backtrader是一个比较完整的本地版Python量化回测框架。既然业界好评如潮，作为量化交易员的我们应该集所有好用的工具于一身，让我们来体验一下这个框架。backtrader的使用在官方文档中有详细的介绍。大致分为两步：创建一个策略，创建一个策略类，这个类要继承backtrader.Strategy，然后可以自定义里面的方法。策略类中有一个类属性params，用于定义策略中一些可调的参数值。backtrader.indicators内置了很多指标的计算方法，如移动平均线、MACD、RSI等，使用时只需要实例化策略将要用到的技术指标，在里面编写交易策略即可接下来的功能，也就是进场和出场的逻辑创建一个策略决策引擎（原文是Cerebro，这里我用的是decision这个词），将定义好的策略注入到决策引擎中，将行情数据注入到决策引擎，并以可视化方式反馈回测结果。以上是框架的核心部分。当然，还有很多其他可扩展的功能。backtrader的数据加载非常灵活。这里我们使用DataFrame格式数据，如下："""HighLowOpenCloseVolumeOpenInteresttrade_date2017-01-038.128.078.078.12179801.0102017-01-048.168.098.138.142137501-058.238.123179.1028.158.238.123179.102-01-068.198.128.188.13128549.9602017-01-098.158.088.138.1302017-01-068.198.128.188.13128549.9602017-01-098.158.088.13.method.Suchas__init__,log,notify_order,notify_trade,next等，关于策略中的指标，backtrader内置了很多类型，可以直接调用，比如移动平均线：self.sma=bt.indicators.SimpleMovingAverage(self.datas[0],period=self.params.mapperiod)由于内置的??talib模块也可以这样调用：next方法，我们实现一个简单的双均线策略作为交易的逻辑，比如买入条件为MA5穿越MA10；卖出条件为离子是MA10穿过MA5。关于策略回测，除了给Cerebro添加数据和策略外，还有一些参数需要设置。例如，经纪人设置，例如初始资金和交易佣金。您还可以使用加法器来设置每笔交易中购买的股票数量。回测结束后，返还执行交易策略时积累的资金总额。这里回测新希望2017年1月1日至2020年1月1日的策略执行效果，最终资金从10000变为15941.95。由于backtrader内置了Matplotlib，我们也可以将回测的效果可视化，如下图：一般来说，对于刚进阶的朋友来说已经够用了，如果不能满足进阶玩家的需求怎么办？您可以继承框架并自行扩展。关于以上内容的更多讨论，欢迎大家关注【元宵大师带你用Python量化交易】！！
