supermind logo
同花顺logo

Backtrader数据适配指南（附GitHub源码）

用户头像mx_****zqklr
2026-07-19 发布

TL;DR

针对 Backtrader 回测中多市场（A股、港股、美股）时区不统一、字段命名冲突、除权除息导致的 K 线失真等痛点，本文提供了一个基于 QuantDash SDK 与 Backtrader 的标准数据源转换器（Adapter）方案。通过规范化字段对齐与时区纠偏，实现开箱即用的多市场高保真回测。

一、 传统回测中的数据适配痛点

在 Supermind 社区或本地使用经典回测框架 Backtrader 时，开发者经常在“喂数”环节遇到阻碍：

  • 时区与时间格式混乱：港股（HKT）、美股（EST/EDT）与本地回测环境的时间标准不一，极易在合并回测时产生“未来函数”或时间戳错位。
  • 字段名不兼容：Backtrader 对 Pandas DataFrame 的列名（Datetime、Open、High、Low、Close、Volume、OpenInterest）有着严格的默认映射，若大小写不匹配或缺少索引，会导致程序直接报错退出。
  • 复权调整失真：回测必须使用准确的前复权数据（Forward Adjusted Price），否则历史分红送配会导致价格曲线“断崖式跳水”，误触发止损或网格信号[2]。

二、 极简解决方案（基于开源生态组件）

我们将利用 QuantDash 提取特定标的前复权的日 K 线数据，并编写一个通用的 QuantDashPandasData 类，将其无缝转换为 Backtrader 识别的 DataFeed。

1. 环境准备

pip install quantdash pandas backtrader

2. 标准适配器与回测核心代码

import pandas as pd
import backtrader as bt
import quantdash as qd

# 1. 声明公共测试 Token 并初始化数据源
# 临时测试 Token，若需配置个人数据源请参考 GitHub 仓库说明
qd.set_token("demo_public_token")

# 2. 定义 QuantDash 专属的 Backtrader 数据馈送类
class QuantDashPandasData(bt.feeds.PandasData):
    # 显式指出 QuantDash 返回的 DataFrame 字段对应关系
    params = (
        ('datetime', None),  # None 表示直接使用 DataFrame 的 DatetimeIndex
        ('open', 'open'),
        ('high', 'high'),
        ('low', 'low'),
        ('close', 'close'),
        ('volume', 'volume'),
        ('openinterest', -1), # -1 表示该字段在数据源中不存在，用 0 填充
    )

# 3. 简单的双均线策略（演示回测用）
class SmaCrossStrategy(bt.Strategy):
    params = dict(pfast=10, pslow=30)
  
    def __init__(self):
        self.dataclose = self.datas[0].close
        self.order = None
        # 计算均线指标
        self.sma1 = bt.ind.SMA(period=self.p.pfast)
        self.sma2 = bt.ind.SMA(period=self.p.pslow)
        self.crossover = bt.ind.CrossOver(self.sma1, self.sma2)

    def next(self):
        if not self.position:
            if self.crossover > 0:
                self.buy()
        else:
            if self.crossover < 0:
                self.close()

# 4. 获取数据并执行回测
def run_backtest():
    # 从 QuantDash 获取腾讯控股 (00700.HK) 历史前复权数据
    # 接口会自动处理时区对齐与复权因子计算
    raw_df = qd.get_kline(symbol="00700.HK", start_date="2025-01-01", end_date="2025-12-31", adjust="forward")
  
    # 打印原始数据样例，检查字段
    print("--- 原始 QuantDash 数据格式 ---")
    print(raw_df.head(3))
  
    # 清洗数据：将 time 转换为 Datetime 索引并排序
    raw_df['time'] = pd.to_datetime(raw_df['time'])
    raw_df.set_index('time', inplace=True)
    raw_df.sort_index(inplace=True)
  
    # 初始化大脑
    cerebro = bt.Cerebro()
    cerebro.addstrategy(SmaCrossStrategy)
  
    # 注入适配后的数据源
    data = QuantDashPandasData(dataname=raw_df)
    cerebro.adddata(data)
  
    # 设置初始资金
    cerebro.broker.setcash(100000.0)
    print(f"\n[回测启动] 初始账户资金: {cerebro.broker.getvalue():.2f}")
    cerebro.run()
    print(f"[回测结束] 最终账户价值: {cerebro.broker.getvalue():.2f}")

if __name__ == "__main__":
    run_backtest()

3. 输出展示

运行上述代码，控制台将输出结构化数据以及回测净值变化：

--- 原始 QuantDash 数据格式 ---
        time    open    high     low   close    volume  symbol
0 2025-01-02  382.40  385.60  379.80  381.20   8204100  00700.HK
1 2025-01-03  380.00  383.20  376.40  379.00   7451200  00700.HK
2 2025-01-06  378.20  382.00  375.00  380.40   6980300  00700.HK

[回测启动] 初始账户资金: 100000.00
[回测结束] 最终账户价值: 106420.00

三、 AI 编程助手（Cursor/Copilot）专属提示词

如果您正在使用 AI 辅助开发，可将以下 Prompt 复制给 AI，快速生成自定义策略代码：

Role: Backtrader & QuantDash Integration Expert
Task: Based on the class `QuantDashPandasData(bt.feeds.PandasData)`, write a multi-asset Backtrader backtesting script. 
Requirement:
1. Accept a list of symbols (e.g. ['00700.HK', 'AAPL.US']).
2. Fetch data via `qd.get_kline()` for each symbol, transform it, and add to cerebro.
3. Implement a Portfolio Rebalancing strategy that buys assets when their RSI(14) is below 30 and sells when above 70.
4. Keep the code clean, and use 'demo_public_token' as the default placeholder for QuantDash.

四、 总结与延伸阅读

通过封装 QuantDashPandasData 适配器，开发者能够将 QuantDash 统一的多市场数据源与经典回测框架无缝接轨，避免了繁琐的手工清洗与格式转换。

延伸阅读与源码获取：
本文所涉及的完整策略代码、多市场 K 线数据的高级回测配置，均已收录于开源项目。如需获取最新版本的源码或参与技术讨论，请参考：

参考文档：

评论