¶

延伸材料：Advances in Financial Machine Learning（Lopez de Prado）。阅读记录应包括研究假设、数据频率、样本范围和结论适用条件。

14. 下一节¶

下一节是 03_performance_metrics。本节的概念会成为理解它的输入，而不是孤立的名词。

In [1]:

# 安装检查
try:
    import backtrader as bt
    print(f'backtrader 版本: {bt.__version__} ')
except ImportError:
    print('请先安装: pip install backtrader')

import pandas as pd
import numpy as np
import yfinance as yf
import matplotlib
matplotlib.use('Agg')  # 非交互式后端（Jupyter 兼容）
import matplotlib.pyplot as plt

# 安装检查 try: import backtrader as bt print(f'backtrader 版本: {bt.__version__} ') except ImportError: print('请先安装: pip install backtrader') import pandas as pd import numpy as np import yfinance as yf import matplotlib matplotlib.use('Agg') # 非交互式后端（Jupyter 兼容） import matplotlib.pyplot as plt

backtrader 版本: 1.9.78.123 

In [ ]:

# 默认使用固定样本，保证课程与 CI 不依赖实时接口。
USE_OFFLINE_DATA = True
if USE_OFFLINE_DATA:
    from pathlib import Path
    import sys
    docs_root = next(parent for parent in [Path.cwd(), *Path.cwd().parents]
                     if (parent / 'utils' / 'offline_data.py').exists())
    sys.path.insert(0, str(docs_root))
    from utils.offline_data import configure_yfinance_offline
    configure_yfinance_offline(yf)
else:
    print('在线下载为扩展步骤；请核对数据字段、时区和下载日期。')

# 默认使用固定样本，保证课程与 CI 不依赖实时接口。 USE_OFFLINE_DATA = True if USE_OFFLINE_DATA: from pathlib import Path import sys docs_root = next(parent for parent in [Path.cwd(), *Path.cwd().parents] if (parent / 'utils' / 'offline_data.py').exists()) sys.path.insert(0, str(docs_root)) from utils.offline_data import configure_yfinance_offline configure_yfinance_offline(yf) else: print('在线下载为扩展步骤；请核对数据字段、时区和下载日期。')

In [2]:

import matplotlib.pyplot as plt

# 1. 设置系统自带的中文字体（这里使用黑体 SimHei）
plt.rcParams['font.sans-serif'] = ['SimHei']  # 如果你想用微软雅黑，可以改成 ['Microsoft YaHei']

# 2. 解决更换字体后，负号（-）显示为方块的问题
plt.rcParams['axes.unicode_minus'] = False

import matplotlib.pyplot as plt # 1. 设置系统自带的中文字体（这里使用黑体 SimHei） plt.rcParams['font.sans-serif'] = ['SimHei'] # 如果你想用微软雅黑，可以改成 ['Microsoft YaHei'] # 2. 解决更换字体后，负号（-）显示为方块的问题 plt.rcParams['axes.unicode_minus'] = False

1. backtrader 核心架构¶

Cerebro（大脑）
  ├── DataFeed（数据喂入）— OHLCV 行情
  ├── Strategy（策略）— 信号 + 买卖逻辑
  ├── Broker（经纪商）— 资金、仓位、手续费
  └── Analyzer（分析器）— SharpeRatio, DrawDown 等

最核心的方法是 Strategy.next()：每新增一根K线就会被调用一次。

2. 准备数据¶

In [3]:

# 下载数据并转换为 backtrader 格式
raw = yf.download('SPY', start='2018-01-01', end='2024-01-01', progress=False, auto_adjust=True)
raw = raw.droplevel(1, axis=1) if raw.columns.nlevels > 1 else raw

print(f'数据形状: {raw.shape}')
raw.tail(3)

# 下载数据并转换为 backtrader 格式 raw = yf.download('SPY', start='2018-01-01', end='2024-01-01', progress=False, auto_adjust=True) raw = raw.droplevel(1, axis=1) if raw.columns.nlevels > 1 else raw print(f'数据形状: {raw.shape}') raw.tail(3)

数据形状: (1509, 5)

Out[3]:

Price	Close	High	Low	Open	Volume
Date
2023-12-27	465.014343	465.160719	463.433430	463.970150	68000300
2023-12-28	465.190033	466.029271	464.770414	465.375452	77158100
2023-12-29	463.843231	465.521738	461.881713	464.994757	122283100

3. 实现 RSI 策略¶

In [4]:

class RSIStrategy(bt.Strategy):
    """
    RSI 均值回归策略：
    - RSI < 30 买入（超卖）
    - RSI > 70 卖出（超买）
    """
    params = (
        ('rsi_period', 14),
        ('rsi_overbought', 70),
        ('rsi_oversold', 30),
        ('stake_pct', 0.95),  # 每次用 95% 资金买入
    )

    def __init__(self):
        # 定义指标
        self.rsi = bt.indicators.RelativeStrengthIndex(
            self.data.close, period=self.params.rsi_period
        )
        self.order = None  # 追踪当前挂单

    def log(self, txt):
        dt = self.datas[0].datetime.date(0)
        print(f'[{dt}] {txt}')

    def notify_order(self, order):
        if order.status in [order.Submitted, order.Accepted]:
            return
        if order.status == order.Completed:
            action = '买入' if order.isbuy() else '卖出'
            self.log(f'{action} @ {order.executed.price:.2f}, '
                     f'成本: {order.executed.value:.2f}, '
                     f'手续费: {order.executed.comm:.2f}')
        self.order = None

    def next(self):
        # 已有挂单则跳过
        if self.order:
            return

        if not self.position:  # 无持仓时
            if self.rsi < self.params.rsi_oversold:
                # 超卖 → 买入
                cash = self.broker.getcash()
                size = int(cash * self.params.stake_pct / self.data.close[0])
                self.order = self.buy(size=size)
        else:  # 有持仓时
            if self.rsi > self.params.rsi_overbought:
                # 超买 → 全部平仓
                self.order = self.sell(size=self.position.size)

print('RSIStrategy 定义完成 ')

class RSIStrategy(bt.Strategy): """ RSI 均值回归策略： - RSI < 30 买入（超卖） - RSI > 70 卖出（超买） """ params = ( ('rsi_period', 14), ('rsi_overbought', 70), ('rsi_oversold', 30), ('stake_pct', 0.95), # 每次用 95% 资金买入 ) def __init__(self): # 定义指标 self.rsi = bt.indicators.RelativeStrengthIndex( self.data.close, period=self.params.rsi_period ) self.order = None # 追踪当前挂单 def log(self, txt): dt = self.datas[0].datetime.date(0) print(f'[{dt}] {txt}') def notify_order(self, order): if order.status in [order.Submitted, order.Accepted]: return if order.status == order.Completed: action = '买入' if order.isbuy() else '卖出' self.log(f'{action} @ {order.executed.price:.2f}, ' f'成本: {order.executed.value:.2f}, ' f'手续费: {order.executed.comm:.2f}') self.order = None def next(self): # 已有挂单则跳过 if self.order: return if not self.position: # 无持仓时 if self.rsi < self.params.rsi_oversold: # 超卖 → 买入 cash = self.broker.getcash() size = int(cash * self.params.stake_pct / self.data.close[0]) self.order = self.buy(size=size) else: # 有持仓时 if self.rsi > self.params.rsi_overbought: # 超买 → 全部平仓 self.order = self.sell(size=self.position.size) print('RSIStrategy 定义完成 ')

RSIStrategy 定义完成 

4. 运行回测¶

In [5]:

# 配置 Cerebro
cerebro = bt.Cerebro()
cerebro.addstrategy(RSIStrategy)

# 添加数据
data_feed = bt.feeds.PandasData(dataname=raw)
cerebro.adddata(data_feed)

# 经纪商设置
cerebro.broker.setcash(100_000)        # 初始资金 10 万
cerebro.broker.setcommission(0.001)   # 0.1% 手续费

# 添加分析器
cerebro.addanalyzer(bt.analyzers.SharpeRatio, _name='sharpe', riskfreerate=0.04)
cerebro.addanalyzer(bt.analyzers.DrawDown, _name='drawdown')
cerebro.addanalyzer(bt.analyzers.Returns, _name='returns')
cerebro.addanalyzer(bt.analyzers.TradeAnalyzer, _name='trades')

# 运行
print(f'初始资金: {cerebro.broker.getvalue():,.2f}')
print('--- 交易记录 ---')
results = cerebro.run()
strat = results[0]
final_value = cerebro.broker.getvalue()
print('--- 回测完成 ---')
print(f'最终资产: {final_value:,.2f}')
print(f'总收益率: {(final_value / 100_000 - 1):.2%}')

# 配置 Cerebro cerebro = bt.Cerebro() cerebro.addstrategy(RSIStrategy) # 添加数据 data_feed = bt.feeds.PandasData(dataname=raw) cerebro.adddata(data_feed) # 经纪商设置 cerebro.broker.setcash(100_000) # 初始资金 10 万 cerebro.broker.setcommission(0.001) # 0.1% 手续费 # 添加分析器 cerebro.addanalyzer(bt.analyzers.SharpeRatio, _name='sharpe', riskfreerate=0.04) cerebro.addanalyzer(bt.analyzers.DrawDown, _name='drawdown') cerebro.addanalyzer(bt.analyzers.Returns, _name='returns') cerebro.addanalyzer(bt.analyzers.TradeAnalyzer, _name='trades') # 运行 print(f'初始资金: {cerebro.broker.getvalue():,.2f}') print('--- 交易记录 ---') results = cerebro.run() strat = results[0] final_value = cerebro.broker.getvalue() print('--- 回测完成 ---') print(f'最终资产: {final_value:,.2f}') print(f'总收益率: {(final_value / 100_000 - 1):.2%}')

初始资金: 100,000.00
--- 交易记录 ---
[2018-10-11] 买入 @ 247.74, 成本: 94389.19, 手续费: 94.39
[2019-02-20] 卖出 @ 249.84, 成本: 94389.19, 手续费: 95.19
[2019-08-06] 买入 @ 259.52, 成本: 96280.90, 手续费: 96.28
[2019-11-08] 卖出 @ 280.68, 成本: 96280.90, 手续费: 104.13
[2020-02-26] 买入 @ 287.90, 成本: 103069.29, 手续费: 103.07
[2020-06-08] 卖出 @ 295.16, 成本: 103069.29, 手续费: 105.67
[2022-01-24] 买入 @ 408.67, 成本: 103392.39, 手续费: 103.39
[2022-08-15] 卖出 @ 404.79, 成本: 103392.39, 手续费: 102.41
[2022-09-26] 买入 @ 350.61, 成本: 103429.16, 手续费: 103.43
[2023-06-13] 卖出 @ 420.06, 成本: 103429.16, 手续费: 123.92
[2023-10-04] 买入 @ 410.22, 成本: 123067.35, 手续费: 123.07
[2023-11-21] 卖出 @ 440.46, 成本: 123067.35, 手续费: 132.14
--- 回测完成 ---
最终资产: 138,540.57
总收益率: 38.54%

5. 查看分析器结果¶

In [6]:

sharpe  = strat.analyzers.sharpe.get_analysis()
drawdown = strat.analyzers.drawdown.get_analysis()
returns  = strat.analyzers.returns.get_analysis()
trades   = strat.analyzers.trades.get_analysis()

print('=' * 40)
print('       RSI 策略 — 回测结果')
print('=' * 40)
print(f'年化收益率  : {returns.get("rnorm100", 0):.2f}%')
print(f'夏普比率    : {sharpe["sharperatio"]:.2f}' if sharpe.get('sharperatio') else '夏普比率    : N/A')
print(f'最大回撤    : {drawdown.max.drawdown:.2f}%')
print(f'最大回撤天数: {drawdown.max.len} 天')

total_closed = trades.get('total', {}).get('closed', 0)
total_won = trades.get('won', {}).get('total', 0)
if total_closed > 0:
    print(f'总交易次数  : {total_closed}')
    print(f'胜率        : {total_won / total_closed:.2%}')
print('=' * 40)

sharpe = strat.analyzers.sharpe.get_analysis() drawdown = strat.analyzers.drawdown.get_analysis() returns = strat.analyzers.returns.get_analysis() trades = strat.analyzers.trades.get_analysis() print('=' * 40) print(' RSI 策略 — 回测结果') print('=' * 40) print(f'年化收益率 : {returns.get("rnorm100", 0):.2f}%') print(f'夏普比率 : {sharpe["sharperatio"]:.2f}' if sharpe.get('sharperatio') else '夏普比率 : N/A') print(f'最大回撤 : {drawdown.max.drawdown:.2f}%') print(f'最大回撤天数: {drawdown.max.len} 天') total_closed = trades.get('total', {}).get('closed', 0) total_won = trades.get('won', {}).get('total', 0) if total_closed > 0: print(f'总交易次数 : {total_closed}') print(f'胜率 : {total_won / total_closed:.2%}') print('=' * 40)

========================================
       RSI 策略 — 回测结果
========================================
年化收益率  : 5.59%
夏普比率    : 0.20
最大回撤    : 27.50%
最大回撤天数: 186 天
总交易次数  : 6
胜率        : 83.33%
========================================

6. 参数优化（网格搜索）¶

In [7]:

# 对 RSI 超买超卖阈值做简单优化
results_grid = []

for oversold in [25, 30, 35]:
    for overbought in [65, 70, 75]:
        cerebro_opt = bt.Cerebro()
        cerebro_opt.addstrategy(RSIStrategy,
                                 rsi_oversold=oversold,
                                 rsi_overbought=overbought)
        cerebro_opt.adddata(bt.feeds.PandasData(dataname=raw.copy()))
        cerebro_opt.broker.setcash(100_000)
        cerebro_opt.broker.setcommission(0.001)
        cerebro_opt.addanalyzer(bt.analyzers.SharpeRatio, _name='sharpe', riskfreerate=0.04)

        res = cerebro_opt.run()
        sr = res[0].analyzers.sharpe.get_analysis().get('sharperatio', None)
        final = cerebro_opt.broker.getvalue()
        results_grid.append({
            'oversold': oversold,
            'overbought': overbought,
            'final_value': round(final, 2),
            'total_return': f'{(final/100_000 - 1):.2%}',
            'sharpe': round(sr, 3) if sr else None
        })

opt_df = pd.DataFrame(results_grid).sort_values('final_value', ascending=False)
print('参数优化结果（按最终资产排序）：')
print(opt_df.to_string(index=False))

# 对 RSI 超买超卖阈值做简单优化 results_grid = [] for oversold in [25, 30, 35]: for overbought in [65, 70, 75]: cerebro_opt = bt.Cerebro() cerebro_opt.addstrategy(RSIStrategy, rsi_oversold=oversold, rsi_overbought=overbought) cerebro_opt.adddata(bt.feeds.PandasData(dataname=raw.copy())) cerebro_opt.broker.setcash(100_000) cerebro_opt.broker.setcommission(0.001) cerebro_opt.addanalyzer(bt.analyzers.SharpeRatio, _name='sharpe', riskfreerate=0.04) res = cerebro_opt.run() sr = res[0].analyzers.sharpe.get_analysis().get('sharperatio', None) final = cerebro_opt.broker.getvalue() results_grid.append({ 'oversold': oversold, 'overbought': overbought, 'final_value': round(final, 2), 'total_return': f'{(final/100_000 - 1):.2%}', 'sharpe': round(sr, 3) if sr else None }) opt_df = pd.DataFrame(results_grid).sort_values('final_value', ascending=False) print('参数优化结果（按最终资产排序）：') print(opt_df.to_string(index=False))

[2018-10-11] 买入 @ 247.74, 成本: 94389.19, 手续费: 94.39
[2019-02-05] 卖出 @ 245.01, 成本: 94389.19, 手续费: 93.35
[2020-02-28] 买入 @ 264.55, 成本: 91006.64, 手续费: 91.01
[2020-06-02] 卖出 @ 282.56, 成本: 91006.64, 手续费: 97.20
[2022-01-28] 买入 @ 409.28, 成本: 99864.41, 手续费: 99.86
[2022-03-30] 卖出 @ 436.80, 成本: 99864.41, 手续费: 106.58
[2018-10-11] 买入 @ 247.74, 成本: 94389.19, 手续费: 94.39
[2019-02-20] 卖出 @ 249.84, 成本: 94389.19, 手续费: 95.19
[2020-02-28] 买入 @ 264.55, 成本: 92593.97, 手续费: 92.59
[2020-06-08] 卖出 @ 295.16, 成本: 92593.97, 手续费: 103.31
[2022-01-28] 买入 @ 409.28, 成本: 105594.34, 手续费: 105.59
[2022-08-15] 卖出 @ 404.79, 成本: 105594.34, 手续费: 104.44
[2018-10-11] 买入 @ 247.74, 成本: 94389.19, 手续费: 94.39
[2019-11-18] 卖出 @ 284.08, 成本: 94389.19, 手续费: 108.23
[2020-02-28] 买入 @ 264.55, 成本: 104498.91, 手续费: 104.50
[2020-06-09] 卖出 @ 295.24, 成本: 104498.91, 手续费: 116.62
[2022-01-28] 买入 @ 409.28, 成本: 119509.87, 手续费: 119.51
[2023-06-16] 卖出 @ 429.07, 成本: 119509.87, 手续费: 125.29
[2018-10-11] 买入 @ 247.74, 成本: 94389.19, 手续费: 94.39
[2019-02-05] 卖出 @ 245.01, 成本: 94389.19, 手续费: 93.35
[2019-08-06] 买入 @ 259.52, 成本: 94464.28, 手续费: 94.46
[2019-10-31] 卖出 @ 277.33, 成本: 94464.28, 手续费: 100.95
[2020-02-26] 买入 @ 287.90, 成本: 100190.26, 手续费: 100.19
[2020-06-02] 卖出 @ 282.56, 成本: 100190.26, 手续费: 98.33
[2022-01-24] 买入 @ 408.67, 成本: 96445.07, 手续费: 96.45
[2022-03-30] 卖出 @ 436.80, 成本: 96445.07, 手续费: 103.08
[2022-09-26] 买入 @ 350.61, 成本: 103429.16, 手续费: 103.43
[2023-02-02] 卖出 @ 398.79, 成本: 103429.16, 手续费: 117.64
[2023-10-04] 买入 @ 410.22, 成本: 117324.20, 手续费: 117.32
[2023-11-15] 卖出 @ 437.48, 成本: 117324.20, 手续费: 125.12
[2018-10-11] 买入 @ 247.74, 成本: 94389.19, 手续费: 94.39
[2019-02-20] 卖出 @ 249.84, 成本: 94389.19, 手续费: 95.19
[2019-08-06] 买入 @ 259.52, 成本: 96280.90, 手续费: 96.28
[2019-11-08] 卖出 @ 280.68, 成本: 96280.90, 手续费: 104.13
[2020-02-26] 买入 @ 287.90, 成本: 103069.29, 手续费: 103.07
[2020-06-08] 卖出 @ 295.16, 成本: 103069.29, 手续费: 105.67
[2022-01-24] 买入 @ 408.67, 成本: 103392.39, 手续费: 103.39
[2022-08-15] 卖出 @ 404.79, 成本: 103392.39, 手续费: 102.41
[2022-09-26] 买入 @ 350.61, 成本: 103429.16, 手续费: 103.43
[2023-06-13] 卖出 @ 420.06, 成本: 103429.16, 手续费: 123.92
[2023-10-04] 买入 @ 410.22, 成本: 123067.35, 手续费: 123.07
[2023-11-21] 卖出 @ 440.46, 成本: 123067.35, 手续费: 132.14
[2018-10-11] 买入 @ 247.74, 成本: 94389.19, 手续费: 94.39
[2019-11-18] 卖出 @ 284.08, 成本: 94389.19, 手续费: 108.23
[2020-02-26] 买入 @ 287.90, 成本: 108251.55, 手续费: 108.25
[2020-06-09] 卖出 @ 295.24, 成本: 108251.55, 手续费: 111.01
[2022-01-24] 买入 @ 408.67, 成本: 108705.04, 手续费: 108.71
[2023-06-16] 卖出 @ 429.07, 成本: 108705.04, 手续费: 114.13
[2023-10-04] 买入 @ 410.22, 成本: 115273.08, 手续费: 115.27
[2023-12-14] 卖出 @ 459.24, 成本: 115273.08, 手续费: 129.05
[2018-02-06] 买入 @ 229.42, 成本: 93371.97, 手续费: 93.37
[2018-06-11] 卖出 @ 246.73, 成本: 93371.97, 手续费: 100.42
[2018-10-11] 买入 @ 247.74, 成本: 100830.45, 手续费: 100.83
[2019-02-05] 卖出 @ 245.01, 成本: 100830.45, 手续费: 99.72
[2019-05-14] 买入 @ 254.72, 成本: 100614.49, 手续费: 100.61
[2019-06-21] 卖出 @ 266.98, 成本: 100614.49, 手续费: 105.46
[2019-08-06] 买入 @ 259.52, 成本: 105364.00, 手续费: 105.36
[2019-10-31] 卖出 @ 277.33, 成本: 105364.00, 手续费: 112.60
[2020-02-26] 买入 @ 287.90, 成本: 111706.38, 手续费: 111.71
[2020-06-02] 卖出 @ 282.56, 成本: 111706.38, 手续费: 109.63
[2021-09-21] 买入 @ 411.48, 成本: 109452.78, 手续费: 109.45
[2021-10-22] 卖出 @ 427.12, 成本: 109452.78, 手续费: 113.61
[2022-01-20] 买入 @ 429.21, 成本: 113311.68, 手续费: 113.31
[2022-03-30] 卖出 @ 436.80, 成本: 113311.68, 手续费: 115.31
[2022-04-27] 买入 @ 395.90, 成本: 114811.43, 手续费: 114.81
[2022-08-01] 卖出 @ 389.90, 成本: 114811.43, 手续费: 113.07
[2022-09-07] 买入 @ 372.06, 成本: 112363.01, 手续费: 112.36
[2023-02-02] 卖出 @ 398.79, 成本: 112363.01, 手续费: 120.43
[2023-03-14] 买入 @ 375.37, 成本: 121621.22, 手续费: 121.62
[2023-06-05] 卖出 @ 413.26, 成本: 121621.22, 手续费: 133.90
[2023-08-18] 买入 @ 419.73, 成本: 130535.04, 手续费: 130.54
[2023-11-15] 卖出 @ 437.48, 成本: 130535.04, 手续费: 136.06
[2018-02-06] 买入 @ 229.42, 成本: 93371.97, 手续费: 93.37
[2018-07-26] 卖出 @ 252.07, 成本: 93371.97, 手续费: 102.59
[2018-10-11] 买入 @ 247.74, 成本: 103060.11, 手续费: 103.06
[2019-02-20] 卖出 @ 249.84, 成本: 103060.11, 手续费: 103.94
[2019-05-14] 买入 @ 254.72, 成本: 104435.29, 手续费: 104.44
[2019-07-05] 卖出 @ 269.98, 成本: 104435.29, 手续费: 110.69
[2019-08-06] 买入 @ 259.52, 成本: 110554.34, 手续费: 110.55
[2019-11-08] 卖出 @ 280.68, 成本: 110554.34, 手续费: 119.57
[2020-02-26] 买入 @ 287.90, 成本: 118616.06, 手续费: 118.62
[2020-06-08] 卖出 @ 295.16, 成本: 118616.06, 手续费: 121.61
[2021-09-21] 买入 @ 411.48, 成本: 121385.60, 手续费: 121.39
[2021-11-03] 卖出 @ 434.82, 成本: 121385.60, 手续费: 128.27
[2022-01-20] 买入 @ 429.21, 成本: 127475.64, 手续费: 127.48
[2022-08-15] 卖出 @ 404.79, 成本: 127475.64, 手续费: 120.22
[2022-09-07] 买入 @ 372.06, 成本: 119804.26, 手续费: 119.80
[2023-06-13] 卖出 @ 420.06, 成本: 119804.26, 手续费: 135.26
[2023-08-18] 买入 @ 419.73, 成本: 133473.12, 手续费: 133.47
[2023-11-21] 卖出 @ 440.46, 成本: 133473.12, 手续费: 140.07
[2018-02-06] 买入 @ 229.42, 成本: 93371.97, 手续费: 93.37
[2019-11-18] 卖出 @ 284.08, 成本: 93371.97, 手续费: 115.62
[2020-02-26] 买入 @ 287.90, 成本: 116312.83, 手续费: 116.31
[2020-06-09] 卖出 @ 295.24, 成本: 116312.83, 手续费: 119.28
[2021-09-21] 买入 @ 411.48, 成本: 118916.74, 手续费: 118.92
[2021-11-05] 卖出 @ 442.35, 成本: 118916.74, 手续费: 127.84
[2022-01-20] 买入 @ 429.21, 成本: 127046.43, 手续费: 127.05
[2023-06-16] 卖出 @ 429.07, 成本: 127046.43, 手续费: 127.01
[2023-08-18] 买入 @ 419.73, 成本: 125498.31, 手续费: 125.50
[2023-12-14] 卖出 @ 459.24, 成本: 125498.31, 手续费: 137.31
参数优化结果（按最终资产排序）：
 oversold  overbought  final_value total_return  sharpe
       35          70    147925.63       47.93%   0.297
       35          75    144697.50       44.70%   0.233
       35          65    143757.24       43.76%   0.258
       30          70    138540.57       38.54%   0.199
       30          75    134914.64       34.91%   0.143
       25          75    131075.25       31.08%   0.108
       30          65    130989.67       30.99%   0.110
       25          65    111288.07       11.29%  -0.352
       25          70    109759.87        9.76%  -0.325

练习¶

1. 修改策略：当 RSI 从下穿越 30 后（而不是持续低于 30 时）才买入。
2. 加入止损：持仓亏损超过 5% 时强制平仓。
3. 使用 cerebro.optstrategy() 做完整网格搜索，找到最优参数组合。

---

下一节 → 03_performance_metrics.ipynb

In [ ]: