使用指标#
指标可以在平台的两个地方使用：
在策略内部
在其他指标内部
指标的运作方式#
指标在*策略*的
__init__期间始终被实例化指标值（或其派生的值）在
next期间被使用/检查
有一个重要的原则需要考虑：
在
__init__期间声明的任何指标（或其派生的值）都会在调用next之前进行预计算
让我们来看看不同的操作模式。 __init__ vs next#
__init__ 与 next 的区别#
事情的运作如下：
在
__init__过程中，涉及到 lines 对象的任何 操作 都会生成另一个 lines 对象。在
next过程中，涉及到 lines 对象的任何 操作 都会产生常规的Python类型，如浮点数和布尔值。
在 __init__ 中#
在 __init__ 过程中的一个示例操作：
hilo_diff = self.data.high - self.data.low
变量 hilo_diff 保存了对一个 lines 对象的引用，在调用 next 之前预先计算，并可以使用标准的数组表示法 [] 来访问。
显然，它包含了数据流中每个条的最高价和最低价之差。
- 当然，这也适用于混合使用简单的 lines （如self.data数据流中的那些）和复杂的 lines （如指标）的情况： sma = bt.SimpleMovingAverage(self.data.close)
close_sma_diff = self.data.close - sma
现在， close_sma_diff 包含一个 line（线） 对象。
使用逻辑运算符：
close_over_sma = self.data.close > sma
现在生成的 lines（线） 对象将包含一个布尔数组。
在 next 方法中#
一个操作（逻辑运算符）的示例：
close_over_sma = self.data.close > self.sma
使用等价的数组（索引从 0 开始）：
close_over_sma = self.data.close[0] > self.sma[0]在这种情况下，
close_over_sma产生一个布尔值，该值是通过比较两个浮点数值得出的，这两个数值是应用于self.data.close和self.sma的[0]操作符返回的。
__init__ 和 next 的区别是什么？#
简化逻辑（以及随之而来的使用便捷性）是关键。计算和大部分相关逻辑可以在 __init__ 中声明，从而在 next 中将实际操作逻辑最小化。
实际上还有一个附带优点： 速度 （由于之前解释的预计算）。
一个完整的示例，在 __init__ 中生成一个 买入信号 ：
class MyStrategy(bt.Strategy):
def __init__(self):
sma1 = btind.SimpleMovingAverage(self.data) ema1 = btind.ExponentialMovingAverage()
close_over_sma = self.data.close > sma1 close_over_ema = self.data.close > ema1 sma_ema_diff = sma - ema
buy_sig = bt.And(close_over_sma, close_over_ema, sma_ema_diff > 0)def next(self):
- if buy_sig:
self.buy()
注意
Python的 and 运算符无法重载，强制平台定义自己的 And 。其他结构（如 Or 和 If ）也是如此。
很明显，在 __init__ 中采用“声明性”方法可以将 “next” 中（实际策略工作发生的地方）的膨胀最小化。
（不要忘记还有一个加速因素）
注意
当逻辑变得非常复杂并涉及多个操作时，通常最好将其封装在 Indicator 中。
一些注意事项#
在上面的示例中，与其他平台相比，“backtrader”简化了两个事项：
声明的
Indicators不会获得 parent 参数（例如创建它们的策略），也不会调用任何类型的 “register” 方法/函数。尽管如此，策略仍然会触发对
Indicators的计算，并且会生成由于操作（如sma - ema）而生成的任何 lines 对象。- 在实例化 ExponentialMovingAverage 时没有传入 self.data这是有意的。如果没有传入 data ，将自动在后台传入父级的第一个数据（在这种情况下是创建它的策略）
指标绘图#
首先：
声明的“指标”会自动绘制（如果调用了 cerebro.plot ）
来自操作的 lines 对象不会被绘制（例如 close_over_sma = self.data.close > self.sma ）
有一个辅助的“LinePlotterIndicator”，它绘制这样的操作，如果需要可以使用以下方法：
close_over_sma = self.data.close > self.sma LinePlotterIndicator(close_over_sma, name=’Close_over_SMA’)
“name”参数为此指标拥有的 单个 线条命名。
控制绘图
——————–在开发 Indicator 时，可以添加 plotinfo 声明。它可以是一个元组的元组（2个元素），一个 dict 或一个 OrderedDict 。格式如下所示:
class MyIndicator(bt.Indicator):
....
plotinfo = dict(subplot=False)
....
以后可以访问（和设置）该值（如果需要的话）:
myind = MyIndicator(self.data, someparam=value)
myind.plotinfo.subplot = True
甚至可以在实例化时设置该值:
myind = MyIndicator(self.data, someparams=value, subplot=True)
subplot=True 将被传递给（幕后）实例化的成员变量 plotinfo ，用于指示器。
plotinfo 提供以下参数来控制绘图行为：
plot（默认值：True）是否绘制指标
subplot（默认:True）是否在单独的窗口中绘制指标。对于像移动平均一类的指标，默认值更改为
False
plotname（默认:''）设置要在图上显示的绘图名称。空值表示将使用指标的规范名称（
class.__name__）。这有一些限制，因为Python标识符不能使用例如算术运算符。例如，DI+指标将声明如下：
- class DIPlus(bt.Indicator):
plotinfo=dict(plotname=’DI+’)
使图绘制”更好看”
plotabove（默认:False）通常，指标（
subplot=True）在它们操作的数据下方绘制。将其设置为True将使指标在数据上方绘制。 -plotlinelabels（默认值：False）用于”指示器”上的”指示器”。如果计算RSI（相对强弱指数）的简单移动平均线，绘图通常会显示相应绘制线的名称为”SimpleMovingAverage”。这是”指示器”的名称，而不是实际绘制的线条。
这种默认行为是有意义的，因为用户通常希望看到RSI使用简单移动平均线来计算。
如果将值设置为
True，将使用简单移动平均线内部的实际名称。
plotymargin（默认值：0.0）需要在指标的顶部和底部留出的边距量（
0.15-> 15%）。有时matplotlib绘图会超出轴的顶部/底部，可能需要提供边距
plotyticks（默认值：[]）用于控制绘制的y刻度
如果传递了一个空列表，则会自动计算”y刻度”。对于像随机指标这样的指标，将其设置为众所周知的行业标准（例如：
[20.0, 50.0, 80.0]）可能是有意义的。一些指标提供诸如
upperband和lowerband之类的参数，实际上是用于操纵y刻度 -plothlines（默认值：[]）用于控制沿指示器轴绘制水平线。
如果传递一个空列表，则不会绘制水平线。
对于像随机指标这样的指标，可能有意绘制一些已知的行业标准，比如：
[20.0, 80.0]有些指标提供类似于
upperband和lowerband的参数，实际上用于操作水平线。
plotyhlines（默认值：[]）用于同时控制
plotyticks和plothlines的绘制，使用单个参数即可。
plotforce（默认值：False）如果由于某种原因您认为指标应该绘制但却没有绘制… 请将此值设置为
True，作为最后的手段。