4. 核心组件详解

Backtrader 的事件驱动回测并不是“一个函数跑完全程”，而是由五个核心组件协作完成：Cerebro 负责调度与编排，Strategy 负责交易逻辑，Data Feed 负责行情输入，Broker 负责撮合与资金账户，Analyzer 负责绩效统计。理解它们各自的职责边界与交互顺序，是写出可复用、可扩展回测系统的前提。

一、核心原理：五组件如何构成一条事件流水线

回测的本质是“按时间推进，逐根K线触发决策”。Cerebro 是总控，它把 Data Feed 中的每根 bar 依次推送给 Strategy；Strategy 在 next() 中读取数据、计算指标并发出买卖指令；指令交给 Broker 模拟成交、更新现金与持仓；每根 bar 结束后，Analyzer 记录净值、回撤、交易次数等指标。整个循环持续到数据耗尽或满足停止条件。

二、方法流程：从零搭建一个最小可运行骨架

下面这段代码把五个组件全部显式接入，便于观察各自的位置与参数：

import backtrader as bt

class SmaCross(bt.Strategy):
    params = dict(fast=5, slow=20)

    def __init__(self):
        self.fast_ma = bt.ind.SMA(period=self.p.fast)
        self.slow_ma = bt.ind.SMA(period=self.p.slow)
        self.crossover = bt.ind.CrossOver(self.fast_ma, self.slow_ma)

    def next(self):
        if not self.position and self.crossover > 0:
            self.buy(size=100)
        elif self.position and self.crossover < 0:
            self.close()

cerebro = bt.Cerebro()                      # 1. 引擎
data = bt.feeds.GenericCSVData(             # 2. 数据馈送
    dataname='600519.csv', dtformat='%Y-%m-%d',
    datetime=0, open=1, high=2, low=3, close=4, volume=5)
cerebro.adddata(data)
cerebro.addstrategy(SmaCross)               # 3. 策略
cerebro.broker.setcash(100000.0)            # 4. 经纪商
cerebro.broker.setcommission(commission=0.0003)
cerebro.addanalyzer(bt.analyzers.SharpeRatio, _name='sharpe')  # 5. 分析器
cerebro.addanalyzer(bt.analyzers.DrawDown, _name='dd')

results = cerebro.run()
print('Sharpe:', results[0].analyzers.sharpe.get_analysis())
print('MaxDD :', results[0].analyzers.dd.get_analysis()['max']['drawdown'])

运行后典型日志会显示每根 bar 的推进与最终统计。若把 cerebro.run() 换成 cerebro.plot()，还能直接看到买卖点与净值曲线。

三、组件职责与常用参数清单

四、案例场景：多资产组合中的协作

当回测从单标的扩展到多资产时，Cerebro 的编排价值更明显。假设同时加载股票与ETF两条数据，策略需要按资产分别判断信号：

class MultiAsset(bt.Strategy):
    def __init__(self):
        self.smas = {d._name: bt.ind.SMA(d.close, period=20) for d in self.datas}

    def next(self):
        for d in self.datas:
            sma = self.smas[d._name]
            if d.close[0] > sma[0] and not self.getposition(d).size:
                self.buy(data=d, size=100)
            elif d.close[0] < sma[0] and self.getposition(d).size:
                self.close(data=d)

cerebro.adddata(bt.feeds.PandasData(dataname=df_stock), name='stock')
cerebro.adddata(bt.feeds.PandasData(dataname=df_etf),   name='etf')
cerebro.addstrategy(MultiAsset)

此时 Broker 会统一管理两个资产的现金占用与持仓，Analyzer 则汇总组合层面的收益与回撤。若只关注单资产，很容易忽略资金竞争与相关性带来的组合效应。

五、误区与复盘

• 误区一：在 __init__ 中直接下单。此时数据尚未推进，Broker 无法撮合。下单必须放在 next() 或 notify_order() 等事件回调中。
• 误区二：把 Analyzer 当成策略逻辑。Analyzer 只做统计，不应修改订单或持仓；否则会破坏事件顺序，导致结果不可复现。
• 误区三：忽略 Broker 的默认参数。默认现金、佣金、滑点若未显式设置，回测结果会与实盘偏差很大。建议每次回测都打印 broker.getvalue() 与手续费配置。
• 误区四：Data Feed 时间对齐错误。多资产回测中，若各数据时间戳不一致，Cerebro 会按主数据时钟推进，容易产生“未来数据”或漏单。应先用 resample 或统一时间索引。