可视化系统

Backtrader 提供多种可视化后端来分析回测结果，包括用于交互式图表的 Plotly、 用于实时更新的 Bokeh 以及用于静态出版级图表的 Matplotlib。

快速开始

cerebro = bt.Cerebro()
# ... 设置策略和数据 ...
results = cerebro.run()

# 默认 matplotlib 绑图
cerebro.plot()

# 交互式 Plotly 图表
cerebro.plot(backend='plotly')

# Bokeh 图表
cerebro.plot(backend='bokeh')

Plotly 后端（推荐）

Plotly 创建具有缩放、平移和悬停功能的交互式 HTML 图表。

基本用法

# 交互式绑图
cerebro.plot(backend='plotly', style='candle')

# 自定义外观
cerebro.plot(
    backend='plotly',
    style='candle',           # 'candle'、'bar'、'line'
    barup='green',
    bardown='red',
    volup='lightgreen',
    voldown='lightcoral'
)

保存为 HTML

from backtrader.plot import PlotlyPlot

# 创建绑图器
plotter = PlotlyPlot(style='candle')

# 生成图形
figs = plotter.plot(results[0])

# 保存为 HTML 文件
figs[0].write_html('backtest_chart.html')

# 保存为静态图片（需要 kaleido）
figs[0].write_image('backtest_chart.png', width=1920, height=1080)

大数据集处理

Plotly 可以高效处理 100k+ 数据点的大型数据集：

cerebro.plot(
    backend='plotly',
    style='candle',
    numfigs=1,                # 单个图形
    plotdist=0.1,             # 子图间距
)

Bokeh 后端

Bokeh 提供具有实时更新功能的交互式图表。

# 基本 Bokeh 绑图
cerebro.plot(backend='bokeh')

# 输出到文件
from bokeh.io import output_file, save
output_file('backtest.html')
figs = cerebro.plot(backend='bokeh')

Matplotlib 后端

Matplotlib 创建静态的出版级图表。

基本绑图

import matplotlib.pyplot as plt

# 默认绑图
cerebro.plot()

# 蜡烛图样式
cerebro.plot(style='candle')

# 折线图
cerebro.plot(style='line')

# 柱状图（OHLC）
cerebro.plot(style='bar')

自定义设置

cerebro.plot(
    style='candle',
    barup='green',
    bardown='red',
    volup='lightgreen',
    voldown='lightcoral',
    fmt_x_data='%Y-%m-%d',
    fmt_x_ticks='%b %d',
    plotdist=0.5,
    numfigs=1,
    width=16,
    height=9,
    dpi=100,
    tight=True
)

保存图形

import matplotlib.pyplot as plt

cerebro.plot(style='candle')
plt.savefig('backtest.png', dpi=300, bbox_inches='tight')
plt.savefig('backtest.pdf', bbox_inches='tight')

指标可视化

配置指标显示

class MyStrategy(bt.Strategy):
    def __init__(self):
        # 在主图显示的指标
        self.sma = bt.indicators.SMA(period=20)
        self.sma.plotinfo.plotmaster = self.data

        # 在子图显示的指标
        self.rsi = bt.indicators.RSI(period=14)
        self.rsi.plotinfo.subplot = True

        # 自定义线条样式
        self.bbands = bt.indicators.BollingerBands()
        self.bbands.plotlines.top._plotskip = False
        self.bbands.plotlines.mid.color = 'blue'
        self.bbands.plotlines.bot.linestyle = '--'

自定义指标绑图

class MyIndicator(bt.Indicator):
    lines = ('signal',)

    plotinfo = dict(
        plot=True,
        subplot=True,
        plotname='我的信号',
        plotabove=False,
        plotlinelabels=True
    )

    plotlines = dict(
        signal=dict(
            _name='信号',
            color='blue',
            linewidth=1.5,
            linestyle='-'
        )
    )

观察者可视化

观察者在图表上显示交易信息：

cerebro = bt.Cerebro()

# 添加内置观察者
cerebro.addobserver(bt.observers.BuySell)      # 买卖标记
cerebro.addobserver(bt.observers.Trades)       # 交易盈亏
cerebro.addobserver(bt.observers.Value)        # 投资组合价值
cerebro.addobserver(bt.observers.DrawDown)     # 回撤
cerebro.addobserver(bt.observers.Cash)         # 现金水平

# 自定义观察者外观
cerebro.addobserver(
    bt.observers.BuySell,
    barplot=True,
    bardist=0.015
)

多数据可视化

cerebro = bt.Cerebro()
cerebro.adddata(data1, name='股票1')
cerebro.adddata(data2, name='股票2')

results = cerebro.run()

# 在不同图形中绑制所有数据
cerebro.plot(numfigs=2)

# 绑制特定数据
cerebro.plot(plotdata=[0])  # 仅第一个数据

专业报告

生成全面的 HTML 报告：

# 添加报告分析器
cerebro.add_report_analyzers(riskfree_rate=0.02)

# 运行回测
results = cerebro.run()

# 生成报告
cerebro.generate_report(
    filename='report.html',
    user='交易员',
    memo='SMA 金叉死叉策略回测',
    strategy_name='SMA Cross'
)

报告内容

  • 汇总统计：总收益率、夏普比率、最大回撤

  • 资金曲线：投资组合价值随时间变化

  • 回撤图表：回撤百分比随时间变化

  • 交易分析：胜率、盈利因子、平均交易

  • 月度收益：月度绩效热力图

  • 持仓分析：交易入场/出场详情

绑图配置参考

plotinfo 选项

选项

默认值

描述

plot

True

启用/禁用绑图

subplot

False

在单独子图中绑制

plotmaster

None

一起绑制的数据

plotname

''

自定义绑图名称

plotabove

False

在主图上方绑制

plotlinelabels

False

显示线条标签

样式选项

样式

描述

candle

日本蜡烛图

bar

OHLC 柱状图

line

折线图（收盘价）

最佳实践

  1. 性能：对于大数据集（>10k 根K线）使用 Plotly

  2. 出版：对于论文和报告使用 Matplotlib

  3. 开发：对于实时/实盘开发使用 Bokeh

  4. 报告：使用 generate_report() 进行全面分析

参见