量化交易学习（二十八）backtrader文档cerebro（1）
今天这篇是backtrader文档的学习笔记。主要介绍了cerebro的概念。
官方文档链接：https://www.backtrader.com/docu/cerebro/
Cerebro
此类是 backtrader 的基石，因为它是以下功能的中心点：
1、收集所有输入（Data Feeds）、演员（Strategies）、观众（Observers）、评论家（Analyzers）和记录者（Writers），确保演出随时继续进行。
2、执行回测/或实时数据馈送/交易
3、返回结果
4、允许访问绘图设施
收集输入
1、首先创建一个大脑：
1 | cerebro = bt.Cerebro(**kwargs) |
支持一些控制执行的**kwargs，请参阅参考资料（在后面可以将相同的参数应用于 run 方法）
2、添加数据源
最常见的模式是 cerebro.adddata(data)，其中 data 是已经实例化的数据源。 例如：
1 | data = bt.BacktraderCSVData(dataname='mypath.days', timeframe=bt.TimeFrame.Days) |
重新采样和重播数据是可能的，并且遵循相同的模式：
1 | data = bt.BacktraderCSVData(dataname='mypath.min', timeframe=bt.TimeFrame.Minutes) |
或者：
1 | data = bt.BacktraderCSVData(dataname='mypath.min', timeframe=bt.TimeFrame.Minutes) |
该系统可以接受任意数量的数据源，包括将常规数据与重新采样和/或重放的数据混合。 当然，其中一些组合肯定是没有意义的，并且为了能够组合数据而有限制：时间对齐。 请参阅文档『数据 - 多个时间范围』、『数据重采样 - 重采样』和『数据 - 重播』部分。
3、添加策略
与已经是类实例的数据源不同，cerebro 直接采用 Strategy 类和传递给它的参数。 背后的基本原理：在优化场景中，该类将被实例化多次并传递不同的参数
即使没有运行优化，该模式仍然适用：
1 | cerebro.addstrategy(MyStrategy, myparam1=value1, myparam2=value2) |
优化时，必须将参数添加为可迭代对象。 有关详细说明，请参阅文档的『优化』部分。 基本模式：
1 | cerebro.optstrategy(MyStrategy, myparam1=range(10, 20)) |
这将运行 MyStrategy 10 次，myparam1 的值从 10 到 19（记住 Python 中的范围是半开的，不会达到 20）
4、其他元素
还可以添加一些其他元素来增强回测体验。 请参阅相应的部分。 方法有：
-
addwriter
-
addanalyzer
-
addobserver (or addobservermulti)
-
更换经纪人
Cerebro 将使用 backtrader 中的默认经纪人，但这可以被覆盖：
1 | broker = MyBroker() |
6、接收通知
如果数据源和/或代理发送通知（或创建通知的store提供商），它们将通过 Cerebro.notify_store 方法接收。 可通过三种方式处理这些通知
- 通过
addnotifycallback(callback)调用向 cerebro 实例添加回调。 回调必须支持此函数签名：
1 | callback(msg, *args, **kwargs) |
收到的实际 msg、*args 和 **kwargs 是由具体实现定义的（完全取决于data/broker/store），但一般来说，人们应该期望它们是可打印的，以允许接收和实验。
-
重写添加到 cerebro 实例的 Strategy 子类中的 notify_store 方法。
函数签名：notify_store(self, msg, *args, **kwargs) -
创建 Cerebro 子类并覆盖 notify_store 方法（与策略中的签名相同）
这应该是最不推荐的方法。
这一篇就到这里啦。欢迎大家点赞、转发、私信。还没有关注我的朋友可以关注 江达小记
