交易日历#
版本 1.9.42.116 增加了对 交易日历 的支持。在以下场景中，这将会非常有用：
从日级别转换到周级别时，可以同时获取当前周的最后一天和下一周的第一天。
这是因为交易日历可以确定下一个交易日，因此下一周的最后一天可以提前确定。
在亚日级别转换到日级别时，如果结束时间不是常规时间（这已经可以在数据源中指定），可以使用交易日历。
交易日历接口#
有一个基类 TradingCalendarBase ，它作为任何交易日历的基类。它定义了需要重写的两个方法：
- class TradingCalendarBase(with_metaclass(MetaParams, object)):
- def _nextday(self, day):
‘’’ 返回
day（日期/时间实例）之后的下一个交易日（日期/时间实例）和isocalendar组件返回值是一个包含2个组件的元组：(nextday, (y, w, d))，其中 (y, w, d) 是isocalendar组件 ‘’’ raise NotImplementedError
- def schedule(self, day):
‘’’ 返回给定
date（日期/时间实例）的开盘和闭盘时间（datetime.time）的元组 ‘’’ raise NotImplementedError实现
PandasMarketCalendar#
这个实现基于一个很好的包，它是Quantopian最初可用功能的一个派生包。这个包在`pandas_market_calendars <https://github.com/rsheftel/pandas_market_calendars>`_中，可以很容易地安装：
pip install pandas_market_calendars
该实现具有以下接口：
class PandasMarketCalendar(TradingCalendarBase):
'''
``pandas_market_calendars''的交易日历包装器。必须先安装
``pandas_market_calendar''这个包
参数：
- ``calendar`` （默认为 ``None`` ）
参数``calendar''接受以下值：
- 字符串：支持的日历名称，例如 ``NYSE`` 。这个包装器会尝试获取一个日历实例- 日历实例：使用 ``get_calendar('NYSE')`` 返回的实例。
cachesize（默认为365）缓存提前进行查找的天数
参见：
‘’’ params = (
(‘calendar’, None), # pandas_market_calendars实例或交易所名称 (‘cachesize’, 365), # 提前缓存的天数
)
TradingCalendar#
使用自行收集的信息，通过指定假日、提前收盘日、非交易日和开盘和收盘时间，可以构建一个日历实例:
class TradingCalendar(TradingCalendarBase):
'''
用于交易日历的 ``pandas_market_calendars`` 的包装器。必须安装 ``pandas_market_calendar`` 包。 参数:
- ``open`` (默认值 ``time.min`` )
交易日的起始时间
- ``close`` (默认值 ``time.max`` )
交易日的结束时间
- ``holidays`` (默认值 ``[]`` )
非交易日的列表（ ``datetime.datetime`` 实例）
- ``earlydays`` (默认值 ``[]`` )
列表，确定不符合常规交易时间的日期和开盘/收盘时间的元组，
每个元组包括（ ``datetime.datetime`` ， ``datetime.time`` ， ``datetime.time`` ）
- ``offdays`` (默认值 ``ISOWEEKEND`` )工作日历
Backtrader 默认的工作日历是一周中不具有交易的星期几 (ISO 格式，星期一: 1 -> 星期日: 7)。通常情况下是星期六和星期天。
‘’’ params = (
(‘open’, time.min), # 开市时间 (‘close’, _time_max), # 收市时间 (‘holidays’, []), # 不交易的日期列表 (‘earlydays’, []), # 提前收市的日期列表 (‘offdays’, ISOWEEKEND), # 不交易的星期列表
)
使用模式#
全局交易日历#
可以通过 Cerebro 添加一个全局的交易日历，这将是所有数据源的默认日历，除非数据源单独指定了日历:
def addcalendar(self, cal):
'''向系统中添加一个全局的交易日历。每个数据源可以有独立的日历，这将覆盖全局日历
``cal`` 可以是 ``TradingCalendar`` 的实例，字符串或者 ``pandas_market_calendars`` 的实例。如果是字符串，将会被实例化为一个
``PandasMarketCalendar`` （需要在系统中安装 ``pandas_market_calendar`` 模块）。
如果传入的是 ``TradingCalendarBase`` 的子类（不是实例），将会被实例化
'''
每个数据源#
可以通过在数据源中指定 calendar 参数来设置特定的工作日历，遵循与上述 addcalendar 方法相同的约定。例如：
`python
...
data = bt.feeds.YahooFinanceData(dataname='YHOO', calendar='NYSE', ...)
cerebro.adddata(data)
...
`
示例#
从日线数据到周线数据#
让我们看一下下面的代码的一个样例运行。在2016年，复活节星期五（2016-03-25）在 NYSE 也是一个节假日。如果在没有交易日历的情况下运行示例，让我们看一下在那个日期周围会发生什么。
在这种情况下，从日线数据到周线数据进行重新采样（使用 YHOO 和2016年的日线数据）：
… Strategy len 56 datetime 2016-03-23 Data0 len 56 datetime 2016-03-23 Data1 len 11 datetime 2016-03-18 Strategy len 57 datetime 2016-03-24 Data0 len 57 datetime 2016-03-24 Data1 len 11 datetime 2016-03-18 Strategy len 58 datetime 2016-03-28 Data0 len 58 datetime 2016-03-28 Data1 len 12 datetime 2016-03-24 … ```
在这个输出中，第一个日期是策略执行的日期。第二个日期是日线数据的日期。
这个周的结束日期如预期的那样是2016-03-24（星期四），但是没有交易日历的情况下，重新采样代码无法知道这一点，因此交付的重新采样周期为2016-03-18（上一周）。当交易日进入2016-03-28（星期一）时，重新采样器检测到周的变化，交付了一个2016-03-24的重新采样周期。使用 PandasMarketCalendar 来运行相同的代码，针对 NYSE 进行回测（并添加绘图）：
$ ./tcal.py --plot --pandascal NYSE
...
策略长度 56 日期时间 2016-03-23 数据0长度 56 日期时间 2016-03-23 数据1长度 11 日期时间 2016-03-18
策略长度 57 日期时间 2016-03-24 数据0长度 57 日期时间 2016-03-24 数据1长度 12 日期时间 2016-03-24
策略长度 58 日期时间 2016-03-28 数据0长度 58 日期时间 2016-03-28 数据1长度 12 日期时间 2016-03-24
...
有所改变！由于使用了日历，重新采样器知道一周的结束日期是2016-03-24，并在同一天提供相应的每周重新采样的数据。
还有绘图。
由于并非所有市场都可以获得这些信息，我们也可以自定义日历。对于 NYSE 和 2016 ，如下所示：
class NYSE_2016(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),
]
)
复活节星期五（2016-03-25）被列为假期之一。现在运行示例代码：
$ ./tcal.py –plot –owncal```python
… 策略长度 56 日期时间 2016-03-23 数据0长度 56 日期时间 2016-03-23 数据1长度 11 日期时间 2016-03-18 策略长度 57 日期时间 2016-03-24 数据0长度 57 日期时间 2016-03-24 数据1长度 12 日期时间 2016-03-24 策略长度 58 日期时间 2016-03-28 数据0长度 58 日期时间 2016-03-28 数据1长度 12 日期时间 2016-03-24 …
并且通过自定义的日历定义得到了相同的结果。
分钟到日线#
使用私人分钟级数据，并且根据2016-11-25（感恩节后市场在 US/Eastern 时区于13:00关市）提供的
知识，再次进行测试，这次使用第二个样本。
注意
源数据是直接从展示的数据中获取的，并且是以 CET 时区为准的，即使相关资产 YHOO 是美国的交易，
代码中的数据源使用 tzinput='CET' 和 tz='US/Eastern' 来让平台适当地进行输入和输出的转换。
首先，没有交易日历的情况。
$ ./tcal-intra.py
...
策略长度 6838 日期时间 2016-11-25 18:00:00 数据0长度 6838 日期时间 2016-11-25 13:00:00 数据1长度 21 日期时间 2016-11-23 16:00:00
策略长度 6839 日期时间 2016-11-25 18:01:00 数据0长度 6839 日期时间 2016-11-25 13:01:00 数据1长度 21 日期时间 2016-11-23 16:00:00
策略长度 6840 日期时间 2016-11-28 14:31:00 数据0长度 6840 日期时间 2016-11-28 09:31:00 数据1长度 22 日期时间 2016-11-25 16:00:00
策略长度 6841 日期时间 2016-11-28 14:32:00 数据0长度 6841 日期时间 2016-11-28 09:32:00 数据1长度 22 日期时间 2016-11-25 16:00:00
...
和预期一样，交易日结束时间为 13:00 ，但是重新采样器不知道（官方会话结束时间为 16:00 ），
并且持续提供前一天（2016-11-23）的重新采样日线和新的重新采样日线首次在下一个交易日（2016-11-28）送达，日期为2016-11-25。
注意
数据中有一个额外的分钟 13:01 ，可能是由于市场关市后拍卖过程中提供了最后价格导致的。我们可以向流中添加一个过滤器，以过滤掉会话时间之外的数据条（过滤器会从交易日历中找到该信息）。
但这不是这个示例的重点。
使用“PandasMarketCalendar”实例运行相同的代码：
$ ./tcal-intra.py –pandascal NYSE
… 策略长度 6838 时间戳 2016-11-25 18:00:00 数据0长度 6838 时间戳 2016-11-25 13:00:00 数据1长度 15 时间戳 2016-11-25 13:00:00 策略长度 6839 时间戳 2016-11-25 18:01:00 数据0长度 6839 时间戳 2016-11-25 13:01:00 数据1长度 15 时间戳 2016-11-25 13:00:00 策略长度 6840 时间戳 2016-11-28 14:31:00 数据0长度 6840 时间戳 2016-11-28 09:31:00 数据1长度 15 时间戳 2016-11-25 13:00:00 策略长度 6841 时间戳 2016-11-28 14:32:00 数据0长度 6841 时间戳 2016-11-28 09:32:00 数据1长度 15 时间戳 2016-11-25 13:00:00 …
当intraday 1分钟数据流到达2016-11-25的13:00时，2016-11-25的日线数据被传递给策略（忽略了13:01的数据条），因为交易日历告诉采样代码这一天已经结束。
让我们添加一个自定义定义。与之前相同，但增加了一些“earlydays”。
class NYSE_2016(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, 1))
],
open=datetime.time(9, 30),
close=datetime.time(16, 0),
)
运行结果：
$ ./tcal-intra.py –owncal…
策略长度 6838 日期时间 2016-11-25 18:00:00 Data0 长度 6838 日期时间 2016-11-25 13:00:00 Data1 长度 15 日期时间 2016-11-23 16:00:00 策略长度 6839 日期时间 2016-11-25 18:01:00 Data0 长度 6839 日期时间 2016-11-25 13:01:00 Data1 长度 16 日期时间 2016-11-25 13:01:00 策略长度 6840 日期时间 2016-11-28 14:31:00 Data0 长度 6840 日期时间 2016-11-28 09:31:00 Data1 长度 16 日期时间 2016-11-25 13:01:00 策略长度 6841 日期时间 2016-11-28 14:32:00 Data0 长度 6841 日期时间 2016-11-28 09:32:00 Data1 长度 16 日期时间 2016-11-25 13:01:00 …
一位热心的读者会注意到，Crafted Calendar的定义指定了 2016-11-25 的短会话结束时间为 13:01 （使用 datetime.time(13, 1) ）。这只是为了展示如何使用Crafted Calendar来帮助我们进行拟合。
现在2016-11-25这一天的每日重采样数据和13:01的1分钟数据一起提供。
额外奖励给策略#
第一个日期时间，即策略的日期时间，总是处于一个不同的时区中，实际上是 UTC 时区。而且，从 1.9.42.116 版本开始，这可以被同步。现在已经添加了以下参数到 Cerebro 中（可以在实例化时或 cerebro.run 时使用）：
tz（默认值：None）为策略添加一个全局时区。参数
tz可以是：
None：在这种情况下，策略显示的日期时间将是UTC，这一直是标准行为
pytz实例。将会将UTC时间转换为所选时区
字符串。将尝试实例化一个pytz实例。- integer . 在策略中使用与 self.datas 可迭代对象中的相应 data 相同的时区（ 0`将使用 data0`的时区）
还可以使用 cerebro.addtz 方法进行支持：
```python def addtz(self, tz):
‘’’ 这也可以通过参数
tz来完成为策略添加全局时区。参数
tz可以是以下几种类型
None：此时策略显示的日期时间将为UTC时间，这一直是标准行为
pytz实例：将被用来将UTC时间转换为选择的时区
string：尝试实例化一个pytz实例
integer：使用与 self.datas 可迭代对象中相应 data 相同的时区（ 0`将使用 data0`的时区）‘’’
通过重复运行分钟级别示例，并将 0`用于 tz （与`data0 的时区同步），以下是输出结果，重点关注与上述相同的日期和时间：``` $ ./tcal-intra.py –owncal –cerebro tz=0
… 策略长度 6838 时间戳 2016-11-25 13:00:00 Data0长度 6838 时间戳 2016-11-25 13:00:00 Data1长度 15 时间戳 2016-11-23 16:00:00 策略长度 6839 时间戳 2016-11-25 13:01:00 Data0长度 6839 时间戳 2016-11-25 13:01:00 Data1长度 16 时间戳 2016-11-25 13:01:00 策略长度 6840 时间戳 2016-11-28 09:31:00 Data0长度 6840 时间戳 2016-11-28 09:31:00 Data1长度 16 时间戳 2016-11-25 13:01:00 策略长度 6841 时间戳 2016-11-28 09:32:00 Data0长度 6841 时间戳 2016-11-28 09:32:00 Data1长度 16 时间戳 2016-11-25 13:01:00 …
时间戳已根据时区调整。
示例用法（tcal.py）#
$ ./tcal.py --help
用法：tcal.py [-h] [--data0 DATA0] [--offline] [--fromdate FROMDATE]
[--todate TODATE] [--cerebro kwargs] [--broker kwargs]
[--sizer kwargs] [--strat kwargs] [--plot [kwargs]]
[--pandascal PANDASCAL | --owncal]
[--timeframe {Weeks,Months,Years}]
交易日历示例
可选参数:
-h, --help 显示此帮助消息并退出
--data0 DATA0 要读取的数据（默认：YHOO）
--offline 从与股票代码相同名称的磁盘中读取（默认：False）
--fromdate FROMDATE 日期[时间]（默认：2016-01-01）
--todate TODATE 日期[时间]（默认：2016-12-31）
--cerebro kwargs 以键=值格式的kwargs（默认：）
--broker kwargs 以键=值格式的kwargs（默认：）
--sizer kwargs 以键=值格式的kwargs（默认：）
--strat kwargs 以键=值格式的kwargs（默认：）
--plot [kwargs] 以键=值格式的kwargs（默认：）
--pandascal PANDASCAL
要使用的交易日历的名称（默认：）
--owncal 应用自定义的纽约证券交易所（NYSE）2016日历（默认：False）
--timeframe {Weeks,Months,Years}
要重新采样的时间框架（默认：Weeks）
示例用法（tcal-intra.py）#
$ ./tcal-intra.py --help
用法：tcal-intra.py [-h] [--data0 DATA0] [--fromdate FROMDATE]
[--todate TODATE] [--cerebro kwargs] [--broker kwargs]
[--sizer kwargs] [--strat kwargs] [--plot [kwargs]]
[--pandascal PANDASCAL | --owncal] [--timeframe {Days}]
交易日历示例
```可选参数： -h，–help：显示帮助消息并退出 –data0 DATA0：要读取的数据（默认值：yhoo-2016-11.csv） –fromdate FROMDATE：开始日期[时间]，格式为YYYY-MM-DD[THH:MM:SS]（默认值：2016-01-01） –todate TODATE：结束日期[时间]，格式为YYYY-MM-DD[THH:MM:SS]（默认值：2016-12-31） –cerebro kwargs：以key=value格式的kwargs（默认值：） –broker kwargs：以key=value格式的kwargs（默认值：） –sizer kwargs：以key=value格式的kwargs（默认值：） –strat kwargs：以key=value格式的kwargs（默认值：） –plot [kwargs]：以key=value格式的kwargs（默认值：） –pandascal PANDASCAL：要使用的交易日历的名称（默认值：） –owncal：应用自定义的纽约证券交易所（NYSE）2016年日历（默认值：False） –timeframe {Days}：要将时间段重新采样为的时间段（默认值：Days）
示例代码（tcal.py）#
from __future__ import (absolute_import, division, print_function,
unicode_literals)
import argparse
import datetime
import backtrader as bt
class NYSE_2016(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),
]
)
class St(bt.Strategy):
params = dict(
)
def __init__(self):
pass
def start(self):
self.t0 = datetime.datetime.utcnow()
def stop(self):
t1 = datetime.datetime.utcnow()
print('Duration:', t1 - self.t0)
def prenext(self):
self.next()
def next(self):
print('Strategy len {} datetime {}'.format(
len(self), self.datetime.date()), end=' ')
print('Data0 len {} datetime {}'.format(
len(self.data0), self.data0.datetime.date()), end=' ')
if len(self.data1):
print('Data1 len {} datetime {}'.format(
len(self.data1), self.data1.datetime.date()))
else:
print()
def runstrat(args=None):
args = parse_args(args)
cerebro = bt.Cerebro()
# Data feed kwargs
kwargs = dict()
# Parse from/to-date
dtfmt, tmfmt = '%Y-%m-%d', 'T%H:%M:%S'
for a, d in ((getattr(args, x), x) for x in ['fromdate', 'todate']):
if a:
strpfmt = dtfmt + tmfmt * ('T' in a)
kwargs[d] = datetime.datetime.strptime(a, strpfmt)
YahooData = bt.feeds.YahooFinanceData
if args.offline:
YahooData = bt.feeds.YahooFinanceCSVData # change to read file
# Data feed
data0 = YahooData(dataname=args.data0, **kwargs)
cerebro.adddata(data0)
d1 = cerebro.resampledata(data0,
timeframe=getattr(bt.TimeFrame, args.timeframe))
d1.plotinfo.plotmaster = data0
d1.plotinfo.sameaxis = True
if args.pandascal:
cerebro.addcalendar(args.pandascal)
elif args.owncal:
cerebro.addcalendar(NYSE_2016)
# Broker
cerebro.broker = bt.brokers.BackBroker(**eval('dict(' + args.broker + ')'))
# Sizer
cerebro.addsizer(bt.sizers.FixedSize, **eval('dict(' + args.sizer + ')'))
# Strategy
cerebro.addstrategy(St, **eval('dict(' + args.strat + ')'))
# Execute
cerebro.run(**eval('dict(' + args.cerebro + ')'))
if args.plot: # Plot if requested to
cerebro.plot(**eval('dict(' + args.plot + ')'))
def parse_args(pargs=None):
parser = argparse.ArgumentParser(
formatter_class=argparse.ArgumentDefaultsHelpFormatter,
description=(
'Trading Calendar Sample'
)
)
parser.add_argument('--data0', default='YHOO',
required=False, help='Data to read in')
parser.add_argument('--offline', required=False, action='store_true',
help='Read from disk with same name as ticker')
# Defaults for dates
parser.add_argument('--fromdate', required=False, default='2016-01-01',
help='Date[time] in YYYY-MM-DD[THH:MM:SS] format')
parser.add_argument('--todate', required=False, default='2016-12-31',
help='Date[time] in YYYY-MM-DD[THH:MM:SS] format')
parser.add_argument('--cerebro', required=False, default='',
metavar='kwargs', help='kwargs in key=value format')
parser.add_argument('--broker', required=False, default='',
metavar='kwargs', help='kwargs in key=value format')
parser.add_argument('--sizer', required=False, default='',
metavar='kwargs', help='kwargs in key=value format')
parser.add_argument('--strat', required=False, default='',
metavar='kwargs', help='kwargs in key=value format')
parser.add_argument('--plot', required=False, default='',
nargs='?', const='{}',
metavar='kwargs', help='kwargs in key=value format')
pgroup = parser.add_mutually_exclusive_group(required=False)
pgroup.add_argument('--pandascal', required=False, action='store',
default='', help='Name of trading calendar to use')
pgroup.add_argument('--owncal', required=False, action='store_true',
help='Apply custom NYSE 2016 calendar')
parser.add_argument('--timeframe', required=False, action='store',
default='Weeks', choices=['Weeks', 'Months', 'Years'],
help='Timeframe to resample to')
return parser.parse_args(pargs)
if __name__ == '__main__':
runstrat()
示例代码（tcal-intra.py）#
from __future__ import (absolute_import, division, print_function,
unicode_literals)
import argparse
import datetime
import backtrader as bt
class NYSE_2016(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, 1))
],
open=datetime.time(9, 30),
close=datetime.time(16, 0),
)
class St(bt.Strategy):
params = dict(
)
def __init__(self):
pass
def prenext(self):
self.next()
def next(self):
print('Strategy len {} datetime {}'.format(
len(self), self.datetime.datetime()), end=' ')
print('Data0 len {} datetime {}'.format(
len(self.data0), self.data0.datetime.datetime()), end=' ')
if len(self.data1):
print('Data1 len {} datetime {}'.format(
len(self.data1), self.data1.datetime.datetime()))
else:
print()
def runstrat(args=None):
args = parse_args(args)
cerebro = bt.Cerebro()
# Data feed kwargs
# kwargs = dict(tz='US/Eastern')
# import pytz
# tz = tzinput = pytz.timezone('Europe/Berlin')
tzinput = 'Europe/Berlin'
# tz = tzinput
tz = 'US/Eastern'
kwargs = dict(tzinput=tzinput, tz=tz)
# Parse from/to-date
dtfmt, tmfmt = '%Y-%m-%d', 'T%H:%M:%S'
for a, d in ((getattr(args, x), x) for x in ['fromdate', 'todate']):
if a:
strpfmt = dtfmt + tmfmt * ('T' in a)
kwargs[d] = datetime.datetime.strptime(a, strpfmt)
# Data feed
data0 = bt.feeds.BacktraderCSVData(dataname=args.data0, **kwargs)
cerebro.adddata(data0)
d1 = cerebro.resampledata(data0,
timeframe=getattr(bt.TimeFrame, args.timeframe))
# d1.plotinfo.plotmaster = data0
# d1.plotinfo.sameaxis = False
if args.pandascal:
cerebro.addcalendar(args.pandascal)
elif args.owncal:
cerebro.addcalendar(NYSE_2016()) # or NYSE_2016() to pass an instance
# Broker
cerebro.broker = bt.brokers.BackBroker(**eval('dict(' + args.broker + ')'))
# Sizer
cerebro.addsizer(bt.sizers.FixedSize, **eval('dict(' + args.sizer + ')'))
# Strategy
cerebro.addstrategy(St, **eval('dict(' + args.strat + ')'))
# Execute
cerebro.run(**eval('dict(' + args.cerebro + ')'))
if args.plot: # Plot if requested to
cerebro.plot(**eval('dict(' + args.plot + ')'))
def parse_args(pargs=None):
parser = argparse.ArgumentParser(
formatter_class=argparse.ArgumentDefaultsHelpFormatter,
description=(
'Trading Calendar Sample'
)
)
parser.add_argument('--data0', default='yhoo-2016-11.csv',
required=False, help='Data to read in')
# Defaults for dates
parser.add_argument('--fromdate', required=False, default='2016-01-01',
help='Date[time] in YYYY-MM-DD[THH:MM:SS] format')
parser.add_argument('--todate', required=False, default='2016-12-31',
help='Date[time] in YYYY-MM-DD[THH:MM:SS] format')
parser.add_argument('--cerebro', required=False, default='',
metavar='kwargs', help='kwargs in key=value format')
parser.add_argument('--broker', required=False, default='',
metavar='kwargs', help='kwargs in key=value format')
parser.add_argument('--sizer', required=False, default='',
metavar='kwargs', help='kwargs in key=value format')
parser.add_argument('--strat', required=False, default='',
metavar='kwargs', help='kwargs in key=value format')
parser.add_argument('--plot', required=False, default='',
nargs='?', const='{}',
metavar='kwargs', help='kwargs in key=value format')
pgroup = parser.add_mutually_exclusive_group(required=False)
pgroup.add_argument('--pandascal', required=False, action='store',
default='', help='Name of trading calendar to use')
pgroup.add_argument('--owncal', required=False, action='store_true',
help='Apply custom NYSE 2016 calendar')
parser.add_argument('--timeframe', required=False, action='store',
default='Days', choices=['Days'],
help='Timeframe to resample to')
return parser.parse_args(pargs)
if __name__ == '__main__':
runstrat()