1.原创内容第958篇，专注量化投资，AGI和智能体落地、个人成长与财富自由。从做量化开始，就在读开源的代码和自己写框架之间做选择。记得最新看的框架是pyalgotrade。这个框架的优点是功能比较全，基于事件驱动的引擎，且代码量不大，代码比较易读，只是它使用了自定义的数据结构，没有使用pandas的dataframe。——这一点与vnpy有点像，把数据读到一个个bar里。后来使用backtrader，网上资料比较多，社区的例子也很丰富。只是backtrader的代码元编程不易读。backtrader是回测/实盘一体的。然后就是vnpy, qlib，pybroker都仔细学习过，读过代码。回头看选择的标准，如果是初学，从易上手和完整的角度，建议从backtrader开始，然后可以使用bt来提升效率。机器学习的量化看qlib。从实盘回测一体来看：backtrader和vnpy。按照bt的“模块化算子”，我用backtrader实现了一下：我们用下面这个策略模板来复刻咱们网站上这个策略，10年24倍的轮动策略：import backtrader as btimport numpy as np
class StrategyTemplate(bt.Strategy): params = ( ('lookback',25), ) def log(self, txt, dt=None): dt = dt or self.datas[0].datetime.date(0)
def notify_order(self, order): """订单状态通知""" if order.status in [order.Submitted, order.Accepted]: return
if order.status in [order.Completed]: if order.isbuy(): self.log(f"买入执行, 价格: {order.executed.price:.2f}, 数量: {order.executed.size}, 成本: {order.executed.value:.2f}, 佣金: {order.executed.comm:.2f}") self.buy_price = order.executed.price self.buy_date = self.datas[0].datetime.date(0) elif order.issell(): profit = order.executed.value - order.created.value self.log(f"卖出执行, 价格: {order.executed.price:.2f}, 数量: {order.executed.size}, 收益: {profit:.2f}, 佣金: {order.executed.comm:.2f}")
elif order.status in [order.Canceled, order.Margin, order.Rejected]: self.log(f"订单取消/保证金不足/拒绝")
def order_by(self, topK=1, dropN=0, desc=True): ranking = [] for d in self.datas: if len(d) < self.p.lookback: continue
if 'sorter' not in self.inds[d].keys(): print('order_by==>sorter指标不存在，请检查') return ind_value = self.inds[d]['sorter'][0]
if np.isnan(ind_value): continue
ranking.append((d, ind_value))
ranking.sort(key=lambda x: x[1], reverse=desc) selected = [asset for asset, _ in ranking[dropN:topK]] return selected
def weight_equally(self,selected):
weights = {} for data in selected: weights[data] = 1/len(selected) return weights
def rebalance(self,weights):
"""根据新权重调整仓位""" total_value = self.broker.getvalue() to_buy = {}
for i, data in enumerate(self.datas): if data in weights.keys(): target_value = total_value * weights[data] else: target_value = 0
current_value = self.getposition(data).size * data.close[0]
size_diff = (target_value - current_value) / data.close[0]
if size_diff > 0: to_buy[data] = size_diff
elif size_diff 0: self.sell(data=data, size=abs(size_diff))
for data, size in to_buy.items(): self.buy(data=data, size=size)
class RotationStrategyTemplate(StrategyTemplate): def next(self): selected = self.order_by() weights = self.weight_equally(selected) self.rebalance(weights)
from collections import defaultdict
from strategy_template import RotationStrategyTemplateimport backtrader as btfrom backtrader_inds import TrendScore
class TrendScoreRotation(RotationStrategyTemplate): params = ( ('lookback',25), )
def __init__(self): self.inds = defaultdict(dict) for data in self.datas: self.inds[data]['sorter'] = TrendScore(data, period=self.params.lookback)
backtrader是回测/实盘一体的。
backtrader兼顾回测策略开发效率，与实盘无缝切换。
这里按bt的模块化算子思路，封装了轮动策略的模板。
代码和数据下载：AI量化实验室——2025量化投资的星辰大海AI量化实验室 星球，已经运行三年多，1700+会员。
aitrader代码，因子表达式引擎、遗传算法（Deap）因子挖掘引擎等，支持vnpy，qlib，backtrader和bt引擎，内置多个年化30%+的策略，每周五迭代一次，代码和数据在星球全部开源。
点击 “查看原文”，直接访问策略集合。
