回测引擎与事件驱动

举个例子：你有一条规则——“短期均线上穿长期均线就买入，下穿就退出”。回测会把这条规则放进一段历史行情，按一天一天的顺序重放，观察当时可能出现什么信号、发出什么订单，最后账户变成什么样。

这能帮你发现三类问题：

• 规则有没有明显的逻辑漏洞；
• 某段历史行情下，风险和交易节奏是什么样；
• 不同策略或参数，在同一套假设下谁更适合继续研究。

但它不能证明未来一定会重复。比如某只股票曾经震荡下跌，另一段时间又走出趋势。去年表现最好的规则，不会自动适合今年。更稳妥的做法，是覆盖上涨、下跌、震荡等不同市场状态，并把策略成立的前提写出来。

Bar 和 Tick 有什么区别

Bar是一个时间区间的汇总记录，常见字段有开盘价、最高价、最低价、收盘价和成交量。日线Bar只告诉你一天的汇总结果，不能还原当天先涨到最高还是先跌到最低。

Tick更接近逐笔或逐次行情更新。使用更细的数据，能研究更细的触发顺序，但数据量、成交假设和成本模型也会更复杂。回测按照哪种频率推进，必须和你的问题匹配。

刚开始学习时，你可以用 Pandas 和 Python 循环，自己计算信号、现金和持仓。这样容易看懂底层逻辑。策略一多，就会遇到费用、订单状态、多个数据源、多周期和绩效统计等问题。每套程序都手写一遍，容易悄悄使用不同的假设。

回测框架的价值，是提供一套可复用的接口，把数据、策略、模拟成交和分析结果接起来。它不会因为“用了框架”就自动真实。数据错了、策略偷看未来、费用漏算，结果仍然会误导你。

以 Backtrader 的常见组件为例：

• Cerebro：调度中心，负责组织数据、策略、账户设置和分析器，并启动运行；
• Data Feed：数据入口，把 CSV、DataFrame 等输入转换成框架能读取的时间序列。DataFrame 是带行列标签的二维数据结构，不是普通列表。你要映射日期、开高低收、成交量，并检查排序、缺失、复权和时区；
• Strategy：策略本身，除了买卖条件，还要写指标、仓位、退出、订单和持仓状态；
• Broker：回测里的模拟账户，维护现金、头寸和手续费，并按设定模拟滑点、佣金、保证金等。它不是真实券商；
• Analyzer：分析账户和交易序列，输出收益、回撤、Sharpe、交易次数等。默认值、年化方式和返回格式要自己核对。

你还可以用 TA-Lib 扩展技术指标和形态指标，或组织多周期、多资产数据。但框架能读入多种数据，不等于股票、期货、外汇、加密资产和期权可以共用一套成交规则。期权还要处理到期、合约乘数和行权等机制。

你可以按下面的顺序做，不要一上来就看收益率：

1. 定义实验：写清证券范围、统计区间、热身数据、初始资金、初始持仓、基准和参数；
2. 检查数据：确认代码、日期、单位、复权、缺失和排序，再映射成 Data Feed；
3. 接入调度中心：创建 Cerebro，加入数据和数据频率；
4. 加入策略参数：例如快均线 10、慢均线 30，并写清仓位和订单规则；
5. 配置账户和交易摩擦：初始现金、佣金、最低收费、税费、滑点、交易单位，以及无法成交时怎么处理；
6. 保存过程记录：至少保存交易明细、净值、回撤和关键状态；
7. 运行并验收：先核对具体交易，再读汇总报告。最后保存代码环境、数据版本和参数。

setcommission 之类的设置，通常只是一个起点。比如最低收费 5 元、卖出税费和不同资产的交易规则，不能只填一个比例就说已经还原真实成本。高频或高换手策略里，费用可能占很大比重。有人会用“一年超过 30%”作为提醒，但这不是你的实验结果，实际费用要按每笔成交金额计算。

多策略也要分清：如果每组参数独立回测，就应该有各自的账户；如果多个策略同时操作同一个账户，它们会共享现金和风险约束。两种结果不能混成一个“并行策略收益”。

假设你使用两条简单移动平均线（SMA）：快线 10 周期，慢线 30 周期。SMA 是过去 N 个有效收盘价的简单平均。

• 快线上穿慢线，形成候选买入信号；
• 快线下穿慢线，形成候选退出信号；
• 5/20、5/60、10/60 是另外三组时间尺度不同的参数，不代表哪一组一定更好。

只有交叉条件还不够。程序至少要记住三件事：当前是否持仓、是否有未完成订单、这次允许交易多少数量。

举个常见错误：程序发出买单，但订单还没成交。下一根Bar到来时，账户仍然显示“没有持仓”。如果程序只看持仓，就可能再发一张买单。解决办法是：发单以后保存订单引用；收到订单反馈时，记录已提交、已接受、已完成、取消、拒绝或资金不足等状态；只有符合规则的终态，才清除等待标记；真正成交后，再更新现金和持仓。

下面是教学用的伪流程：

（1）每个已经可用的 Bar 到来：检查数据和指标是否有效；如果有未完成订单，就等待订单反馈；否则，如果无持仓且发生金叉，就根据资金、费用和交易单位计算数量，数量有效才提交订单，并记录订单引用；如果有可卖持仓且发生死叉，就提交退出订单并记录订单引用。

（2）订单反馈到来：记录状态、成交价、数量和费用，按终态规则清理等待状态。

这段伪代码先帮你理清责任，不是完整可运行程序。还要规定：收盘形成的信号何时执行；A 股 T+1、停牌、涨跌停等情况怎么处理。框架提供订单状态，但不会自动替你防止所有重复下单。

在 Backtrader 策略里，__init__ 通常用来声明指标和建立依赖，next 会随着数据推进，逐步检查信号和状态。把指标声明反复放到 next 里，可能重复创建对象并拖慢运行。

更准确地说，初始化阶段建立计算关系，指标值仍然对应每个时间点的数据。不是所有值都在初始化时一次算完，也不能因为代码写在初始化里，就安全地访问未来结果。

事件驱动的意思是：每当新的数据或订单事件到来，程序按事件顺序处理。它有助于整理时间，但不能自动消除未来函数。下面这些做法都可能泄露未来信息：

• 用全样本数据提前做标准化，再回到过去交易；
• 用未来才公布的财报字段；
• 用当天最高价决定当天开盘买入；
• 索引写错，读到了尚未发生的Bar。

你要逐个检查变量：在做这个决定的时刻，它真的已经能拿到吗？如果答案不确定，就先不要把结果当成可靠结论。

假设快线 9、慢线 19，刚好在某段行情里赚钱；换成 10/30，结果却不好。这个现象不能证明 9/19 更有规律，也可能只是它碰巧贴合了这段价格路径。

过拟合就是把样本里的偶然细节记得太牢，却没有学到能迁移到新数据的关系。可以把它想成：你看到一套房子前面有一棵树和一辆自行车，就把它们记成“房子价值 200 万元”。如果换一个街区，这个记忆可能完全失效。

参数搜索当然可以做，但要守住边界：

• 分开训练区间、参数选择区间和测试区间；
• 记录搜索范围和尝试过多少组合；
• 检查相邻参数是否也能工作；
• 换不同时间段和标的，看结果是否稳定；
• 检查收益是不是只来自少数几笔交易。

参数区域里只有一个特别尖的高分点，往往更需要怀疑；一片相邻参数表现接近，才值得继续检验。但“平坦”也不是未来赚钱的证明。先解释交易时间尺度和执行机制，再做参数检验，不要无限调到曲线好看。

以贵州茅台 2025 年的双均线示例为例，使用约 243 个交易观测，描述了 4 次完整交易中只有 1 次获利，并展示最大回撤、Sharpe 和交易次数等分析结果。完整数据版本、全部参数、成本和每笔成交需要你自己核对，因此不能把缺少的收益数字补出来。

这个结果即使不理想，也有用。它可能说明：这段行情的走势、趋势规则、交易成本和信号节奏没有配合好。下一步要逐笔检查亏损来自哪里，而不是看到曲线不好就立刻删掉。

你还可以在同一数据、同一执行假设下比较：

• 均值回归：假设价格偏离后有回归倾向；
• 动量策略：假设近期相对强弱可能延续。

两种假设方向相反，可能在不同时间尺度和市场状态下各有表现。一定要写清观察窗口、进出规则和成本。

读结果时，顺序建议是：先看交易明细，再对账现金和持仓，最后看收益、回撤和 Sharpe。不要只盯着一条漂亮的资金曲线。