在笔记（17）中，对backtrader多只股票同时进行策略回测的过程进行了记录，当时只进行了少量股票的同时回测，如果增加参与回测的股票数目，就会出现各种异常的情况。

从本文开始，将用几篇笔记记录在多股回测时发现的几个坑，并给出避坑方案。

坑描述

回测周期内，某些股票的可用K线数量少于计算技术指标时的最小周期数。当出现这种情况时，backtrader不会对这些股票进行清洗剔除，依然会计算相应的技术指标，从而造成了访问数组越界的情况，典型报错信息为：

IndexError: array assignment index out of range

坑重现

为了重现上述现象，做如下回测设定：

• 使用30日均线作为买卖条件的判断标准：

MIN_PERIOD = 30params = dict(period = MIN_PERIOD,  	# 均线周期stake = 100, 			# 单笔交易股票数目)def __init__(self):self.inds = dict()for i, d in enumerate(self.datas):self.inds[d] = bt.ind.SMA(d.close, period=self.p.period)

• 买入条件：收盘价高于30日均线

            if not len(pos):                                 # 不在场内，则可以买入if d.close[0] > self.inds[d][0]:             # 达到买入条件self.buy(data = d, size = self.p.stake)  # 买买买

• 卖出条件：收盘价低于30日均线

            elif d.close[0] < self.inds[d][0]:           # 达到卖出条件self.close(data = d)                     # 卖卖卖

• 回测周期：2019年1月1日至2019年12月31日

    fromdate = datetime.datetime(2019, 1, 1)todate = datetime.datetime(2019, 12, 31)

• 股票组合：使用[‘002321’, ‘002322’]的组合与[‘002321’, ‘002322’, ‘002323’]的组合做对比

stk_pools = ['002321', '002322']
#stk_pools = ['002321', '002322', '002323']

在回测周期内（这里面还有坑，后续文章会详细介绍），002321日K线共244根，002322日K线共244根，002323日K线共20根（长期停盘）。显然，使用002323的20根K线，是无法计算30日均线的。

当使用组合[‘002321’, ‘002322’]进行回测时，程序可以正常运行；当使用组合[‘002321’, ‘002322’, ‘002323’]进行回测时，程序会报本文开始部分提到的IndexError。

避坑方案

为了确保参与回测的每只股票都能计算得到有效的技术指标，可以先计算在回测周期内有效K线的数目，如果K线数目足以计算策略使用的技术指标，则该股票参与回测；否则，剔除该股票。

• 统计回测周期内K线数量

首先读入股票数据，然后将日期数据转化为list，使用二分查找法找到开始、结束日期的位置，最后计算得到有效K线数目，代码如下：

# 统计回测周期内K线数量
def bar_size(datapath, fromdate, todate):df = pd.read_csv(datapath)# 将所有日期转化为datetime的listdate_list = list(map(lambda x:datetime.datetime.strptime(x, '%Y-%m-%d'), df['date'].to_list()))# 使用二分查找确定起止日期索引值start_index = binary_search(date_list, fromdate)end_index = binary_search(date_list, todate)return end_index - start_index + 1 

二分查找代码如下：

# 二分查找，确定所查找日期索引值
def binary_search(lst, target):start = 0end = len(lst) - 1while start <= end:mid = (start + end) // 2if target > lst[mid]:start = mid + 1elif target < lst[mid]:end = mid - 1else:return midreturn min(abs(start), abs(end))

• 剔除无效股票

通过调用bar_size方法，计算回测周期内有效K线数目，如果有效K线数目能够支持计算回测过程所需的技术指标，则将该股票数据添加到cerebro中参与回测，否则该股票将被剔除不参与回测。

stk_pools = ['002321', '002322']
#stk_pools = ['002321', '002322', '002323']for stk_code in stk_pools:# 读入数据datapath = '../TQDat/day/stk/' + stk_code + '.csv'fromdate = datetime.datetime(2019, 1, 1)todate = datetime.datetime(2019, 12, 31)# 剔除无效股票if MIN_PERIOD > bar_size(datapath, fromdate, todate):continue# 创建价格数据data = bt.feeds.GenericCSVData(dataname = datapath,fromdate = fromdate,todate = todate,nullvalue = 0.0,dtformat = ('%Y-%m-%d'),datetime = 0,open = 1,high = 2,low = 3,close = 4,volume = 5,openinterest = -1)# 在Cerebro中添加股票数据cerebro.adddata(data, name = stk_code)

• 回测结果

通过以上的避坑操作，使用[‘002321’, ‘002322’]的组合与[‘002321’, ‘002322’, ‘002323’]的组合进行回测时，可以得到相同的回测结果。

• 结果分析

在对组合[‘002321’, ‘002322’, ‘002323’]进行回测时，由于002323在回测周期内只有20根日K线，无法计算策略中30日均线值，因此被剔除未参与回测。

总结

• 在多股回测中，会对参与回测的所有股票计算策略所使用的技术指标值。

• 在回测周期中，某些股票由于未上市、停盘的因素，有效K线数量小于计算技术指标所需K线数量，会导致程序报错（IndexError: array assignment index out of range）。

• 为了保证程序正常运行，可在回测前对数据进行清洗，剔除回测周期内有效K线数量不足的股票。

• 不同计算指标对K线数目的需要略有不同（后续文章再记录）。

backtrader多股回测避坑1代码：

from __future__ import (absolute_import, division, print_function,unicode_literals)
import datetime  # 用于datetime对象操作
import os.path  # 用于管理路径
import backtrader as bt # 引入backtrader框架
import pandas as pdMIN_PERIOD = 30# 二分查找，确定所查找日期索引值
def binary_search(lst, target):start = 0end = len(lst) - 1while start <= end:mid = (start + end) // 2if target > lst[mid]:start = mid + 1elif target < lst[mid]:end = mid - 1else:return midreturn min(abs(start), abs(end))# 统计回测周期内K线数量
def bar_size(datapath, fromdate, todate):df = pd.read_csv(datapath)# 将所有日期转化为datetime的listdate_list = list(map(lambda x:datetime.datetime.strptime(x, '%Y-%m-%d'), df['date'].to_list()))# 使用二分查找确定起止日期索引值start_index = binary_search(date_list, fromdate)end_index = binary_search(date_list, todate)return end_index - start_index + 1 # 创建策略
class SmaStrategy(bt.Strategy):# 可配置策略参数params = dict(period = MIN_PERIOD,    # 均线周期stake = 100,            # 单笔交易股票数目)def __init__(self):self.inds = dict()for i, d in enumerate(self.datas):self.inds[d] = bt.ind.SMA(d.close, period=self.p.period)def next(self):for i, d in enumerate(self.datas):pos = self.getposition(d)if not len(pos):                                 # 不在场内，则可以买入if d.close[0] > self.inds[d][0]:             # 达到买入条件self.buy(data = d, size = self.p.stake)  # 买买买elif d.close[0] < self.inds[d][0]:               # 达到卖出条件self.close(data = d)                         # 卖卖卖cerebro = bt.Cerebro()  # 创建cerebrostk_pools = ['002321', '002322']
#stk_pools = ['002321', '002322', '002323']for stk_code in stk_pools:# 读入数据datapath = '../TQDat/day/stk/' + stk_code + '.csv'fromdate = datetime.datetime(2019, 1, 1)todate = datetime.datetime(2019, 12, 31)# 剔除无效股票if MIN_PERIOD > bar_size(datapath, fromdate, todate):continue# 创建价格数据data = bt.feeds.GenericCSVData(dataname = datapath,fromdate = fromdate,todate = todate,nullvalue = 0.0,dtformat = ('%Y-%m-%d'),datetime = 0,open = 1,high = 2,low = 3,close = 4,volume = 5,openinterest = -1)# 在Cerebro中添加股票数据cerebro.adddata(data, name = stk_code)cerebro.broker.setcash(1000000.0)                # 设置启动资金
cerebro.addstrategy(SmaStrategy)                 # 添加策略
cerebro.run()                                    # 遍历所有数据
print('Final Portfolio Value: %.2f' % cerebro.broker.getvalue())