选择bt框架的核心原因：“积木式”，低代码的策略开发模式

尽管bt框架内置了不少算子，但扩展自己的算子，才是我们掌握了这个框架的标志。这意味着我们真正可以驾驭这个框架，实现咱们想实现的功能。

实现算子并不复杂，但要设计出一个良好的可复用的算子，还是需要花点心思。

框架内置的SelectMomentum算子，按N天的收益率（动量）对标的进行从大到小排序，取前N个。这个算子在轮动策略中非常有效。

在这个不够灵活，我们希望可以传入任何信号（Siganl）,都可以进行排序。

我们看下源代码里SelectMomentum的实现：

它继承了AlgoStack，然后初始化的时候，传入StatTotalReturn和SelectN两个算子，搞定。

这就是代码复用的力量。

class SelectHolding(bt.Algo):
    def __init__(self):
        pass

    def __call__(self, target):
        holding = []
        if target.now in target.positions.index:
            sig = target.positions.loc[target.now] > 0
            se_pos = sig[sig == True].index  # noqa: E712
            universe = target.universe.loc[target.now, list(se_pos)].dropna()
            holding = list(universe[universe > 0].index)

        if 'selected' not in target.temp.keys():
            return True

        # 如果前而有selected，则加上当前持仓。
        selected = target.temp['selected']
        selected = list(set(selected + holding))
        target.temp['selected'] = selected
        return True

其中StatTotalReturn这个算子计算当前所有标的收益率，缓存在target.temp[‘stat’]中；SelectN读取这个stat中的值，对标的进行排序，取最大的前N个。

class SelectMomentum(AlgoStack):

    def __init__(
        self,
        n,
        lookback=pd.DateOffset(months=3),
        lag=pd.DateOffset(days=0),
        sort_descending=True,
        all_or_none=False,
    ):
        super(SelectMomentum, self).__init__(
            StatTotalReturn(lookback=lookback, lag=lag),
            SelectN(n=n, sort_descending=sort_descending, all_or_none=all_or_none),
        )

一个极简的，根据信号从大到小排序的算子实现如下：

Signal可以是信号的dataframe，也可以是变量字符串；K就是取前N个。

class SelectTopK(bt.AlgoStack):
def __init__(self, signal, K):
super(SelectTopK, self).__init__(bt.algos.SetStat(signal), bt.algos.SelectN(K))

代码同步在星球下，请大家自取：

AI量化实验室——2024量化投资的星辰大海

吾日三省吾身

昨天的文章，几个反思点： 生产有长期价值的产品。

这个不确定的时代，你无法规划长远，但不意味着你无所作为。而是说计划赶不上变化，临渊羡鱼，不如退而结网，当下看到——有生产长期价值产品的机会，干就是了。——也许这就是局部最优，但没关系，没有人真的可以看到所谓的全局最优。——机器学习的搜索算法也是如此。

若你仍想思考更长期的未来。

不是你想过什么样的生活，这个太容易，太廉价，谁不想权倾天下，富可敌国？周游列国，结交名仕。

把“我想要”，换成“我能给”。

芒格说，“得到一件想要的东西最好的办法，就是想办法配得上它”。

你要想，什么样的能力和付出，配过这样的生活。

这个社会，本质就是价值交换，你想得到什么，取决你能拿什么东西来换。

80%的精力做当下最优，能产出阶段产品的事情。

20%的精力随兴趣漫游，尝试各种新事情，积极拥抱各种可能性。

历史文章：

选择bt框架的核心原因：“积木式”，低代码的策略开发模式

AI量化实验室——2024量化投资的星辰大海

量化投资系列第2篇，以bt框架为基础，简单明了的讲明白，如何快速开发一个策略。

策略开发通常是源自我们的一些想法和思路，使用回测框架去验证它。

而当一个策略逻辑比较复杂时，新手常常分不清，到底是策略代码有问题，还是策略本身不可行。

因此，如果一个框架可以尽量减少这些策略开发中的“模板化”的代码，把常用的模板都实现好，让我们实现策略就像“搭乐高”一样轻松愉悦。

这就是我选择bt框架的核心原因：“积木式”，低代码的策略开发模式。

下面是常见python生态一些开源框架的对比：

框架名称	功能	特点	优势	劣势
Backtrader	提供量化回测和实盘交易的Python框架，支持股票、期货、期权、加密货币等资产。	模块化设计，丰富的指标库，支持多周期回测，数据源灵活。号称“最强的单机版回测框架”，国内有不少机构用户。	功能完善，支持多品种、多策略、多周期回测；社区活跃，文档详实。	代码复杂，使用元类和抽象基类，对新手不太友好；国内实盘交易支持不足。
PyAlgoTrade	支持策略回测和实时交易，提供统计和分析功能。	事件驱动模型，易于使用，支持多种数据源。目前项目已经不维护了。	易于上手，策略编写简单；支持实盘交易和参数优化。	社区和文档支持不如Backtrader；高级功能较少。
VectorBT	允许用户自定义输入和输出，支持多种市场和交易规则。	高灵活性和扩展性，适用于金融数据预处理和策略开发。主要特点是向量化回测，速度化。	支持复杂的策略和数据分析；可以与其他Python库协同工作。	相对较新，社区和文档可能不如其他框架成熟。
Qlib	是一个开源的量化投资平台，提供数据、回测、实盘交易等功能。	集成多种量化策略，支持机器学习。	强大的数据处理能力；集成多种量化和机器学习策略。	适用于AI驱动的量化，对规则策略的开发支持相对较少。
Backtesting.py	提供简洁的API进行策略回测。	简洁易用，快速上手。	API简洁，容易理解和使用。支持参数优化。	只支持单标的回测。