分析器#
无论是回测还是交易，能够分析交易系统的表现是理解是否仅获得了利润的关键，还是是否以过高的风险实现了利润，或者与参考资产（或无风险资产）相比是否真的值得付出努力。
这就是 Analyzer 对象系列发挥作用的地方：提供已经发生甚至正在发生的分析。
分析器的特点#
该接口模仿了 Lines 对象的接口，例如具有 next 方法，但有一个主要区别：
Analyzers不持有行。这意味着它们在内存方面不会很昂贵，因为即使分析了成千上万个价格柱，它们仍然可以只在内存中存储单个结果。
生态系统中的位置#
通过 cerebro 实例将 Analyzer 对象（与 策略、* 观察者 和*数据 一样）添加到系统中：
addanalyzer(ancls, *args, **kwargs)但是在cerebro.run操作期间，对于系统中的每个 * strategy*，将发生以下情况：
- strategy 中的 ancls 将在 cerebro.run 期间使用 *args 和 **kwargs 实例化
- ancls 实例将被附加到 strategy
这意味着：
- 如果回测运行包含例如 3 个策略 ，那么将创建 3 个 ``ancls`` 实例 ，并且每个实例将附加到不同的策略。
最重要的是： 分析器可以分析单个策略的性能 ，而不是整个系统的性能。
附加位置#
有些 Analyzer 对象实际上可能使用其他分析器来完成其工作。例如： SharpeRatio 使用 TimeReturn 的输出进行计算。
这些 子分析器 或*从属分析器*也将插入到与创建它们的策略相同的策略中。但是它们对用户来说是完全看不见的。
属性 ==========为了执行所需的工作，“Analyzer”对象提供了一些默认属性，这些属性会自动传递并在实例中设置，以便于使用：
self.strategy：指向策略子类的引用，分析器对象正在其上操作。任何可由 strategy 访问的内容也可以由 analyzer 访问。
self.datas[x]：策略中存在的数据源数组。尽管可以通过 strategy 引用访问，但这个快捷方式使工作更加舒适。
self.data：对self.datas[0]的快捷方式，提供额外的便利。
self.dataX：对不同的self.datas[x]的快捷方式。还有一些别名可用，尽管它们可能有些多余：
self.dataX_Y，其中X是对self.datas[X]的引用，而Y是对隐射到self.datas[X].lines[Y]的行的引用。如果行有一个名称，还可以使用以下方式：
self.dataX_Name解析为self.datas[X].Name，返回按名称而不是按索引查询的行。对于第一个数据，可以在没有初始的“X”数字引用的情况下使用最后两个快捷方式。例如：- “self.data_2” 指的是 “self.datas[0].lines[2]”
和
“self.data_close” 指的是 “self.datas[0].close”
返回分析#
Analyzer 基类创建了一个 self.rets （类型为 collections.OrderedDict ）成员属性来返回分析结果。这是在方法 create_analysis 中完成的，如果需要创建定制的分析器，则可以在子类中重写该方法。
操作方式#
尽管 Analyzer 对象不是 Lines 对象，因此不能迭代行，但它们已经被设计为遵循相同的操作模式。
在系统开始运行之前初始化（因此调用 __init__ ）
用 “start” 标记操作的开始
在指标工作的最小时间段后，将调用 “prenext” / “nextstart” / “next” 来进行下一轮操作。
prenext和nextstart的默认行为是调用next，因为分析器可能从系统一开始就进行分析。
在 Lines 对象中，通常可以调用 len(self) 来检查实际的bar数量。这也适用于 Analyzers ，通过返回 self.strategy 的值来实现。
订单和交易将通过
notify_order和notify_trade类似于策略一样进行通知。现金和价值也将通过
notify_cashvalue方法进行通知，就像在策略中一样。现金、价值、基金净值和基金份额还将通过
notify_fund方法进行通知，就像在策略中一样。
stop将被调用以表示操作的结束。
完成常规操作周期后， 分析器 具有用于提取/输出信息的附加方法。
get_analysis：理想情况下（非强制性），返回包含分析结果的类似于dict的对象。
backtrader.WriterFile（除非被覆盖）来从get_analysis中写入分析结果。
pprint（ pretty print ）使用Python的pprint模块打印get_analysis的结果。最后：
get_analysis方法创建了一个成员属性self.ret（类型为collections.OrderedDict），分析器将分析结果写入该属性。Analyzer 的子类可以重写此方法以更改此行为。
分析器模式#
在 backtrader 平台中开发 Analyzer 对象时，已经发现了两种不同的用法模式来生成分析结果：
在执行期间通过在
notify_xxx和next方法中收集信息，并在next方法中生成当前分析信息。例如，
TradeAnalyzer只使用notify_trade方法生成统计数据。像上面一样收集（或不收集）信息，但是在
stop方法中一次性生成分析结果。
SQN（ 系统质量数 ）在notify_trade方法中收集交易信息，但是在stop方法中生成统计数据。
快速示例 ===============与它看起来一样简单：
- ```
- from __future__ import (absolute_import, division, print_function,
unicode_literals)
import datetime
import backtrader as bt import backtrader.analyzers as btanalyzers import backtrader.feeds as btfeeds import backtrader.strategies as btstrats
cerebro = bt.Cerebro()
# 数据 dataname = ‘../datas/sample/2005-2006-day-001.txt’ data = btfeeds.BacktraderCSVData(dataname=dataname)
cerebro.adddata(data)
# 策略 cerebro.addstrategy(btstrats.SMA_CrossOver)
# 分析器 cerebro.addanalyzer(btanalyzers.SharpeRatio, _name=’mysharpe’)
thestrats = cerebro.run() thestrat = thestrats[0]
``` 打印(‘夏普比率:’, thestrat.analyzers.mysharpe.get_analysis())
执行它（将其存储在 analyzer-test.py 中）：
$ ./analyzer-test.py 夏普比率: {‘sharpe比率’: 11.647332609673256}
由于 SharpeRatio 在计算结束时只有一个单一值，所以没有绘图。
分析器的法医学分析#
让我们重申一下， 分析器 并不是 Lines 对象，但为了无缝地将它们整合到 backtrader 生态系统中，
遵循了几个 Lines 对象的内部API约定（实际上是它们的 混合 ）。
SharpeRatio 的代码作为基础（简化版本）该代码可以分为以下部分：
params 声明
虽然声明的变量没有被使用（仅作为示例），但是像大多数 backtrader 中的其他对象一样， Analyzers 也支持参数。
__init__ 方法
就像 Strategies 在 __init__ 中声明 Indicators 一样， Analyzers 也可以声明需要的支持对象。
在这个例子中：
SharpeRatio是使用 年收益率 计算的。计算将会自动执行，并且SharpeRatio将会使用这个计算结果进行进一步的计算。备注
实际上，
SharpeRatio的实现使用了更通用且后续开发的TimeReturnanalyzernext 方法
SharpeRatio不需要这个方法，但是这个方法会在父策略的next方法调用后被调用。-start方法在回测开始之前调用。可以用于额外的初始化任务。Sharpe比率不需要它。
stop方法在回测结束后立即调用。与
SharpeRatio一样，可用于结束/完成计算。get_analysis方法（返回一个字典）用于外部调用者访问生成的分析结果。
返回值：包含分析数据的字典。