在這里可以看出，zipline由下面幾個主要的部分構成

名稱	說明
TradingAlgorithm	量化策略的抽象，既可以通過初始化傳入構造上參數的方式，也可以通過繼承的方式構造，其中zipline命令行主要的運行入口邏輯run方法也在這個類中
TradingCalendar	交易日歷的抽象，這個類非常重要，無論是在構建數據的過程還是運行的過程，都可以用到
DataPortal	數據中心的抽象，可以通過這個入口獲取很多不同類型的數據
AlgorithmSimulator	使用generator的方式，表述了策略運行過程的主循環。如果說TradingAlgorithm更像是代表了策略本身，那么AlgorithmSimulator更像是策略的執行器，尤其要關注的是他的transform方法
TradingEnvirioment	構造運行環境，主要是benchmark和國債利率曲線等信息，對于美國的市場，這個類基本上不太需要關注，但是對于國內的市場，我么需要構建自己的TradingEnvironment

Every zipline algorithm consists of two functions you have to define:

initialize(context)
handle_data(context, data)

context is a persistent namespace for you to store variables you need to access from one algorithm iteration to the next.

Zipline的本地化回測應用主要涉及2大塊內容：TradingEnvironment和TradingAlgorithm。
TradingEnvironment主要用于本地化交易環境設置，而TradingAlgorithm則是Zipline回測框架的主對象，可以理解為回測入口。

TradingEnvironment本地化最重要的就是設置：

tradingcalendar
benchmarke_return
treasury_return
tradingcalendar用于設置tradingdays，其默認已排除周六周日，因此只需要重寫一個py文件將每年對應的holiday(國內假期)從tradingdays除去即可。
而benchmarke_return和treasury_return則作為策略回報的比較基準，將國內滬深300和對應各期限國債收益率通過重載load函數導入，將load函數對象傳入至TradingEnvironment即可。
注意benchmarke_return為Pandas的Series對象，treasury_return為DataFrame對象，各期限必須包含1month ~ 10year間所有。

TradingAlgorithm的本地化則需要重點設置：simulation_parameters、initialize函數對象，handle_data函數對象。
simulation_parameters包括策略回測的起始日期和回測頻率，回測起始日期必須通過Pandas的tz_localize本地化，而回測頻率包含daily和minute兩種方式。
而initialize函數與handle_data函數則用于策略初始化和模擬Bar周期反復回調所用。

數據的準備：理論上Zipline只支持其內置的DataPortal類型，它是其回測模擬所有數據的接口。
考慮到通用性，Zipline目前也支持pandas的DataFrame和Panel，只不過它對DataFrame的支持就是將其很粗暴的轉換為Panel來實現的。因此，就目前來說，Zipline只支持內置DataPortal和Pandas的Panel兩種類型。所以，用戶可以將任何本地可獲取的數據首先轉換為DataFrame，其index按日遞增，columns為小寫的open、high、low、close和volume等。然后以DataFrame為value，數據ticker為key來構建相對應的Panel作為回測本地化的標準數據輸入。

總結

以上是生活随笔為你收集整理的zipline整体架构的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。