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tushare的数据更新比较频繁，本次代码仅供参考，具体数据需要根据实际情况进行调整。

首先，需要导入需要使用的库：

import tushare as ts
import numpy as np
import pandas as pd
from scipy.spatial.distance import euclidean
from fastdtw import fastdtw
import backtrader as bt

接下来，我们需要获取中证1000指数和上证50指数的历史数据，并计算它们的DTW距离：

# 获取中证1000指数和上证50指数的历史数据
start_date = '2016-01-01'
end_date = '2021-12-31'
index_000905 = ts.get_k_data('000905', start_date, end_date, ktype='D', autype='qfq', index=True, retry_count=5)
index_000016 = ts.get_k_data('000016', start_date, end_date, ktype='D', autype='qfq', index=True, retry_count=5)

# 将数据按照日期排序，并设置日期为索引
index_000905 = index_000905.sort_values('date')
index_000905 = index_000905.set_index('date')
index_000016 = index_000016.sort_values('date')
index_000016 = index_000016.set_index('date')

# 计算两个指数的DTW距离
distance, path = fastdtw(index_000905['close'], index_000016['close'], dist=euclidean)
print('DTW距离为：', distance)

接下来，我们需要定义交易信号函数。在本例中，我们会设定一个阈值，当两个指数之间的DTW距离小于阈值时，视为出现配对交易信号。当出现交易信号时，我们会同时买入中证1000指数和卖出上证50指数，当两个指数的DTW距离回到正常水平时，即可以平仓。

class DTWStrategy(bt.Strategy):
    params = (
        ('min_distance', 500),
        ('max_distance', 1000),
        ('size', 100),
        ('printlog', False),
    )

    def __init__(self):
        self.index_000905 = self.datas[0]
        self.index_000016 = self.datas[1]
        self.distance = None
        self.distance_history = []
        self.buy_price = None
        self.sell_price = None

    def log(self, txt, dt=None, doprint=False):
        if self.params.printlog or doprint:
            dt = dt or self.datas[0].datetime.date(0)
            print('%s, %s' % (dt.isoformat(), txt))

    def notify_data(self, data, status, *args, **kwargs):
        if status == data.LIVE:
            self.log('Data Live')

    def next(self):
        if len(self.distance_history) >= self.params.size:
            self.distance_history.pop(0)

        self.distance, _ = fastdtw(self.index_000905.close.get(size=self.params.size),
                                   self.index_000016.close.get(size=self.params.size),
                                   dist=euclidean)
        self.distance_history.append(self.distance)

        if len(self.distance_history) == self.params.size and \
                self.distance < self.params.min_distance and \
                self.buy_price is None:
            self.log('Buy Signal: distance %.2f' % self.distance)
            self.buy_price = self.index_000905.close[0]
            self.sell_price = self.index_000016.close[0]
            self.order_target_percent(self.index_000905, target=0.5)
            self.order_target_percent(self.index_000016, target=-0.5)

        elif self.buy_price is not None and self.distance > self.params.max_distance:
            self.log('Sell Signal: distance %.2f' % self.distance)
            self.order_target_percent(self.index_000905, target=0)
            self.order_target_percent(self.index_000016, target=0)
            self.sell_price = None
            self.buy_price = None

        self.log('Distance %.2f' % self.distance)

接下来，我们需要使用backtrader平台进行回测。为了方便，我们可以先将历史数据转换成backtrader所需要的格式：

data_000905 = bt.feeds.PandasData(dataname=index_000905)
data_000016 = bt.feeds.PandasData(dataname=index_000016)

然后，我们可以创建backtrader的Cerebro对象，并将指数数据添加到Cerebro中：

cerebro = bt.Cerebro()
cerebro.adddata(data_000905)
cerebro.adddata(data_000016)

接下来，我们可以将交易策略添加到Cerebro中：

cerebro.addstrategy(DTWStrategy, min_distance=500, max_distance=1000, size=100)

最后，我们可以运行Cerebro并绘制回测结果图形：

cerebro.run()
cerebro.plot()

绘制的图形中，可以看到交易信号的出现和平仓时机。根据回测结果，可以对交易策略进行优化和调整，以提高交易效果。