股票量化交易回测框架pyalgotrade源码阅读(一)

PyAlgoTrade是什么呢？

一个股票量化交易的策略回测框架。

而作者的说明如下。

To make it easy to backtest stock trading strategies.

  简单的来说，是一个用于验证自己交易策略的框架。

适用以下场景：

  我有个前无古人后无来者的想法，我觉得我按照这个想法去买股票稳赚不赔，但是为了稳妥起见，我需要测试一下这个我的这个想法到底用没有用，怎么测试呢？

大概下面两种方法

一：弄个模拟交易的软件，每天按照自己的想法买入卖出，然后看看一个月或者一年后的收益如何。

优点:更贴近现实，至少当下的现实

缺点:测试周期大，数据有限

二：我相信我的这个想法不是针对现在或者未来有用，甚至是在以前应该也是起作用的，那么我可以将历史数据调出来，用于测试，看看在历史行情中收益如何。

优点:数据充分，可以反复测试。

缺点:可能不能贴近现实

  而pyalgotrade就是为了提供给使用者基于历史数据回测的框架，即为了让你更好的使用上述的第二种方法。

注:无论怎么测，肯定都有偏差的, 因为都是猜，就像×××，你算好了各种概率，想好了各种策略，但是你能保证的只是你赢钱的概率大一些，而不是必赢，因为在没有欺诈的情况下，未来是不可测，也不能确定的，谁也不能预知未来~吧~

文章目录

1. 官方示例

2. 设计模式之观察者模式

3. 源码解析

   
   

官方示例

sma_crossover.py文件

from pyalgotrade import strategy from pyalgotrade.technical import ma from pyalgotrade.technical import cross class SMACrossOver(strategy.BacktestingStrategy):     def __init__(self, feed, instrument, smaPeriod):         super(SMACrossOver, self).__init__(feed)         self.__instrument = instrument         self.__position = None         # We'll use adjusted close values instead of regular close values.         self.setUseAdjustedValues(True)         self.__prices = feed[instrument].getPriceDataSeries()         self.__sma = ma.SMA(self.__prices, smaPeriod)     def getSMA(self):         return self.__sma     def onEnterCanceled(self, position):         self.__position = None     def onExitOk(self, position):         self.__position = None     def onExitCanceled(self, position):         # If the exit was canceled, re-submit it.         self.__position.exitMarket()     def onBars(self, bars):         # If a position was not opened, check if we should enter a long position.         if self.__position is None:             if cross.cross_above(self.__prices, self.__sma) > 0:                 shares = int(self.getBroker().getCash() * 0.9 / bars[self.__instrument].getPrice())                 # Enter a buy market order. The order is good till canceled.                 self.__position = self.enterLong(self.__instrument, shares, True)         # Check if we have to exit the position.         elif not self.__position.exitActive() and cross.cross_below(self.__prices, self.__sma) > 0:             self.__position.exitMarket()

sma_crossover_sample.py

import sma_crossover from pyalgotrade import plotter from pyalgotrade.tools import yahoofinance from pyalgotrade.stratanalyzer import sharpe def main(plot):     instrument = "aapl"     smaPeriod = 163     # Download the bars.     feed = yahoofinance.build_feed([instrument], 2011, 2012, ".")     strat = sma_crossover.SMACrossOver(feed, instrument, smaPeriod)     sharpeRatioAnalyzer = sharpe.SharpeRatio()     strat.attachAnalyzer(sharpeRatioAnalyzer)     if plot:         plt = plotter.StrategyPlotter(strat, True, False, True)         plt.getInstrumentSubplot(instrument).addDataSeries("sma", strat.getSMA())     strat.run()     print "Sharpe ratio: %.2f" % sharpeRatioAnalyzer.getSharpeRatio(0.05)     if plot:         plt.plot() if __name__ == "__main__":     main(True)

  上面的代码主要做一件这样的事。

  创建了一个策略，这个策略就是你的想法，这个想法是什么呢？

  想法是，当价格高于近163日内的平均价格就买入，低于近163日内的平均价格就卖出(平仓)。

  其实还做了其他的事，比如策略分析之类的，但是这篇文章暂时忽略。

设计模式之观察者模式

#!/usr/bin/python #coding:utf8 ''' Observer '''     class Subject(object):     def __init__(self):         self._observers = []       def attach(self, observer):         if not observer in self._observers:             self._observers.append(observer)       def detach(self, observer):         try:             self._observers.remove(observer)         except ValueError:             pass       def notify(self, modifier=None):         for observer in self._observers:             if modifier != observer:                 observer.update(self)   # Example usage class Data(Subject):     def __init__(self, name=''):         Subject.__init__(self)         self.name = name         self._data = 0       @property     def data(self):         return self._data       @data.setter     def data(self, value):         self._data = value         self.notify()   class HexViewer:     def update(self, subject):         print('HexViewer: Subject %s has data 0x%x' %               (subject.name, subject.data))   class DecimalViewer:     def update(self, subject):         print('DecimalViewer: Subject %s has data %d' %               (subject.name, subject.data))   # Example usage... def main():     data1 = Data('Data 1')     data2 = Data('Data 2')     view1 = DecimalViewer()     view2 = HexViewer()     data1.attach(view1)     data1.attach(view2)     data2.attach(view2)     data2.attach(view1)       print("Setting Data 1 = 10")     data1.data = 10     print("Setting Data 2 = 15")     data2.data = 15     print("Setting Data 1 = 3")     data1.data = 3     print("Setting Data 2 = 5")     data2.data = 5     print("Detach HexViewer from data1 and data2.")     data1.detach(view2)     data2.detach(view2)     print("Setting Data 1 = 10")     data1.data = 10     print("Setting Data 2 = 15")     data2.data = 15   if __name__ == '__main__':     main()

意图：

  定义对象间的一种一对多的依赖关系,当一个对象的状态发生改变时, 所有依赖于它的对象都得到通知并被自动更新。

适用性：

  当一个抽象模型有两个方面, 其中一个方面依赖于另一方面。将这二者封装在独立的对象中以使它们可以各自独立地改变和复用。

  当对一个对象的改变需要同时改变其它对象, 而不知道具体有多少对象有待改变。

  当一个对象必须通知其它对象，而它又不能假定其它对象是谁。换言之, 你不希望这些对象是紧密耦合的。

摘自:http://www.cnblogs.com/Liqiongyu/p/5916710.html

  如果你看得懂就略过吧。

  上面的代码想做个上面事情呢？

  想达到事件的目的，即，在更新数据的时候，会触发相关的事件。

  上面定义了主要三个种类型的类，subject，data，viewer。

  其中subject是data的父类。

  通过attach的操作，将不同的viewer加入到self.__observers列表里面，当data对象要更新数据的时候，就回调用notify方法，而notify方法则会遍历self.__observers列表的每个observer,然后依次调用其update方法。

  这也是为毛hexViewer,DecimalViewer都要实现自身的update方法。

  为毛要这么写？

  前人总结的经验~

  能不能不这么写？

  可以的。

  如果看不懂这个设计模式，那么pyalgotrade的源码看起来可能会比较吃力，但是也只是可能而已，因为很多人看不懂，只是因为没有实际的有用场景而已。

源码解析

  首先是框架，看一遍，比如那些模块，不过个人经验之谈就是，看完之后，一般都会有一下迷思。

  为毛这么写？

  这里到底想干什么？

  这么复杂有毛用~

  恩，我也是这种感觉~

  一般是pdb跟一遍流程或者一个一个找继承关系。

  pdb这里就不讲了，主要就是跟每个方法调用死磕到底，当然了，你也许有你得方法，我比较较真就是这样看源代码的，至少现在是这样的。

  在看源代码之前，官方文档，示例什么的最好也看一下，这样才能跟接近作者的意思。

  这里面有个对象，需要着重声明，那就是bar。

  什么是bar呢？

  每个bar都是一个时刻股票各个价格的集合，即，当前价格，当前时间，最高价，最低价，成交量什么的。

  而这些属性都是通过get_xxx的方法获取的。

获取数据

很明显数据是通过下面这行代码获取的。

feed = yahoofinance.build_feed([instrument], 2011, 2012, ".")

build_feed方法在tools/yahoofinance.py

def build_feed(instruments, fromYear, toYear, storage, frequency=bar.Frequency.DAY, timezone=None, skipErrors=False): logger = pyalgotrade.logger.getLogger("yahoofinance")     logger = pyalgotrade.logger.getLogger("yahoofinance")     ret = yahoofeed.Feed(frequency, timezone)     for year in range(fromYear, toYear+1):         for instrument in instruments:             fileName = os.path.join(storage, "%s-%d-yahoofinance.csv" % (instrument, year))             if not os.path.exists(fileName):                 logger.info("Downloading %s %d to %s" % (instrument, year, fileName))                 try:                     if frequency == bar.Frequency.DAY:                         download_daily_bars(instrument, year, fileName)                     elif frequency == bar.Frequency.WEEK:                         download_weekly_bars(instrument, year, fileName)                     else:                         raise Exception("Invalid frequency")                 except Exception, e:                     if skipErrors:                         logger.error(str(e))                         continue                     else:                         raise e             ret.addBarsFromCSV(instrument, fileName)     return ret

在build_feed函数里面又根据情况调用了相应的下载函数

def download_csv(instrument, begin, end, frequency):     url = "http://ichart.finance.yahoo.com/table.csv?s=%s&a=%d&b=%d&c=%d&d=%d&e=%d&f=%d&g=%s&ignore=.csv" % (instrument, __adjust_month(begin.month), begin.day, begin.year, __adjust_month(end.month), end.day, end.year, frequency)     return csvutils.download_csv(url)

  而最终执行的下载函数为download_csv，通过这个函数我们可以访问yahoo的api，最终下载函数，当然了，可以进一步的查看csvutils.download_csv函数。

  这里我们知道数据是通过download_csv这个函数，将相应的股票代码，开始结束时间及频率传入，然后访问相应的url，得到相应的数据。

feed对象

  在tools/yahoofinance.py中我们可以看到，返回的结果并不是一个csv的对象，而是一个ret即,Feed对象，而Feed对象通过addBarsFromCSV将下载的数据加载到内存。

  从这里你也许会开始抓狂了为毛一层一层的继承。

其中yahoofeed.Feed在barfeed/yahoofeed.py

class Feed(csvfeed.BarFeed):     def addBarsFromCSV(self, instrument, path, timezone=None):         rowParser = RowParser(             self.getDailyBarTime(), self.getFrequency(), timezone, self.__sanitizeBars, self.__barClass         )         super(Feed, self).addBarsFromCSV(instrument, path, rowParser)

上面调用了父类的addBarsFromCSV方法。

父类的addBarsFromCSV在barfeed/csvfeed.py

class BarFeed(membf.BarFeed):     def addBarsFromCSV(self, instrument, path, rowParser):         # Load the csv file         loadedBars = []         reader = csvutils.FastDictReader(open(path, "r"), fieldnames=rowParser.getFieldNames(), delimiter=rowParser.getDelimiter())         for row in reader:             bar_ = rowParser.parseBar(row)             if bar_ is not None and (self.__barFilter is None or self.__barFilter.includeBar(bar_)):                 loadedBars.append(bar_)         self.addBarsFromSequence(instrument, loadedBars)

然后csvfeed又调用了父类的方法~

值得注意的是，上面的rowParser.parseBar方法在子类实现的 。。。后面会在提及。

addBarsFromSequence方法在barfeed/membf.py

class BarFeed(barfeed.BaseBarFeed):     def addBarsFromSequence(self, instrument, bars):         if self.__started:             raise Exception("Can't add more bars once you started consuming bars")         self.__bars.setdefault(instrument, [])         self.__nextPos.setdefault(instrument, 0)         # Add and sort the bars         self.__bars[instrument].extend(bars)         barCmp = lambda x, y: cmp(x.getDateTime(), y.getDateTime())         self.__bars[instrument].sort(barCmp)         self.registerInstrument(instrument)

然后又调用了父类的方法~

值得注意的是这里将yahoo的数据存在了self.__bars中，至于bars是什么对象，后面再说。

registerInstrument方法在barfeed/__init__.py

class BaseBarFeed(feed.BaseFeed):     def registerInstrument(self, instrument):         self.__defaultInstrument = instrument         self.registerDataSeries(instrument)

然后又调用了父类的方法~

registerDataSeries方法在feed/__init__.py

class BaseFeed(observer.Subject):     def __init__(self, maxLen):         super(BaseFeed, self).__init__()         maxLen = dataseries.get_checked_max_len(maxLen)         self.__ds = {}         self.__event = observer.Event()         self.__maxLen = maxLen     def registerDataSeries(self, key):         if key not in self.__ds:             self.__ds[key] = self.createDataSeries(key, self.__maxLen)

  恩，这里就是逻辑的终点了，虽然它还是继承，不过pyalgotrade里面大多数对象都是是继承observer.Subject，之所以继承，是为了完成类似观察者的设计模式里面的事件操作。

  简单总结一下继承关系。

barfeed/yahoofeed.Feed -> barfeed/csvfeed.BarFeed -> barfeed/membf.BarFeed -> barfeed/__init__.py.BaseFeed -> feed/__init.py.BaseFeed

  然后yahoo的数据结果，最终是由RowParser的parseBar方法依次导入，而RowPaser.parseBar方法是在barfeed/yahoofeed.py中。

  然后我们再来走一遍加载数据的流程，不过这次不只是整个逻辑，而这次我们关注于具体的数据是啥。

其中barfeed/yahoofeed里面的RowParser的逻辑及parsrBar的具体的具体实现,截取如下。

class RowParser(csvfeed.RowParser):     def __init__(self, dailyBarTime, frequency, timezone=None, sanitize=False, barClass=bar.BasicBar):         self.__dailyBarTime = dailyBarTime         self.__frequency = frequency         self.__timezone = timezone         self.__sanitize = sanitize         self.__barClass = barClass     def __parseDate(self, dateString):         ret = parse_date(dateString)         # Time on Yahoo! Finance CSV files is empty. If told to set one, do it.         if self.__dailyBarTime is not None:             ret = datetime.datetime.combine(ret, self.__dailyBarTime)         # Localize the datetime if a timezone was given.         if self.__timezone:             ret = dt.localize(ret, self.__timezone)         return ret     def getFieldNames(self):         # It is expected for the first row to have the field names.         return None     def getDelimiter(self):         return ","     def parseBar(self, csvRowDict):         dateTime = self.__parseDate(csvRowDict["Date"])         close = float(csvRowDict["Close"])         open_ = float(csvRowDict["Open"])         high = float(csvRowDict["High"])         low = float(csvRowDict["Low"])         volume = float(csvRowDict["Volume"])         adjClose = float(csvRowDict["Adj Close"])         if self.__sanitize:             open_, high, low, close = common.sanitize_ohlc(open_, high, low, close)         return self.__barClass(dateTime, open_, high, low, close, volume, adjClose, self.__frequency)

  其中解析后返回的结果是一个bar.BasicBar对象。

  然后调用父类barfeed/csvfeed里面的addBarsFromCSV方法，得到一个bar.BasicBar对象的列表，即loadBars。传入继承于父类的addBarsFromSequence方法，截取如下。

class BarFeed(membf.BarFeed):     def addBarsFromCSV(self, instrument, path, rowParser):         # Load the csv file         loadedBars = []         reader = csvutils.FastDictReader(open(path, "r"), fieldnames=rowParser.getFieldNames(), delimiter=rowParser.getDelimiter())         for row in reader:             bar_ = rowParser.parseBar(row)             if bar_ is not None and (self.__barFilter is None or self.__barFilter.includeBar(bar_)):                 loadedBars.append(bar_)         self.addBarsFromSequence(instrument, loadedBars)

下面则是处理addBarsFromSequence的操作，主要是创建了一个self.__bars的字典,每个股票代码对应相应时间段的bar.BasicBar对象的列表，然后调用父类的registerInstrument方法，传入相应的股票代码。

barfeed/membf.py --> BarFeed

class BarFeed(barfeed.BaseBarFeed):     def addBarsFromSequence(self, instrument, bars):         if self.__started:             raise Exception("Can't add more bars once you started consuming bars")         self.__bars.setdefault(instrument, [])         self.__nextPos.setdefault(instrument, 0)         # Add and sort the bars         self.__bars[instrument].extend(bars)         barCmp = lambda x, y: cmp(x.getDateTime(), y.getDateTime())         self.__bars[instrument].sort(barCmp)         self.registerInstrument(instrument)

下面则是registerInstrument的具体逻辑，即注册DataSeries对象,而registerDataSeries方法是在父类实现。

barfeed/__init__.py --->BaseBarFeed

BaseBarFeed(feed.BaseFeed):     def registerInstrument(self, instrument):         self.__defaultInstrument = instrument         self.registerDataSeries(instrument)

下面则是最终的registerDataSeries操作，创建了一个dataseries的对象。

feed/__init__.py  --->BaseFeed

class BaseFeed(observer.Subject):     def registerDataSeries(self, key):         if key not in self.__ds:             self.__ds[key] = self.createDataSeries(key, self.__maxLen)

而createDataSeries方法并没有在基类中实现。

@abc.abstractmethod def createDataSeries(self, key, maxLen):     raise NotImplementedError()

createDataSeries的具体实现则是在barfeed/__init__.py --->BaseBarFeed

    def createDataSeries(self, key, maxLen):         ret = bards.BarDataSeries(maxLen)         ret.setUseAdjustedValues(self.__useAdjustedValues)         return ret

所以最终，feed对象有两个重要的数据集。

一:

self.__bars

里面的数据结构大概是{"instrument_xx":[bar1,bar2,bar3]}

self.__ds = {}

里面的数据结构大概是self.__ds = {"instrument_xx": dataseries_xx}

其中instrument指特定的股票代码，比如aapl，bar1，bar2则是bar.BasicBar对象，dataseries则是bards.BarDataSeries对象。

至于bar.BasicBar以及dataseries的数据结构到底是什么，大家可以自行瞧瞧。

值得注意的是，父类与基类之间数据获取不会通过共享变量的方式获得，比如最终通过基类self.__ds的数据是通过基类的getKeys的方法暴露给子类去获取实际的数据。。

策略

初始化策略

strat = sma_crossover.SMACrossOver(feed, instrument, smaPeriod)

策略最终继承于strategy.BacktestingStrategy

analyzer

创建一个stratanalyzer的实例并attach

sharpeRatioAnalyzer = sharpe.SharpeRatio() strat.attachAnalyzer(sharpeRatioAnalyzer)

analyzer这里暂时不说，因为，这里主要将具体的策略实现，以及feed对象，analyzer以及broker的内容会放在下一篇文章讲。

run

运行策略。

strat.run()

run方法在strategy/__init__.py里面的BaseStrategy类。

class BaseStrategy(object):     def run(self):     """Call once (**and only once**) to run the strategy."""         self.__dispatcher.run()     if self.__barFeed.getCurrentBars() is not None:         self.onFinish(self.__barFeed.getCurrentBars())     else:         raise Exception("Feed was empty")

而run方法会调用self.__dispatcher的run方法，即dispatcher.py里面的Dispatcher类，在说Dispatcher类之前，我们得先看看BaseStrategy在初始化的时候到底初始化了啥。

class BaseStrategy(object):     def __init__(self, barFeed, broker):         self.__barFeed = barFeed         self.__broker = broker         self.__activePositions = set()         self.__orderToPosition = {}         self.__barsProcessedEvent = observer.Event()         self.__analyzers = []         self.__namedAnalyzers = {}         self.__resampledBarFeeds = []         self.__dispatcher = dispatcher.Dispatcher()         self.__broker.getOrderUpdatedEvent().subscribe(self.__onOrderEvent)         self.__barFeed.getNewValuesEvent().subscribe(self.__onBars)         self.__dispatcher.getStartEvent().subscribe(self.onStart)         self.__dispatcher.getIdleEvent().subscribe(self.__onIdle)         # It is important to dispatch broker events before feed events, specially if we're backtesting.         self.__dispatcher.addSubject(self.__broker)         self.__dispatcher.addSubject(self.__barFeed)

  绑定barFeed，broker到self，初始化__activePositions，OderToPosition，__analyzers，__namedAnlyzers，__resampledBarFeeds的值，并初始化一个observer.Event的实例。

  创建一个dispatcher的实例，并在dispatcher的初始化过程中创建两个observer.Event，observer.Event的实例。

  其中broker实例通过getOrderUpdatedEvent方法得到一个event实例，并订阅策略的onOrderEvent的事件

  barFeed实例通过getNewValuesEvent方法得到一个event实例，并订阅策略的onBars的事件。

  dispatcher的实例分别获得startEvent，IdleEvent并订阅onStart，__onIdle事件。

  最后dispatcher实例将broker，barFeed两个subject分别加入到dispatcher的subjects列表中。

  然后我们在回到Dispatcher类的run方法，这里主要是首先遍历自己__subjects列表里面的subject，然后调用每个subject的start方法，由BaseStrategy类的初始化方法可知，dispatcher加入了两个subject，分别是broker，barFeed。

具体实现如下。

class Dispatcher(object):     def run(self):     try:         for subject in self.__subjects:             subject.start()         self.__startEvent.emit()                  while not self.__stop:             eof, eventsDispatched = self.__dispatch()         if eof:             self.__stop = True         elif not eventsDispatched:             self.__idleEvent.emit()     finally:         for subject in self.__subjects:             subject.stop()         for subject in self.__subjects:             subject.join()

整个回测策略的逻辑基本就是在dispatcher调度各个subject并触发事件的过程。

调用完每个subject的start方法后，执行自身的self.__startEvent.emit方法。

然后通过while循环启动整个运转逻辑。

在循环结束后依次启动每个subject并等待所有subject关闭。

现在再次回到初始化过程，查看各个event，subject的内容到底是什么。

self.__broker.getOrderUpdatedEvent().subscribe(self.__onOrderEvent)     def __onOrderEvent(self, broker_, orderEvent):         order = orderEvent.getOrder()         self.onOrderUpdated(order)         self.__barFeed.getNewValuesEvent().subscribe(self.__onBars)     def __onBars(self, dateTime, bars):         # THE ORDER HERE IS VERY IMPORTANT         # 1: Let analyzers process bars.         self.__notifyAnalyzers(lambda s: s.beforeOnBars(self, bars))         # 2: Let the strategy process current bars and submit orders.         self.onBars(bars)         # 3: Notify that the bars were processed.         self.__barsProcessedEvent.emit(self, bars)         self.__dispatcher.getStartEvent().subscribe(self.onStart)     def onStart(self):         """Override (optional) to get notified when the strategy starts executing. The default implementation is empty. """         pass         self.__dispatcher.getIdleEvent().subscribe(self.__onIdle)         def __onIdle(self):         # Force a resample check to avoid depending solely on the underlying         # barfeed events.         for resampledBarFeed in self.__resampledBarFeeds:         resampledBarFeed.checkNow(self.getCurrentDateTime())         self.onIdle()

上面是各个event订阅的subject，是相应的handler函数。

然后现在瞧瞧每个subject的start方法。

其中observer.py里面定义的Subject类似一个抽象工厂，只是定义了各个方法但是并没有实现具体方法的逻辑。

我们首先来看看broker这个subject的start方法的处理逻辑。

而继承observer.Subject的Broker也只是一个抽象工厂，定义了一系列的接口。

在此策略中，我们据代码得知，我们初始化的broker是一个backtesting的broker，代码如下。

class BacktestingStrategy(BaseStrategy):     def __init__(self, barFeed, cash_or_brk=1000000):         # The broker should subscribe to barFeed events before the strategy.         # This is to avoid executing orders submitted in the current tick.         if isinstance(cash_or_brk, pyalgotrade.broker.Broker):             broker = cash_or_brk         else:           broker = backtesting.Broker(cash_or_brk, barFeed)         查看backtesting的broker         broker/backtesting.py         class Broker(broker.Broker):         def start(self):             super(Broker, self).start()

 

查看backtesting的broker -> broker/backtesting.py

        class Broker(broker.Broker):         def start(self):             super(Broker, self).start()

其中基类的start如下

observer.py class Subject(object): @abc.abstractmethod def start(self): pass

然后再来看barFeed的subject的start

其中barFeed也没有自己定义start方法，即，start方法也是如上。

在每个subject调用start方法后，dispatcher就会调用自身self.__startEvent.emit。然后到循环eof, eventsDispatched = self.__dispatch()

    def __dispatch(self):         smallestDateTime = None         eof = True         eventsDispatched = False         # Scan for the lowest datetime.         for subject in self.__subjects:             if not subject.eof():                 eof = False                 smallestDateTime = utils.safe_min(smallestDateTime, subject.peekDateTime())

再次实例创建的feed为yahoofeed

而依次继承于csvfeed.BarFeed,membf.BarFeed,barfeed.BaseBaseFeed,feed.BaseFeed

其中membf.BarFeed，BaseBarFeed都实现了eof方法。

通过代码追踪，我们发现eof主要为了判断是否以及迭代完每一个bar

代码如下

    def eof(self):         ret = True         # Check if there is at least one more bar to return.         for instrument, bars in self.__bars.iteritems():             nextPos = self.__nextPos[instrument]             if nextPos < len(bars):                 ret = False                 break         return ret

其中self.__nextPos在addBarsFromSequence函数里面已经将其定义为0，也就是说，这个nextPos是为了在迭代每个bar的同时记录迭代的位置，即索引位置。

当判断完eof之后，则调用__dispatchSubject方法，迭代每个subject并调用其dispatch方法。

其中dispatch的实现在基类feed/__init__.py

class BaseFeed(observer.Subject):     def dispatch(self):         dateTime, values = self.getNextValuesAndUpdateDS()         if dateTime is not None:             self.__event.emit(dateTime, values)         return dateTime is not None

getNextValuesAndUpdateDS方法实现在feed/__init__.py

   def getNextValuesAndUpdateDS(self):         dateTime, values = self.getNextValues()         if dateTime is not None:             for key, value in values.items():                 # Get or create the datseries for each key.                 try:                     ds = self.__ds[key]                 except KeyError:                     ds = self.createDataSeries(key, self.__maxLen)                     self.__ds[key] = ds                 ds.appendWithDateTime(dateTime, value)         return (dateTime, values)     def __iter__(self):         return feed_iterator(self)

而getNextValues的方法实现在barfeed/__init__.py

class BaseBarFeed(feed.BaseFeed):     def getNextValues(self):         dateTime = None         bars = self.getNextBars()         if bars is not None:             dateTime = bars.getDateTime()             # Check that current bar datetimes are greater than the previous one.             if self.__currentBars is not None and self.__currentBars.getDateTime() >= dateTime:                 raise Exception(                     "Bar date times are not in order. Previous datetime was %s and current datetime is %s" % (                         self.__currentBars.getDateTime(),                         dateTime                     )                 )             # Update self.__currentBars and self.__lastBars             self.__currentBars = bars             for instrument in bars.getInstruments():                 self.__lastBars[instrument] = bars[instrument]         return (dateTime, bars)

其中 getNextBars的方法实现在barfeed/membf.py

class BarFeed(barfeed.BaseBarFeed):     def getNextBars(self):         # All bars must have the same datetime. We will return all the ones with the smallest datetime.         smallestDateTime = self.peekDateTime()         if smallestDateTime is None:             return None         # Make a second pass to get all the bars that had the smallest datetime.         ret = {}         for instrument, bars in self.__bars.iteritems():             nextPos = self.__nextPos[instrument]             if nextPos < len(bars) and bars[nextPos].getDateTime() == smallestDateTime:                 ret[instrument] = bars[nextPos]                 self.__nextPos[instrument] += 1         if self.__currDateTime == smallestDateTime:             raise Exception("Duplicate bars found for %s on %s" % (ret.keys(), smallestDateTime))         self.__currDateTime = smallestDateTime         return bar.Bars(ret)

其中Bars对象则是对bar的进一层封装

提供方法如下。

def __getitem__(self, instrument): return self.__barDict[instrument] def __contains__(self, instrument): return instrument in self.__barDict def items(self): def keys(self): def getInstruments(self): def getDateTime(self): def getBar(self, instrument):

至此，我们了解到了feed对象，以及每个bar是怎么迭代的，但是还没有看到每个bar的处理操作。

所以在回到feed的dispatch方法，处理流程如下

    def dispatch(self):         dateTime, values = self.getNextValuesAndUpdateDS()         if dateTime is not None:             self.__event.emit(dateTime, values)         return dateTime is not None

需要着重说明的就是self.__event.emit(dateTime, values)

其中values是一个bar.Bars实例。

broker的dispatch方法

def dispatch(self): # All events were already emitted while handling barfeed events. pass

这里，我们可以看到如果dataTime不是None的话，就会通过emit提交时间

而feed里面注册了__onBars的handlers

所以在每次迭代的时候都会触发event的emit操作，即执行每个在feed中注册了的handler，这里只注册了一个handler--->__onBars

def __onBars(self, dateTime, bars):     # THE ORDER HERE IS VERY IMPORTANT     # 1: Let analyzers process bars.     self.__notifyAnalyzers(lambda s: s.beforeOnBars(self, bars))     # 2: Let the strategy process current bars and submit orders.     self.onBars(bars)     # 3: Notify that the bars were processed.     self.__barsProcessedEvent.emit(self, bars)

所以迭代每一个bar的时候，都会执行onBar的函数。

而onBar函数是自己定义的，在本示例中，onBar的函数内容如下

def onBars(self, bars):     def onBars(self, bars):         # If a position was not opened, check if we should enter a long position.         if self.__position is None:             if cross.cross_above(self.__prices, self.__sma) > 0:                 shares = int(self.getBroker().getCash() * 0.9 / bars[self.__instrument].getPrice())                 # Enter a buy market order. The order is good till canceled.                 self.__position = self.enterLong(self.__instrument, shares, True)         # Check if we have to exit the position.         elif not self.__position.exitActive() and cross.cross_below(self.__prices, self.__sma) > 0:             self.__position.exitMarket()

bar是每个指定频率的open,close,low,high,adj close，volume数据集合对象。

DataSeries是一个随着迭代，不断增加datetime，以及bar的序列。

而technical的触发是在feed/__init__.py里面的ds.appendWithDateTime。

    def getNextValuesAndUpdateDS(self):         dateTime, values = self.getNextValues()         if dateTime is not None:             for key, value in values.items():                 # Get or create the datseries for each key.                 try:                     ds = self.__ds[key]                 except KeyError:                     ds = self.createDataSeries(key, self.__maxLen)                     self.__ds[key] = ds                 ds.appendWithDateTime(dateTime, value)         return (dateTime, values)

然后ma.py

class SMA(technical.EventBasedFilter):     def __init__(self, dataSeries, period, maxLen=None):     super(SMA, self).__init__(dataSeries, SMAEventWindow(period), maxLen)

然后technical/__init__.py

class EventBasedFilter(dataseries.SequenceDataSeries):     def __init__(self, windowSize, dtype=float, skipNone=True):         assert(windowSize > 0)         assert(isinstance(windowSize, int))         self.__values = collections.NumPyDeque(windowSize, dtype)         self.__windowSize = windowSize         self.__skipNone = skipNone     def __onNewValue(self, dataSeries, dateTime, value):         # Let the event window perform calculations.         self.__eventWindow.onNewValue(dateTime, value)         # Get the resulting value         newValue = self.__eventWindow.getValue()         # Add the new value.         self.appendWithDateTime(dateTime, newValue)

而__eventWindow.onNewValue在technical/ma.py

class SMAEventWindow(technical.EventWindow):     def __init__(self, period):         assert(period > 0)         super(SMAEventWindow, self).__init__(period)         self.__value = None     def onNewValue(self, dateTime, value):         firstValue = None         if len(self.getValues()) > 0:             firstValue = self.getValues()[0]             assert(firstValue is not None)         super(SMAEventWindow, self).onNewValue(dateTime, value)         if value is not None and self.windowFull():             if self.__value is None:                 self.__value = self.getValues().mean()             else:                 self.__value = self.__value + value / float(self.getWindowSize()) - firstValue / float(self.getWindowSize())     def getValue(self):         return self.__value

至此基于pyalgotrade的一个简单示例，按照其执行流程的源码解读到此完毕。

后记:后面有点乱了，写篇文章还是蛮费时间的，太长了，pyalgotrade的源码解读估计还得写一段时间去了。

这就是从无到用写个股票分析APP系列的衍生篇了。

参考链接:

Python设计模式: http://www.cnblogs.com/Liqiongyu/p/5916710.html

PyAlgoTrade 文档: http://gbeced.github.io/pyalgotrade/docs/v0.6/html/index.html

如果觉得不错，并有所收获，请我喝杯茶呗