前面八篇量化投资实战教程，我们所使用到的数据仅仅只有收盘价、成交量等普通指标，如果我们有其他的指标需要进行回测怎么办？
此外，前面使用的数据源都是基于csv文件的，我们能否从数据库（比如MySQL）中直接提取数据作为回测的数据源呢？
事实上，backtrader虽然没有直接提供接口给我们做这样的优化，但是我们可以通过继承DataBase基类重写DataFeed实现目的。下面就给大家演示一下如何从MySQL中提取数据并增加换手率指标进行回测。
本文完整源代码和数据均在开源代码仓库中：
https://github.com/Ckend/pythondict-quant
1.准备
开始之前，你要确保Python和pip已经成功安装在电脑上，如果没有，请访问这篇文章：超详细Python安装指南 进行安装。
(可选1) 如果你用Python的目的是数据分析，可以直接安装Anaconda：Python数据分析与挖掘好帮手—Anaconda，它内置了Python和pip.
(可选2) 此外，推荐大家用VSCode编辑器来编写小型Python项目：Python 编程的最好搭档—VSCode 详细指南
Windows环境下打开Cmd(开始—运行—CMD)，苹果系统环境下请打开Terminal(command+空格输入Terminal)，输入命令安装依赖：
在终端输入以下命令安装我们所需要的依赖模块:
pip install backtrader pip install numpy pip install matplotlib
看到 Successfully installed xxx 则说明安装成功。
2.自定义DataFeed
何为DataFeed？DataFeed 即 backtrader 中的“数据源”，任何数据进入策略回测前都要通过DataFeed，而DataFeed中会对数据进行处理，使得策略可以高效地进行计算。
而我们今天要做的，就是增加一个基于MySQL的DataFeed，使得整个流程变得更加自动化。
首先，需要定义一个类，使其继承与backtrader的数据基类 DataBase:
from backtrader.feed import DataBase
from backtrader import date2num
class MySQLData(DataBase):
pass如果需要从外部传入所需股票数据的代码和其一定范围内的K线数据，需要提前定义params. 此外，如果你有除了datetime(时间)、open(开盘价)、close(收盘价)、high(最高价)、low(最低价)、volume(成交量) 之外的指标。需要提前定义lines，如下所示：
class MySQLData(DataBase):
params = (
('fromdate', datetime.datetime.min),
('todate', datetime.datetime.max),
('ts_code', ''),
)
lines = (
"turnover",
"turnover_rate"
)可见在lines中，我增加了两个指标：turnover(成交额) 和 turnover_rate(换手率)。
接下来，编写一个函数根据params参数从MySQL中获取数据：
def load_data_from_db(self, table, ts_code, start_time, end_time):
"""
从MySQL加载指定数据
Args:
table (str): 表名
ts_code (str): 股票代码
start_time (str): 起始时间
end_time (str): 终止时间
return:
data (List): 数据集
"""
db = pymysql.connect(
host="localhost",
user="root",
password="12345678",
db="golden_stone",
port=3306
)
cur = db.cursor()
sql = cur.execute(
f"SELECT * FROM {table} WHERE trade_time >= '{start_time}' and trade_time < '{end_time}'"
f"and ts_code = '{ts_code}' order by trade_time asc"
)
data = cur.fetchall()
db.close()
return iter(list(data))代码本身没有什么可说的，记得替换你本地的mysql配置，值得注意的是最后一行，拿到mysql数据后需要转化为迭代器。
在类初始化的时候，需要定义相关的数据存放变量并调用上述函数获取数据：
def __init__(self, *args, **kwargs):
self.result = []
self.empty = False
def start(self):
self.result = self.load_data_from_db("stock_normalk", self.p.ts_code, self.p.fromdate, self.p.todate)
接下来到了关键的步骤，在 `cerebro.adddata(data)` 的时候，cerebro会遍历Datafeed的所有数据，此时会调用_load函数, 因此我们需要在这里，将数据库中提取的每列数据对应到lines上：
def _load(self):
if self.empty:
return False
try:
one_row = next(self.result)
except StopIteration:
return False
self.lines.datetime[0] = date2num(one_row[3])
self.lines.open[0] = float(one_row[4])
self.lines.high[0] = float(one_row[5])
self.lines.low[0] = float(one_row[6])
self.lines.close[0] = float(one_row[7])
self.lines.volume[0] = float(one_row[8])
self.lines.turnover[0] = float(one_row[9])
self.lines.turnover_rate[0] = float(one_row[12])
return True
如果你完整地看完了我的上述分析，那么理解下面整个DataFeed，甚至自己写一个DataFeed，是非常容易的。
# Python 实用宝典
# 自定义数据流 — Python 量化投资实战教程(9)
import datetime
import traceback
import pymysql
from backtrader.feed import DataBase
from backtrader import date2num
class MySQLData(DataBase):
params = (
('fromdate', datetime.datetime.min),
('todate', datetime.datetime.max),
('ts_code', ''),
)
lines = (
"turnover",
"turnover_rate"
)
def load_data_from_db(self, table, ts_code, start_time, end_time):
"""
从MySQL加载指定数据
Args:
table (str): 表名
ts_code (str): 股票代码
start_time (str): 起始时间
end_time (str): 终止时间
return:
data (List): 数据集
"""
db = pymysql.connect(
host="localhost",
user="root",
password="12345678",
db="golden_stone",
port=3306
)
cur = db.cursor()
sql = cur.execute(
f"SELECT * FROM {table} WHERE trade_time >= '{start_time}' and trade_time < '{end_time}'"
f"and ts_code = '{ts_code}' order by trade_time asc"
)
data = cur.fetchall()
db.close()
return iter(list(data))
def __init__(self, *args, **kwargs):
self.result = []
self.empty = False
def start(self):
self.result = self.load_data_from_db("stock_normalk", self.p.ts_code, self.p.fromdate, self.p.todate)
def _load(self):
if self.empty:
return False
try:
one_row = next(self.result)
except StopIteration:
return False
self.lines.datetime[0] = date2num(one_row[3])
self.lines.open[0] = float(one_row[4])
self.lines.high[0] = float(one_row[5])
self.lines.low[0] = float(one_row[6])
self.lines.close[0] = float(one_row[7])
self.lines.volume[0] = float(one_row[8])
self.lines.turnover[0] = float(one_row[9])
self.lines.turnover_rate[0] = float(one_row[12])
return True3.使用自定义数据流进行回测
接下来，让我们尝试使用这个自定义数据流输入数据，采用第二章的macd策略辅助增加换手率指标进行回测。
这里当然需要你先读懂第二章的内容，如果有点忘记了，可以回头阅读一下，非常简单：
首先，在回测模块及next函数中，引入换手率指标：
class TestStrategy(bt.Strategy):
def log(self, txt, dt=None):
''' Logging function fot this strategy'''
dt = dt or self.datas[0].datetime.date(0)
print('%s, %s' % (dt.isoformat(), txt))
@staticmethod
def percent(today, yesterday):
return float(today - yesterday) / today
def __init__(self):
self.dataclose = self.datas[0].close
self.volume = self.datas[0].volume
# 新的变更：引入换手率指标
self.turnover_rate = self.datas[0].turnover_rate
next函数买入时增加判断换手率必须小于3%的条件：
# Python 实用宝典
def next(self):
self.log('Close, %.2f' % self.dataclose[0])
if self.order:
return
if not self.position:
condition1 = self.macd[-1] - self.signal[-1]
condition2 = self.macd[0] - self.signal[0]
# 增加判断换手率小于3%的条件
if condition1 < 0 and condition2 > 0 and self.turnover_rate[0] < 3:
self.log('BUY CREATE, %.2f' % self.dataclose[0])
self.order = self.buy()
else:
condition = (self.dataclose[0] - self.bar_executed_close) / self.dataclose[0]
if condition > 0.1 or condition < -0.1:
self.log('SELL CREATE, %.2f' % self.dataclose[0])
self.order = self.sell()最后，引入我们刚刚编写完成的MySQLData Feed，传入相关参数读取股票为603520.SH的数据流，取2017年1月1日至2020年4月12日的数据，并调用回测函数：
if __name__ == '__main__':
cerebro = bt.Cerebro()
cerebro.addstrategy(TestStrategy)
# 加载数据到模型中
data = MySQLData(
ts_code="sh603520",
fromdate=datetime.datetime(2017, 1, 1),
todate=datetime.datetime(2020, 4, 12),
)
cerebro.adddata(data)
cerebro.broker.setcash(10000)
cerebro.addsizer(bt.sizers.FixedSize, stake=100)
cerebro.broker.setcommission(commission=0.005)
print('Starting Portfolio Value: %.2f' % cerebro.broker.getvalue())
cerebro.run()
print('Final Portfolio Value: %.2f' % cerebro.broker.getvalue())
cerebro.plot()效果如下：
与原来相比，加入换手率指标后，利润率有一定的提高，不过就如我们之前所说的，单一股票维度的回测是不准确的，如果大家有兴趣，可以将第三章：
Python 量化投资实战教程(3) —A股回测MACD策略
改造一下并加入换手率指标进行回测，看看这个指标是否真的有正效益。
本文完整源代码和数据均在开源代码仓库中：
https://github.com/Ckend/pythondict-quant
如果你访问不了github，也可以在公众号后台回复 量化投资9 下载相关代码。
欢迎在公众号后台回复：加群，回答相应红字验证信息，进入互助群交流。
我们的文章到此就结束啦，如果你喜欢今天的Python 实战教程，请持续关注Python实用宝典。
原创不易，希望你能在下面点个赞和在看支持我继续创作，谢谢！
Python实用宝典 (pythondict.com)
不只是一个宝典
欢迎关注公众号：Python实用宝典
