Backtesting.py / Strategy

Backtesting.py 策略开发：Strategy 类、指标与参数优化教程

策略开发是回测的核心：继承 Strategy 类、在 init 接入指标、在 next 写买卖逻辑，再用内置优化器做参数网格搜索与热力图分析。

看策略编写看参数优化

Strategy：策略基类指标：BYO / talib优化：optimize + 热力图

Strategy继承基类

init()接入指标

next()买卖逻辑

optimize()参数优化

Backtesting.py 策略开发与回测流程示意（基于官方 README）。

Write Strategy

编写策略类

策略类继承 Strategy，实现 init 与 next 两个方法。

from backtesting import Strategy
from backtesting.lib import crossover

class SmaCross(Strategy):
    def init(self):
        price = self.data.Close
        self.ma1 = self.I(SMA, price, 10)
        self.ma2 = self.I(SMA, price, 20)

    def next(self):
        if crossover(self.ma1, self.ma2):
            self.buy()
        elif crossover(self.ma2, self.ma1):
            self.sell()

操作	API
买入 / 卖出	`self.buy()` / `self.sell()`
查看持仓	`self.position`（`is_long` / `is_short`）
平仓	`self.position.close()`
访问行情	`self.data.Close` / `self.data.Open` 等

看生命周期

Indicators

指标接入方式

Backtesting.py 指标库无关（BYO），可接入不同指标来源。

方式	说明	示例
内置 lib	backtesting.lib 提供 SMA 等基础工具	`self.I(SMA, self.data.Close, 10)`
talib	接入 TA-Lib 技术指标	`self.I(talib.RSI, self.data.Close, 14)`
pandas 自定义	用 pandas/numpy 计算自定义指标	`self.I(lambda c: c.rolling(20).mean(), self.data.Close)`

说明：talib 需另行安装；self.I() 会缓存指标计算结果，便于在 next 中按索引取值。

看功能特性

Optimize

参数优化与热力图

用内置优化器（基于 SAMBO）对策略参数做网格搜索，并用热力图呈现。

# 参数化策略
class SmaCross(Strategy):
    n1 = 10
    n2 = 20
    def init(self):
        self.ma1 = self.I(SMA, self.data.Close, self.n1)
        self.ma2 = self.I(SMA, self.data.Close, self.n2)
    def next(self):
        if crossover(self.ma1, self.ma2):
            self.buy()
        elif crossover(self.ma2, self.ma1):
            self.sell()

stats, heatmap = bt.optimize(
    n1=range(5, 30, 5),
    n2=range(10, 60, 10),
    maximize='Equity Final [$]',
    constraint=lambda p: p.n1 < p.n2)
print(heatmap)

注意：参数优化易过拟合，应结合样本外验证；优化目标是历史回测指标，不构成收益保证。

回看首个示例

Patterns

常用策略模式

适合用 Backtesting.py 快速验证的常见策略类型。

均线交叉

快慢均线金叉买、死叉卖（如 SmaCross），适合趋势跟随。

RSI 超买超卖

RSI 跌破超卖买、突破超买卖，适合震荡市。

通道突破

突破 N 日高低点入场，适合动量/突破策略。

看数据要求

Best Practice

策略开发实践建议

开发与验证策略时的检查清单。

环节	建议
数据质量	确认 OHLCV 数据无缺漏、复权方式一致
成本假设	设置合理的 commission，必要时加滑点
成交时点	确认 trade_on_close 或默认下一 bar 成交的假设
样本外验证	参数优化后用未参与优化的区间验证
风险指标	同时看收益、最大回撤、夏普、胜率，而非只看收益

合规：回测结果仅代表历史表现，不构成投资建议。

对比 EasyClaw 路线

FAQ

策略开发常见问题

怎么接入 talib 指标？

先安装 talib，再在 init 中用 self.I(talib.RSI, self.data.Close, 14) 注册即可。

optimize 会不会过拟合？

会。参数网格越大越容易过拟合，应结合样本外验证，控制参数范围。

能同时回测多个标的吗？

Backtesting.py 以单标的回测为主，不支持多资产组合；多标的需分别回测或换用其他框架。

buy() 是按什么价格成交？

默认按下一根 bar 的开盘价成交（避免前瞻偏差）；设置 trade_on_close=True 可改为收盘价。