BigONE策略回测指南：探索实践，优化交易

import requests import pandas as pd

替换成你的 API 密钥

在进行任何加密货币交易或数据分析之前，务必将代码中的占位符替换为你自己的 API 密钥和密钥。API 密钥是访问交易所或数据提供商的必要凭证，用于验证你的身份并授权你访问其服务。务必妥善保管你的 API 密钥和密钥，切勿将其泄露给他人，因为这可能导致你的账户被盗用或资金损失。 api_key = "YOUR_API_KEY" secret_key = "YOUR_SECRET_KEY" 请注意，不同的交易所或数据提供商可能需要不同的 API 密钥类型或权限。在使用之前，请务必仔细阅读其 API 文档，了解如何获取和使用 API 密钥，以及如何设置适当的权限。通常，你可以通过访问交易所或数据提供商的网站，登录你的账户并导航到 API 管理页面来生成 API 密钥。 在生成 API 密钥时，建议你启用双重身份验证（2FA）以增强账户安全性。你可以为 API 密钥设置访问限制，例如限制其可以访问的特定 API 端点或允许其执行的操作。这可以帮助你降低风险，防止 API 密钥被滥用。 请记住，你的 API 密钥和密钥是敏感信息，应该像对待你的密码一样小心保管。不要将其存储在不安全的地方，例如公共代码仓库或未经加密的文本文件中。建议你使用环境变量或加密配置文件来存储 API 密钥，并确保你的代码能够安全地访问这些凭证。

定义获取历史数据的函数

get_historical_data 函数旨在从加密货币交易所（例如 BigONE）获取指定交易对的历史K线数据。它接受以下参数：

• symbol : 交易对的符号，例如 "BTC-USDT"。
• interval : K线的时间间隔，例如 "1m"（1分钟）, "1h"（1小时）, "1d"（1天）。BigONE API 通常支持多种时间间隔。
• start_time : 数据的起始时间戳（Unix 时间戳，单位为秒）。
• end_time : 数据的结束时间戳（Unix 时间戳，单位为秒）。

函数的实现如下：

def get_historical_data(symbol, interval, start_time, end_time):
    """
    从 BigONE API 获取指定交易对的历史K线数据。

    Args:
        symbol (str): 交易对符号，例如 "BTC-USDT"。
        interval (str): K线时间间隔，例如 "1m", "1h", "1d"。
        start_time (int): 起始时间戳 (Unix 时间戳，单位为秒)。
        end_time (int): 结束时间戳 (Unix 时间戳，单位为秒)。

    Returns:
        dict: 包含 K 线数据的字典。如果请求失败，则返回 None。
    """

    # 构建请求 URL。  根据 BigONE 实际 API 文档进行调整。
    url = f"https://big.one/api/v3/asset_pairs/{symbol}/klines?period={interval}&timestamp={start_time}&till={end_time}"

    # 如果 API 需要身份验证，则添加授权头部
    headers = {
        "Authorization": f"Bearer {api_key}"  # 替换 api_key 为你的实际 API 密钥
    }

    try:
        # 发送 GET 请求
        response = requests.get(url, headers=headers)

        # 检查请求是否成功。如果状态码不是 200，则引发 HTTPError 异常。
        response.raise_for_status()

        # 将响应内容解析为 JSON 格式
        data = response.()
        return data

    except requests.exceptions.RequestException as e:
        print(f"请求失败: {e}")
        return None

代码解释:

• URL 构建: 使用 f-string 构建 API 请求 URL，将交易对符号、时间间隔、起始时间和结束时间嵌入 URL 中。 请务必查阅 BigONE 的官方 API 文档，确认 URL 结构和参数名称是否正确。
• 身份验证: 如果 BigONE API 需要身份验证，则需要添加 Authorization 头部。 将 api_key 替换为你的实际 API 密钥。 有些 API 可能需要将 API 密钥作为查询参数传递。
• 发送请求: 使用 requests.get() 函数发送 GET 请求。
• 错误处理: 使用 response.raise_for_status() 函数检查请求是否成功。如果状态码不是 200，则引发 HTTPError 异常。 使用 try...except 块捕获 requests.exceptions.RequestException 异常，以便处理网络连接错误、超时和其他请求失败的情况。
• 数据解析: 使用 response.() 函数将响应内容解析为 JSON 格式。 确保 API 响应的是 JSON 数据。如果 API 响应的是其他格式的数据（例如 CSV 或 XML），则需要使用相应的解析器。
• 返回数据: 如果请求成功，则返回包含 K 线数据的字典。如果请求失败，则返回 None 。

注意事项:

• API 密钥安全: 请务必妥善保管你的 API 密钥，不要将其泄露给他人。 建议将 API 密钥存储在环境变量中，而不是直接硬编码在代码中。
• API 限流: 大多数加密货币交易所都对 API 请求的频率进行限制。 请务必遵守 BigONE 的 API 限流策略，避免被禁止访问 API。 你可以在代码中实现重试机制和指数退避算法，以便在遇到 API 限流时自动重试请求。
• 数据验证: 在使用 API 返回的数据之前，请务必对其进行验证，以确保数据的准确性和完整性。
• 时间戳格式: 确保 start_time 和 end_time 参数是 Unix 时间戳，并且单位为秒。如果需要，可以使用 Python 的 datetime 模块将日期时间转换为 Unix 时间戳。
• 错误处理: 添加了更完整的错误处理机制，可以捕获各种请求异常，并打印错误信息，方便调试。

设置参数

symbol = "BTC-USDT" # 交易对。 此参数定义了用于分析和交易的加密货币交易对。 例如， "BTC-USDT" 表示比特币 (BTC) 与 Tether (USDT) 的交易对。 需要根据交易所支持的交易对进行调整。

interval = "1m" # K线周期。 此参数指定K线图的时间间隔，即每根K线代表的时间周期。 "1m" 表示 1 分钟的K线周期。 常见的 K线周期还包括 "5m" (5 分钟), "15m" (15 分钟), "30m" (30 分钟), "1h" (1 小时), "4h" (4 小时), "1d" (1 天) 等。 选择合适的K线周期取决于交易策略和分析的时间范围。 短线交易者可能更倾向于较短的周期，而长线投资者则可能使用较长的周期。

start_time = 1672531200 # 开始时间戳。 此参数定义了用于数据分析和回测的起始时间点。 时间戳通常以 Unix 时间戳表示，即自 1970 年 1 月 1 日 00:00:00 UTC 以来的秒数。 在此示例中， 1672531200 对应于 2023 年 1 月 1 日 00:00:00。 务必根据交易所的时区调整时间戳。

end_time = 1675123200 # 结束时间戳。 此参数定义了用于数据分析和回测的结束时间点。 同样，时间戳以 Unix 时间戳表示。 在此示例中， 1675123200 对应于 2023 年 1 月 31 日 00:00:00。确保 end_time 大于 start_time 。

获取历史数据

使用 get_historical_data 函数可以获取指定加密货币的历史交易数据，这对于分析价格趋势、回测交易策略至关重要。 historical_data = get_historical_data(symbol, interval, start_time, end_time)

该函数接受以下关键参数：

• symbol : 加密货币交易对的符号，例如 "BTCUSDT" 代表比特币兑泰达币。确保使用交易所支持的准确符号。
• interval : 数据的时间间隔，例如 "1m" (1分钟), "5m" (5分钟), "1h" (1小时), "1d" (1天)。较小的时间间隔提供更详细的数据，但数据量也会更大。 选择合适的 interval 对数据分析至关重要。
• start_time : 数据起始时间的时间戳或日期字符串，例如 "2023-01-01 00:00:00"。 该参数允许您指定要检索的数据的开始日期。
• end_time : 数据结束时间的时间戳或日期字符串，例如 "2023-01-02 00:00:00"。该参数允许您指定要检索的数据的结束日期。

函数返回的 historical_data 通常是一个包含历史数据的列表或数据框，每一行代表一个时间间隔内的数据。 数据通常包括开盘价 (Open)、最高价 (High)、最低价 (Low)、收盘价 (Close) 以及交易量 (Volume)，即 OHLCV 数据。 务必检查返回数据的结构，并根据需要进行数据清洗和转换，以便进行后续分析。

例如，如果您想获取比特币兑泰达币 (BTCUSDT) 在2023年1月1日到2023年1月2日之间的1小时K线数据，您可以使用以下代码：

historical_data = get_historical_data(symbol="BTCUSDT", interval="1h", start_time="2023-01-01 00:00:00", end_time="2023-01-02 00:00:00")

请注意，具体的函数实现和数据格式可能因使用的交易所API或数据源而异。务必参考相关文档。

将数据转换为 Pandas DataFrame

在数据分析和处理中，Pandas DataFrame 是一个极其强大的工具。它提供了一种二维表格结构，能够方便地存储和操作数据。许多 API 返回的数据通常采用 JSON 格式，需要将其转换为 DataFrame 才能进行后续的分析。以下展示了如何将从 API 获取的 `historical_data['data']` 数据转换为 Pandas DataFrame。

df = pd.DataFrame(historical_data['data'])

这行代码使用 Pandas 库的 DataFrame() 函数，将 API 返回的字典中的 'data' 键对应的值转换为 DataFrame。 需要注意的是， historical_data 的结构和 API 的返回值密切相关。如果 API 返回的 JSON 格式不符合预期，例如 `historical_data['data']` 不是一个列表或者包含的是嵌套字典，则需要根据实际情况调整代码。例如，如果 'data' 键对应的值是一个字典，字典的键是列名，值是列表，那么直接使用以上代码也能正确转换。

为了确保代码的健壮性，可以添加错误处理机制。例如，在转换之前检查 `historical_data` 是否包含 'data' 键，以及 'data' 键对应的值是否是可转换为 DataFrame 的格式。如果 API 返回的数据结构比较复杂，可能需要进行数据清洗和预处理，才能将其转换为适合分析的 DataFrame 结构。例如，可以使用 Pandas 的 _normalize() 函数处理嵌套的 JSON 数据。

对DataFrame进行数据类型转换，例如将字符串转换为浮点数

重命名列名以增强可读性和后续数据处理的便捷性

在数据分析和处理中，原始数据的列名可能不够直观或不符合后续分析的需求。为了提高代码的可读性并简化后续操作，重命名 DataFrame 的列名至关重要。重命名后的列名应该能够清晰地表达该列数据的含义，方便理解和使用。

例如，如果 DataFrame 的列名为 "col1", "col2", "col3"，我们可以将其重命名为 "交易日期", "交易金额", "用户ID"，从而使代码更具可读性。

Pandas 提供了多种方法来重命名列名。一种常用的方法是使用 df.rename() 函数。该函数接受一个字典作为参数，字典的键为原始列名，值为新的列名。

例如：

df = df.rename(columns={'col1': '交易日期', 'col2': '交易金额', 'col3': '用户ID'})

另一种方法是直接修改 df.columns 属性。这种方法会直接修改 DataFrame 的列名。

例如：

df.columns = ['交易日期', '交易金额', '用户ID']

在完成列名重命名后，可以使用 df.head() 函数查看 DataFrame 的前几行数据，以确认列名是否已成功修改。 df.head() 函数默认显示 DataFrame 的前 5 行数据，也可以通过传递参数来指定显示的行数。

示例代码：

import pandas as pd

# 创建一个示例 DataFrame
data = {'col1': [1, 2, 3, 4, 5],
        'col2': [6, 7, 8, 9, 10],
        'col3': ['A', 'B', 'C', 'D', 'E']}
df = pd.DataFrame(data)

# 重命名列名
df = df.rename(columns={'col1': '交易日期', 'col2': '交易金额', 'col3': '用户ID'})

# 打印 DataFrame 的前几行数据，确认列名已修改
print(df.head())

将数据保存到 CSV 文件

使用 df.to_csv() 函数可以将 Pandas DataFrame 对象保存到 CSV（Comma Separated Values）文件中。CSV 文件是一种常用的数据存储格式，它以纯文本形式存储表格数据，每一行代表一条记录，每一列代表一个字段，字段之间用逗号分隔。

df.to_csv("bigone_btc_usdt_1m.csv", index=False)

这行代码演示了如何将名为 df 的 DataFrame 保存到名为 bigone_btc_usdt_1m.csv 的 CSV 文件中。 其中， df 是 Pandas DataFrame 对象的名称， "bigone_btc_usdt_1m.csv" 是要保存的 CSV 文件的文件名，包含文件路径（如果需要保存到特定目录）。如果文件不存在，则会创建该文件；如果文件已存在，则会覆盖该文件。 index=False 参数指示在保存 CSV 文件时不要包含 DataFrame 的索引列。 默认情况下， index=True ，DataFrame 的索引也会被写入 CSV 文件。 将 index 设置为 False 可以避免将索引列写入 CSV 文件，使文件更简洁，同时也避免了在后续读取文件时可能出现的索引混淆问题。

df.to_csv() 函数还支持许多其他参数，可以根据实际需求进行设置，例如：

• sep ：指定字段之间的分隔符，默认为逗号 ( , )。 可以将其更改为其他字符，例如制表符 ( \t )，以创建 TSV（Tab Separated Values）文件。
• header ：指定是否包含列名，默认为 True 。如果设置为 False ，则不写入列名。
• columns ：指定要写入 CSV 文件的列的列表。 可以仅选择 DataFrame 中的部分列进行保存。
• encoding ：指定文件的编码方式，默认为 utf-8 。 如果数据包含非 ASCII 字符，建议使用 utf-8 编码， 或者其他合适的编码方式，以避免乱码问题。
• na_rep ：指定缺失值的表示方式，默认为空字符串。 可以将其更改为其他字符串，例如 "NaN" 或 "NULL" 。
• float_format ：指定浮点数的格式化方式。 可以使用此参数控制浮点数的精度和显示方式。

例如，以下代码将 DataFrame 保存到 CSV 文件，并使用制表符作为分隔符，不包含索引列，并使用 UTF-8 编码：

df.to_csv("bigone_btc_usdt_1m.csv", sep='\t', index=False, encoding='utf-8')

• 处理缺失值：使用均值、中位数或插值法填充缺失值。
• 转换数据类型：将字符串类型的时间戳转换为 datetime 类型。
• 计算衍生指标：例如移动平均线 (MA)、相对强弱指标 (RSI)、布林带 (Bollinger Bands) 等。这些指标是构建策略的基础。

import backtrader as bt

class MyStrategy(bt.Strategy): params = ( ('maperiodshort', 50), ('maperiodlong', 200), )

def __init__(self):
    self.ma_short = bt.indicators.SMA(self.data.close, period=self.p.ma_period_short)
    self.ma_long = bt.indicators.SMA(self.data.close, period=self.p.ma_period_long)
    self.crossover = bt.indicators.CrossOver(self.ma_short, self.ma_long)

def next(self):
    if not self.position:  # 没有持仓
        if self.crossover > 0:  # 短期均线上穿长期均线
            self.buy()
    else:
        if self.crossover < 0:  # 短期均线下穿长期均线
            self.sell()

if name == 'main': cerebro = bt.Cerebro() cerebro.addstrategy(MyStrategy)

# 加载数据
data = bt.feeds.GenericCSVData(
    dataname='bigone_btc_usdt_1m.csv',
    dtformat=('%Y-%m-%d %H:%M:%S'),  # 根据你的 CSV 文件调整
    datetime=0,
    open=1,
    high=2,
    low=3,
    close=4,
    volume=5,
    openinterest=-1
)

cerebro.adddata(data)
cerebro.broker.setcash(100000.0) # 设置初始资金
cerebro.addsizer(bt.sizers.PercentSizer, percents=10) # 每次交易投入 10% 的资金

print('Starting Portfolio Value: %.2f' % cerebro.broker.getvalue())
cerebro.run()
print('Final Portfolio Value: %.2f' % cerebro.broker.getvalue())

cerebro.plot() #绘制回测结果

• 总收益率
• 年化收益率
• 最大回撤
• 夏普比率
• 胜率