3. Backtrader 核心概念：Cerebro引擎、Data Feed数据源、Strategy策略基类、Broker经纪商、Analyzer分析器

在开始编写回测脚本之前，必须理解 Backtrader 框架的五大核心组件。它们构成了回测系统的骨架，任何策略最终都会映射到这些组件上。本章将逐一拆解每个组件的职责、交互方式以及在实际案例中的典型用法。

3.1 五大核心组件总览

下表从职责、输入/输出、生命周期三个维度对比了五个核心对象，帮助你快速建立全局认知：

3.2 Cerebro 引擎：回测调度中心

Cerebro 是 Backtrader 的入口与调度器。它负责：

• 注册数据源、策略、分析器
• 设置经纪商参数（初始资金、佣金、滑点）
• 驱动事件循环（逐 bar 调用策略逻辑）
• 收集回测结果并输出

典型初始化代码：

import backtrader as bt

cerebro = bt.Cerebro()                     # 创建引擎
cerebro.addstrategy(MyStrategy)            # 注册策略类
cerebro.adddata(data_feed)                 # 注册数据源
cerebro.broker.setcash(100000.0)           # 设置初始资金
cerebro.broker.setcommission(commission=0.001)  # 设置佣金
cerebro.addanalyzer(bt.analyzers.SharpeRatio, _name='sharpe')  # 注册分析器
results = cerebro.run()                    # 启动回测

下图展示了 Cerebro 在回测过程中的核心调度流程：

3.3 Data Feed 数据源：策略的“眼睛”

Data Feed 负责将外部数据转换为 Backtrader 内部的 lines 对象。策略通过 self.data.close、self.data.lines 等方式访问数据。

在坏账率哨兵案例中，数据源不仅包含标准 OHLCV，还包含自定义的坏账率字段：

import backtrader as bt
import pandas as pd

# 从 CSV 加载数据，包含坏账率列
df = pd.read_csv('loan_data.csv', parse_dates=['date'], index_col='date')

# 自定义数据源，增加坏账率 line
class BadRateData(bt.feeds.PandasData):
    lines = ('bad_rate',)          # 新增坏账率线
    params = (
        ('bad_rate', 'bad_rate'),  # 映射 CSV 列名
    )

data_feed = BadRateData(dataname=df)
cerebro.adddata(data_feed)

3.4 Strategy 策略基类：交易逻辑的核心

所有策略必须继承 bt.Strategy 并重写以下生命周期方法：

坏账率哨兵策略的骨架：

class BadRateSentinelStrategy(bt.Strategy):
    params = (
        ('bad_rate_threshold', 0.05),  # 坏账率阈值
        ('position_size', 0.1),        # 仓位比例
    )

    def __init__(self):
        self.bad_rate = self.data.bad_rate
        self.sma = bt.indicators.SMA(self.data.close, period=20)

    def next(self):
        if self.bad_rate[0] > self.params.bad_rate_threshold:
            self.sell(size=int(self.broker.getvalue() * self.params.position_size / self.data.close[0]))
        elif self.bad_rate[0] < self.params.bad_rate_threshold * 0.5:
            self.buy(size=int(self.broker.getvalue() * self.params.position_size / self.data.close[0]))

3.5 Broker 经纪商：模拟真实交易环境

Broker 负责订单执行、持仓管理、现金与佣金计算。Backtrader 默认使用 bt.brokers.BackBroker，支持：

• 现金管理： 初始资金、追加资金、现金余额
• 佣金模型： 按比例、按固定金额、按每手
• 滑点模拟： 固定滑点、百分比滑点、每笔滑点
• 订单类型： 市价单、限价单、止损单
• 持仓跟踪： 持仓数量、平均成本、浮动盈亏

配置示例：

cerebro.broker.setcash(1000000.0)           # 100万初始资金
cerebro.broker.setcommission(
    commission=0.0003,                      # 万三佣金
    mult=1.0,
    margin=None
)
cerebro.broker.set_slippage_perc(0.001)     # 千一滑点

3.6 Analyzer 分析器：回测结果的量化评估

Analyzer 在回测结束后对策略表现进行统计。Backtrader 内置了丰富的分析器：

注册与获取分析结果：

cerebro.addanalyzer(bt.analyzers.SharpeRatio, _name='sharpe')
cerebro.addanalyzer(bt.analyzers.DrawDown, _name='drawdown')
cerebro.addanalyzer(bt.analyzers.TradeAnalyzer, _name='trades')

results = cerebro.run()
strat = results[0]

sharpe = strat.analyzers.sharpe.get_analysis()
drawdown = strat.analyzers.drawdown.get_analysis()
trades = strat.analyzers.trades.get_analysis()

print(f"夏普比率: {sharpe['sharperatio']:.2f}")
print(f"最大回撤: {drawdown['max']['drawdown']:.2f}%")
print(f"交易次数: {trades['total']['total']}")

下图展示了 Analyzer 在回测流程中的位置与数据流向：

3.7 组件协作关系总结

五个核心组件在回测中的协作顺序可以概括为：

1. 初始化阶段： Cerebro 加载 Data Feed、注册 Strategy、配置 Broker、添加 Analyzer
2. 运行阶段： Cerebro 逐 bar 调用 Strategy.next()，Strategy 通过 Data Feed 获取数据，通过 Broker 下单
3. 结算阶段： Broker 执行订单、更新持仓和现金，Cerebro 记录交易日志
4. 分析阶段： 回测结束后，Analyzer 从 Cerebro 获取运行数据，生成统计报告