年化收益19.3%，最大回撤率：-18.32%。

按quantlab5.x的规划，我们同样纳入backtrader，但不做太多的封装。

使用notebook来呈现它的策略开发过程。

首先同样是数据预处理和加载：

backtrader与bt、pybroker不同：

它是加载一个个独立的dataframe，然后需要加一个字段——openinterest，这是期货里的概念，暂时用不到，直接置为0即可。

@staticmethod
def get_backtrader_df(symbol: str):
    df = CSVDataloader.get_df([symbol])
    df.set_index('date', inplace=True)
    df['openinterest'] = 0
    df = df[['open', 'high', 'low', 'close', 'volume', 'openinterest']]
    return df

同样实现昨天的策略：

class roc_trend(bt.Strategy):
    # 参数定义
    params = dict(
        period=20,  # 动量周期
    )

    def __init__(self):
        self.roc = bt.indicators.ROC(self.data, period=self.p.period)
        # self.roc = bt.talib.ROC(self.data, period=self.p.period)

    def next(self):
        if not self.position:  # not in the market
            if self.roc[-1] > 0.08:  # if fast crosses slow to the upside
                self.order_target_percent(self.data, 0.99)  # enter long
                # self.buy()  # enter long

        elif self.roc[-1] < 0:  # in the market & cross to the downside
            self.close()  # close long position

客观讲，backtreader更接近传统像zipline和quantopian的逻辑：

支持order_target_percent（目标比例仓位）这样的api。

我们使用quantstats做结果分析：

代码在如下位置：

对比一下：

吾日三省吾身

人们习惯低估做成一件事情的难度，尤其在开发回测系统这件事上。

要做一个demo几行代码就够了，比如一个向量化的信号回测策略。

但，要写一个完善的，稳定的系统，那需要考虑的事情，细节就相当多了。

一开始，低估难度，追求可控性，选择自己从零开始写。

刚开始当然很爽，很有成就感。

但越后面，发现稳定性，扩展性，功能。

不如选择成熟的框架，即便一开始有学习成本，甚至有些看似不合理的地方。

第二个问题，在选择框架方面，同样过于追求可控性，代码可读性。忽视了，其实，稳定性，生态，扩张性才是最重要的。真正需要改造框架的机会不多！

第三个问题，在界面上，网站上，数据自动更新，缓存上，规则配置上花了不少时间，没有直奔主题。真正的点是策略，可实盘交易的策略，交易体系。

——大道至简！福尔摩斯只关心且精通与侦破有关的知识，对于地球围绕太阳转还是反过来，他完全不关心，甚至觉得，你就算知道了，也应该尽快忘掉它！。

精力有限，专注于最重要的事情上并取得突破。

在量化投资配置，还是“与交易为生”的投资能力上摇摆。——这是基础逻辑。

“具备职业投资的能力，但不需要依赖它谋生”——以出世的心态做入世的事情。

感悟

阅读三体有一个体会，当你在一段关系中，由于某种原因暂时无法离开，如同三体人在黑暗森林威慑下，应该报持何种态度对待地球人？

1、真心诚意地满足对方。

2、时刻准备让自己离的开它。

一段感情如是，职场纷争亦然。

几个心态：

“允许一切发生”的淡定与释然。

“凡事发生必有利于我”——生命中看似让你不爽，不愉快的人和事，必定是来“提醒你”，还有进步与提升的空间，或者，在某些方面需要最出改变。

“避免与猪在泥地里摔跤”。

你要做的是，有能力离开泥地。

社会运行规律是价值交换，让自己强大。

然后笑看风云。

你会发现身边的人都会越来越美好。

基于pybroker实现的“创业板-择时策略”，策略代码在这个notebook里，

首先加载数据——这里可以加载多个symbols，

from datafeed.dataloader import CSVDataloader
df = CSVDataloader.get_df(['000300.SH', #沪深300
                          '000905.SH', #创业板
                           '159915.SZ'
                         ])
df

得到如下数据：

自定义一个指标，这里我们没有使用pandas的函数，而是使用numba来加速。

这里需要说明的是ctx里的数据，已经是按symbol，group_by之后的结果，因此可以直接使用。

import talib
import pybroker
import numpy as np
from numba import njit

def roc_N(bar_data, lookback):

    @njit  # Enable Numba JIT.
    def vec_roc(values):
        # Initialize the result array.
        n = len(values)
        out = np.array([np.nan for _ in range(n)])

        for i in range(lookback, n):
            out[i] = values[i]/values[i-lookback] -1
        return out

    # Calculate with close prices.
    return vec_roc(bar_data.close)

这里的指标，还有更简洁的实现方式，调用talib：

roc_20 = pybroker.indicator('roc_20', lambda data: talib.ROC(data.close, timeperiod=20)/100)

与如下这行代码是等价的：

roc_20 = pybroker.indicator('roc_20', roc_N, lookback=20)

定义好的指标，就可以开始写策略了：

def pick_time(ctx):
    if ctx.indicator("roc_20")[-1] > 0.08:
        ctx.buy_shares = ctx.calc_target_shares(1.0)
    if ctx.indicator("roc_20")[-1] < 0:

ctx.sell_all_shares()

roc_20 = pybroker.indicator('roc_20', roc_N, lookback=20)

from pybroker import Strategy
strategy = Strategy(df, '20100101','20240601')
strategy.add_execution(pick_time, ['159915.SZ'],indicators=[roc_20])
result = strategy.backtest()
result.orders