本文摘自https://blog.csdn.net/m0_46603114/article/details/107889583
日志功能
可以通過下面的代碼在backtrader中添加日志功能：
cerebro.addwriter(bt.WriterFile, out = 'log.csv', csv = True)
1
日志信息將被輸出到工作目錄下的log.csv文件中，輸出內容包括：
種子數據（Data Feeds）
策略數據（lines和參數）
指標和觀察者（Observer）數據（lines和參數）
分析數據（參數和分析結果數據）
交易日歷
交易日歷適用於以下場景：
由日線數據resample得到周線數據時，使用交易日歷可以准確識別每周的最后1根日線。
在策略的next()方法中打印一下內容
在輸出的每一行中，第一個日期為策略所使用的日期，第二個日期為當前日線的日期，第三個日期為當前月線的日期。
其中，第3行1月4日為星期五，應該出現第一根周線數據，但是輸出結果中卻沒有周線數據。第8行1月11日為周五，從1月7日至1月11日的5根日線可以合成1根周線，后面的周線數據也應該更新為1月11日，但是輸出結果卻是1月4日。
產生以上結果的原因是，backtrader把2019年1月1日當作了交易日，只是沒有讀入數據。這樣1月1日至4日，再加上7日共計5根日線，就在1月7日合成了第一根周線；同樣1月8日至11日，再加上14日共計5根日線，在1月14日合成了第二根周線。這顯然不是想要的結果。
解決上述問題的方案是，通過繼承bt.TradingCalendar定義新的日歷，然后在日歷中設定節假日。如以下代碼所示，將2019年1月1日添加到holidays列表中，然后在cerebro添加該日歷：
class AStockCalendar(bt.TradingCalendar):
params = dict(
holidays=[
datetime.date(2019, 1, 1),
],
open=datetime.time(9, 30),
close=datetime.time(15, 0),
)
cerebro.addcalendar(AStockCalendar())
當使用交易日歷時可以看到，在1月4日（星期五）合成了第一根周線，在1月11日（星期五）合成了第二根周線，得到了正確的結果。
同樣，可以把2019年的其他節假日都添加到holidays列表中，來實現整年的周線數據的正確合成。
日內分時數據resample合成日線數據時，使用交易日歷處理提前收盤的情況。
美股在感恩節后的第一天，會在下午1點休市，這樣如果不做處理，使用分鍾數據合成日線數據時就會出問題，可以通過添加以下日歷來解決：
class CustomCalendar(bt.TradingCalendar):
params = dict(
holidays=[
datetime.date(2016, 1, 1),
datetime.date(2016, 1, 18),
datetime.date(2016, 2, 15),
datetime.date(2016, 3, 25),
datetime.date(2016, 5, 30),
datetime.date(2016, 7, 4),
datetime.date(2016, 9, 5),
datetime.date(2016, 11, 24),
datetime.date(2016, 12, 26),
],
earlydays=[
(datetime.date(2016, 11, 25),
datetime.time(9, 30), datetime.time(13, ,0))
],
open=datetime.time(9, 30),
close=datetime.time(16, 0),
)
以2016年為例，日歷中設定了2016年的節假日，一般每日交易時間為9:30至16:00，11月25日的交易時間為9:30至13:00。
resample淺析
借助於日志功能，對resample功能進行簡單分析。這里以30分鍾數據為數據源，使用resample來合成60分鍾數據，同時加載已下載好的60分鍾數據用於對比resample結果，部分代碼如下：
data = load_data(stk_code, fromdate, todate, '30')
cerebro.adddata(data, name = stk_code + '_30m')
cerebro.resampledata(data, name = stk_code + '_30to60m', timeframe = bt.TimeFrame.Minutes, compression = 60)
data = load_data(stk_code, fromdate, todate, '60')
cerebro.adddata(data, name = stk_code + '_60m'
以加載2020年6月1日至4日平安銀行的數據為例，使用日志功能將結果輸出至log.csv中，部分結果如下：
標黃的D、L、T列分別表示加載的30分鍾時間標簽數據、由30分鍾數據合成的60分鍾時間標簽數據、加載的60分鍾時間標簽數據。
對比D列和T列可以發現，在加載的60分鍾數據中，6月1日首個時間點（10:00）數據為空，在時間點10:30出現第一個數據。在D列時間標簽變為11:00時，T列時間標簽仍為10:30。在D列時間標簽變為11:30時，T列時間標簽才變為11:30。這樣就保證了，在同時加載多個周期數據進行回測時，不會發生使用未來數據的情況。
對比D列和L列發現，resample結果未按預期得到10:30、11:30、14:00、15:00四個時段的60分鍾數據，而是得到10:00、11:00、12:00、14:00、15:00五個整點時間段的數據。筆者嘗試了調整函數resampledata()的bar2edge、rightedge、adjbartime、boundoff參數，也嘗試了使用交易日歷功能設置每日交易起止時間，均未能實現預期的resample結果。目前的解決方案是，在合成分鍾級數據時，不使用backtrader的resampledata()函數，而是先離線合成所需周期的數據，然后使用cerebro.adddata()加載合成的數據，再進行多周期策略的回測。