目录
一，通用参数
二，通用CSV格式数据导入
三，panda数据导入
四，导入扩展数据类别
量化回测的第一步就是导入数据，Backtrader中称这个为data feeds，支持多种数据导入方式
通用CSV格式panda数据Backtrader CSV Backtrader 为测试自创的格式，一系列的第三方数据包括（yahoo等）
由于后面两种方式暂时还不会用到，所以只介绍前面两种方式。
一，通用参数
由于所有的数据导入类都派生于同一个基类，所以所有的数据导入类都支持通用参数。
dataname(默认值: 无) 必须提供
含义随数据类型（文件位置，代码，…）而异。name(默认值: ‘’)
用于绘图。 如果未指定，则会从数据名派生（例如：文件路径的最后一部分）fromdate(默认值: 最早的时间)
Python datetime对象，忽略最早时间之前的任何时间todate(默认值: 最晚的时间)
Python datetime对象，忽略最晚时间之后的任何时间timeframe(默认值: TimeFrame.Days)
时间间隔，可选值:Ticks,Seconds,Minutes,Days,Weeks,MonthsandYearscompression(默认值: 1)
每个bar里面实际包含的bar数量（bar是时间的颗粒度，相当于k线图上的一个柱子），仅在数据重采样/回放中有效。sessionstart(默认值: None)
指示数据的会话开始时间。 可能被类用于诸如重采样之类的目的sessionend(默认值: None)
指示数据的会话结束时间。 可能被类用于诸如重采样之类的目的
二，通用CSV格式数据导入
函数名：GenericCSVData
独有参数：
dataname数据文件名datetime(默认值: 0) 日期数据所在列time(默认值: -1) 时间数据所在列（-1代表没有）open(默认值: 1) ,high(默认值: 2),low(默认值: 3),close(默认值: 4),volume(默认值: 5),openinterest(默认值: 6)
分别表示开盘，最高价，最低价，收盘价，交易量，持仓量所在列（-1代表没有）nullvalue(默认值: float(‘NaN’))
用来替换缺失值的值dtformat(默认值: %Y-%m-%d %H:%M:%S)
日期格式tmformat(默认值: %H:%M:%S)
时间格式
再举例子前先介绍一个可以获取股票行情数据的平台，tushare。
Tushare是一个免费、开源的python财经数据接口包。主要实现对股票等金融数据从数据采集、清洗加工到数据存储的过程，能够为金融分析人员提供快速、整洁、和多样的便于分析的数据，为他们在数据获取方面极大地减轻工作量，使他们更加专注于策略和模型的研究与实现上。考虑到Python pandas包在金融量化分析中体现出的优势，Tushare返回的绝大部分的数据格式都是pandas DataFrame类型，非常便于用pandas/NumPy/Matplotlib进行数据分析和可视化。当然，如果您习惯了用Excel或者关系型数据库做分析，您也可以通过Tushare的数据存储功能，将数据全部保存到本地后进行分析。应一些用户的请求，从0.2.5版本开始，Tushare同时兼容Python 2.x和Python 3.x，对部分代码进行了重构，并优化了一些算法，确保数据获取的高效和稳定。
我对比了一下网上其他的数据源，相对来说这个平台的数据还是比较齐全的，日线数据是免费的，对于入门级的基础研究也够用了，高级一点的数据可能就需要去赚积分了。具体可以看他们的官网
https://tushare.pro/
欢迎大家通过我的推荐去注册，谢谢！https://tushare.pro/register?reg=427104
下面举个从tushare获取日线数据的例子：
import tushare as tsimport pandas as pdpro = ts.pro_api(token='your token id')df = pro.daily(ts_code='000001.SZ', start_date='0101', end_date='0101').iloc[::-1]df.to_csv('stock_data.csv', index=False )
tushare的pro版本是需要注册使用的，注册成功以后会获得一个token id，用你申请到的token id替换代码中的‘your token id’。
获取日线数据的api是pro.daily(), 参数：
ts_code：股票代码start_date：数据开始日期end_date：数据结束日期
返回的是一个pandas的dataframe。由于tushare返回的数据是时间反序的，即最新的日期在最前面，这跟BackTrader对数据的要求正好相反，所以用‘iloc[::-1]’使它颠倒一下顺序。最后一行代码就是调用pandas的转存为csv的接口保存为csv文件供以后使用。
最终应该可以在notebook的根目录（如果运行在jupyter上）下生成名为‘stock_data.csv’的中国平安（股票代码：000001.SZ）从0101到0101的日线数据文件。
接下来我们就可以用这个数据文件测试BackTrader的数据导入接口。
from datetime import datetimeimport backtrader as btimport backtrader.feeds as btfeedsclass SmaCross(bt.SignalStrategy):def __init__(self):sma1, sma2 = bt.ind.SMA(period=10), bt.ind.SMA(period=30)crossover = bt.ind.CrossOver(sma1, sma2)self.signal_add(bt.SIGNAL_LONG, crossover)cerebro = bt.Cerebro()cerebro.addstrategy(SmaCross)data = btfeeds.GenericCSVData(dataname='stock_data.csv',fromdate=datetime(, 1, 1),todate=datetime(, 12, 31),nullvalue=0.0,dtformat=('%Y%m%d'),datetime=1,open=2,high=3,low=4, close=5,volume=9,openinterest=-1)cerebro.adddata(data)cerebro.run()cerebro.plot(iplot=False)
在上一讲的代码的基础上修改了数据导入的接口
上图显示了我们从tushare下载到的数据，
日期格式是‘年月日’且没有分割，所以dtformat为'%Y%m%d'
‘datetime’，‘open’，‘high’，‘low’,‘close’，‘volume’分别是对应的列序（第一列的列序为0）
如果运行没有问题的话应该会输出如下的图表
三，panda数据导入
独有参数:
nocase(默认值:True) 匹配列名时不区分大小写
参数dataname传入Pandas DataFrame变量
参数datetime，open,high,low,close,volume,openinterest用列名或列序指定
如果索引列是日期，则参数datetime可以不提供
例子如下：
from datetime import datetimeimport backtrader as btimport backtrader.feeds as btfeedsimport tushare as tsimport pandas as pdclass SmaCross(bt.SignalStrategy):def __init__(self):sma1, sma2 = bt.ind.SMA(period=10), bt.ind.SMA(period=30)crossover = bt.ind.CrossOver(sma1, sma2)self.signal_add(bt.SIGNAL_LONG, crossover)cerebro = bt.Cerebro()cerebro.addstrategy(SmaCross)pro = ts.pro_api(token='936d1029be68a59a3e77eeb9e4eb1ea3c36502bd4b4bf9e1aae91bd8')df = pro.daily(ts_code='000001.SZ', start_date='0101', end_date='0101').iloc[::-1]df.trade_date=pd.to_datetime(df.trade_date) #由于trade_date是字符串，BackTrader无法识别，需要转一下data = btfeeds.PandasData(dataname=df,fromdate=datetime(, 1, 1),todate=datetime(, 12, 31),datetime='trade_date',open='open',high='high',low='low', close='close',volume='vol',openinterest=-1)cerebro.adddata(data)cerebro.run()cerebro.plot(iplot=False)
由于tushare返回的就是pandas的dataframe，所以这里可以直接使用，只是trade_date列需要转成datatime格式，输出跟上个例子一样就不重复贴了。
四，导入扩展数据类别
BackTrader的data feeds默认导入的数据类别是datetime，open,high,low,close,volume,openinterest。除了这些基本的数据，我们可能会使用其他的数据类别作为策略的依据，BackTrader也支持数据类别的扩展，方法如下：
from backtrader.feeds import GenericCSVDataclass GenericCSV_extend(GenericCSVData):# 添加change数据lines = ('change',)# 添加参数，由于openinterest默认是index 7 所以我们默认index 8params = (('change', 8),)
从GenericCSVData类继承创建新类，新类里添加lines（下一讲会介绍这个lines），再为这个数据类别添加新的参数。使用这个新创的类就可以导入新的数据了，示例如下：
from datetime import datetimeimport backtrader as btfrom backtrader.feeds import GenericCSVDataimport backtrader.indicators as btindclass GenericCSV_extend(GenericCSVData):# 添加change数据lines = ('change',)# 添加参数，由于openinterest默认是index 7 所以我们默认index 8params = (('change', 8),)class SmaCross(bt.SignalStrategy):def __init__(self):sma1, sma2 = bt.ind.SMA(period=10), bt.ind.SMA(period=30) crossover = bt.ind.CrossOver(sma1, sma2)self.signal_add(bt.SIGNAL_LONG, crossover)#为了显示新加的change添加一个change的移动均值btind.SMA(self.data.change, period=1, subplot=True)cerebro = bt.Cerebro()cerebro.addstrategy(SmaCross)data = GenericCSV_extend(dataname='stock_data.csv',fromdate=datetime(, 1, 1),todate=datetime(, 12, 31),nullvalue=0.0,dtformat=('%Y%m%d'),datetime=1,open=2,high=3,low=4, close=5, change=7, #新导入数据changevolume=9,openinterest=-1)cerebro.adddata(data)cerebro.run()cerebro.plot(iplot=False)
依然是基于上面的例子，我们添加了原本没有被导入的每日价格涨跌数据，另外添加了显示新数据的代码，输出应该是这样的
通过比较可以看到新的数据显示在了最下面。
