使用tushare的数据用Python 写一个 使用Dynamic Time Warping作为算法的关于中证1000指数和上证50指数的配对交易策略，然后用backtrader平台回测，最后画出图形

由于动态时间规整（Dynamic Time Warping）算法是一种时间序列匹配算法，因此需要先获取中证1000指数和上证50指数的时间序列数据。可以使用tushare API来获取这些数据。

以下是使用Python代码获取数据的示例：

import tushare as ts

# 获取中证1000指数和上证50指数的历史数据
zz1000 = ts.get_hist_data('000852')
sz50 = ts.get_hist_data('000016')

# 将数据按日期升序排序
zz1000 = zz1000.sort_index()
sz50 = sz50.sort_index()

# 选择交易日期范围
start_date = '2019-01-01'
end_date = '2020-12-31'
zz1000 = zz1000.loc[start_date:end_date]
sz50 = sz50.loc[start_date:end_date]

# 选择收盘价作为时间序列数据
zz1000_series = zz1000['close']
sz50_series = sz50['close']

接下来，可以使用动态时间规整算法来计算两个时间序列之间的距离。在本例中，我们将以中证1000指数作为基准时间序列，将上证50指数与其进行匹配。

以下是使用Python实现动态时间规整算法的示例：

import numpy as np

def dtw_distance(s1, s2):
    n, m = len(s1), len(s2)
    dtw = np.zeros((n + 1, m + 1))

    for i in range(n + 1):
        for j in range(m + 1):
            dtw[i, j] = float('inf')
    dtw[0, 0] = 0

    for i in range(1, n + 1):
        for j in range(1, m + 1):
            cost = abs(s1[i-1] - s2[j-1])
            dtw[i, j] = cost + min(dtw[i-1, j], dtw[i, j-1], dtw[i-1, j-1])

    return dtw[n, m]
    
distance = dtw_distance(zz1000_series, sz50_series)
print(distance)

计算出两个时间序列之间的距离后，可以使用这个距离来制定交易策略。在本例中，我们将使用简单的配对交易策略：如果上证50指数的收盘价与中证1000指数的收盘价之间的距离大于某个阈值，则做空上证50指数；如果距离小于某个阈值，则做多上证50指数。

以下是使用backtrader平台回测上述交易策略的示例：

import backtrader as bt

class DTWStrategy(bt.Strategy):
    params = dict(
        threshold=200,  # 阈值
        size=1          # 交易数量
    )

    def __init__(self):
        self.zq1000 = self.datas[0]
        self.sz50 = self.datas[1]

    def next(self):
        distance = dtw_distance(self.zq1000.close.get(ago=0, size=10), 
                                self.sz50.close.get(ago=0, size=10))
        if distance > self.params.threshold:
            self.sell(self.sz50, size=self.params.size)
        elif distance < -self.params.threshold:
            self.buy(self.sz50, size=self.params.size)

cerebro = bt.Cerebro()
cerebro.addstrategy(DTWStrategy, threshold=200, size=1)
zq1000_data = bt.feeds.PandasData(dataname=zz1000)
sz50_data = bt.feeds.PandasData(dataname=sz50)
cerebro.adddata(zq1000_data)
cerebro.adddata(sz50_data)
cerebro.broker.setcash(1000000.0)
cerebro.broker.setcommission(commission=0.001)
cerebro.run()
cerebro.plot()

运行上述代码后，可以看到backtrader平台在中证1000指数和上证50指数之间执行配对交易，并在图形上显示交易结果。