4.1 回测引擎原理

概念详解

回测引擎是量化策略研究的核心基础设施。它的本质是一个模拟器：在历史数据上按时间顺序"重放"市场行情，根据策略在每个时点产生的信号模拟买卖行为，最终产生一条模拟的净值曲线和一系列绩效指标。

在设计回测引擎时，我们需要回答三个根本问题：

时间推进方式：是按自然日推进、按交易日推进，还是仅在事件发生时推进？
订单执行模型：下单后何时成交？以什么价格成交？能否全部成交？
状态维护：如何管理持仓、现金、保证金等账户状态？

事件驱动 vs 向量化回测

名词解释：前视偏差

在回测中无意使用了未来才能获知的信息，导致结果过于乐观。常见于使用全样本统计量或未来数据。

名词解释：事件驱动回测

按时间顺序逐个处理市场数据点、信号事件和订单事件，模拟真实的交易流程。每个时间步依次处理行情更新、信号生成、订单撮合和持仓更新。

名词解释：向量化回测

利用矩阵/向量的批量运算一次性计算整个回测期的收益。速度快但难以处理路径依赖的逻辑，如动态止损、保证金管理等。

两种架构的对比：

维度	事件驱动	向量化
速度	较慢	极快
灵活性	高（可处理复杂逻辑）	低（依赖路径独立假设）
精度	高（可模拟逐笔成交）	中（通常用收盘价近似）
实现难度	高	低
适用场景	高频、复杂风控	中低频、因子回测

数学原理

回测的核心是净值曲线的计算。设 $t$ 时刻的策略收益率为：

r_{t}^{s t r a t e g y} = \sum_{i = 1}^{n} w_{i, t - 1} \cdot r_{i, t}

其中 $w_{i, t - 1}$ 是资产 $i$ 在 $t - 1$ 时刻的权重（基于 $t - 1$ 时刻已知信息决定）， $r_{i, t}$ 是资产 $i$ 在 $t$ 时刻的收益率。净值曲线为：

N A V_{t} = N A V_{0} \cdot \prod_{k = 1}^{t} (1 + r_{k}^{s t r a t e g y})

在事件驱动框架中，我们还需要显式建模资金流转：

C a s h_{t} = C a s h_{t - 1} - \sum_{i} P r i c e_{i, t} \cdot Q t y_{i, t}^{b u y} + \sum_{i} P r i c e_{i, t} \cdot Q t y_{i, t}^{s e l l}

P o s i t i o n_{i, t} = P o s i t i o n_{i, t - 1} + Q t y_{i, t}^{b u y} - Q t y_{i, t}^{s e l l}

Python实战

📌 案例：向量化回测

PYTHON7 行 · 252 B

📄此处有展示代码7 行 · 252 B展开 ▼

python

import pandas as pd
import numpy as np

# 假设df包含：Close（收盘价）、signal（0/1信号，1表示持有）
returns = df['Close'].pct_change()
strategy_returns = returns * df['signal'].shift(1)
cumulative = (1 + strategy_returns).cumprod()

▶ 点击展开可浏览运行结果

--- 结果 ---
returns tail(): 2024-09-04    0.000190
2024-09-05    0.000018
2024-09-06    0.000294
2024-09-07   -0.000227
2024-09-08   -0.000039
Freq: D
strategy_returns tail(): 2024-09-04    0.0
2024-09-05    0.0
2024-09-06    0.0
2024-09-07   -0.0
2024-09-08   -0.0
Freq: D
cumulative tail(): 2024-09-04    1.002286
2024-09-05    1.002286
2024-09-06    1.002286
2024-09-07    1.002286
2024-09-08    1.002286
Freq: D

📌 案例：事件驱动回测框架

PYTHON41 行 · 1.6 KB

📄此处有展示代码41 行 · 1.6 KB展开 ▼

python

class EventDrivenBacktest:
    def __init__(self, initial_capital=1_000_000):
        self.initial_capital = initial_capital
        self.cash = initial_capital
        self.position = {}
        self.equity_curve = []
        self.trades = []

    def on_bar(self, timestamp, prices, signals):
        # 处理信号并生成订单
        for symbol, target_weight in signals.items():
            current_value = self.position.get(symbol, 0) * prices[symbol]
            target_value = self.cash * target_weight
            trade_value = target_value - current_value
            if abs(trade_value) > 1000:  # 最小交易金额
                self.execute_order(timestamp, symbol, trade_value, prices[symbol])
        self.update_equity(timestamp, prices)

    def execute_order(self, timestamp, symbol, value, price):
        qty = int(value / price)
        if qty == 0:
            return
        cost = abs(qty * price) * 0.001  # 手续费
        self.cash -= value + cost
        self.position[symbol] = self.position.get(symbol, 0) + qty
        self.trades.append({
            'timestamp': timestamp, 'symbol': symbol,
            'qty': qty, 'price': price, 'cost': cost
        })

    def update_equity(self, timestamp, prices):
        total_value = self.cash + sum(
            qty * prices.get(sym, 0) for sym, qty in self.position.items()
        )
        self.equity_curve.append({'timestamp': timestamp, 'equity': total_value})

# 使用示例
engine = EventDrivenBacktest(initial_capital=1_000_000)
for timestamp, row in market_data.iterrows():
    signals = strategy.generate_signals(timestamp)
    engine.on_bar(timestamp, row['prices'], signals)

▶ 点击展开可浏览运行结果

📘 本段代码定义了 1 个函数/类：类 `EventDrivenBacktest`。该片段为教学展示（未包含独立运行的输入数据），可在实战练习中结合真实数据调用。

📌 案例：回测引擎的核心循环（完整版）

PYTHON55 行 · 2.0 KB

📄此处有展示代码55 行 · 2.0 KB展开 ▼

python

def run_backtest(strategy, data, start_date, end_date):
    """
    完整的回测主循环，模拟逐日交易流程
    """
    # 初始化
    capital = 1_000_000
    positions = {}  # symbol -> shares
    equity_curve = []

    # 按日期遍历
    trading_dates = data[start_date:end_date].index
    prev_positions = {}

    for i, date in enumerate(trading_dates):
        # Step 1: 获取当日数据（仅使用截止当日的已知数据）
        historical_data = data.loc[:date]
        current_prices = data.loc[date, 'Close']

        # Step 2: 计算当前组合市值
        portfolio_value = capital
        for sym, shares in positions.items():
            portfolio_value += shares * current_prices[sym]

        # Step 3: 生成信号（关键：只用历史数据，不用未来数据）
        signals = strategy.predict(historical_data)

        # Step 4: 计算目标持仓（组合优化 + 风控约束）
        target_weights = optimize_portfolio(
            signals,
            historical_data.pct_change().dropna().cov(),
            max_weight=0.1,
            max_turnover=0.3
        )

        # Step 5: 执行交易（含成本）
        for sym, target_w in target_weights.items():
            target_value = portfolio_value * target_w
            current_value = positions.get(sym, 0) * current_prices[sym]
            trade_value = target_value - current_value

            # 买入/卖出
            trade_shares = int(trade_value / current_prices[sym])
            commission = abs(trade_shares * current_prices[sym]) * 0.0003
            slippage = abs(trade_shares * current_prices[sym]) * 0.0002

            capital -= (trade_value + commission + slippage)
            positions[sym] = positions.get(sym, 0) + trade_shares

        # Step 6: 记录净值
        final_value = capital + sum(
            positions.get(sym, 0) * current_prices[sym] for sym in current_prices.index
        )
        equity_curve.append({'date': date, 'equity': final_value})

    return pd.DataFrame(equity_curve).set_index('date')

▶ 点击展开可浏览运行结果

📘 本段代码定义了 1 个函数/类：函数 `run_backtest`（完整的回测主循环，模拟逐日交易流程）。该片段为教学展示（未包含独立运行的输入数据），可在实战练习中结合真实数据调用。

常见误区

误以为向量化回测足够精确：向量化无法处理路径依赖逻辑（如"回撤超过5%则清仓"），这类策略必须用事件驱动回测。
忘记 shift(1) 导致前视偏差：在向量化回测中，信号必须滞后一期使用。returns * df['signal'].shift(1) 是正确的，returns * df['signal'] 是错的。
忽略停牌和涨跌停：停牌日收益率为0不代表可以交易。需要检查 volume > 0 和 tradable 标记。
用全样本数据做标准化：对因子做Z-score标准化时，必须用每期之前的数据计算均值和标准差，不能用全样本统计量。
忽略复权数据：使用未复权的价格会导致分红、拆股造成虚假的收益跳变。必须用后复权价格。

实战练习

编写一个简单的向量化回测函数，输入DataFrame（含收盘价和信号列），输出净值曲线、年化收益和最大回撤。并用随机信号验证：完全随机的信号理论上收益应接近零（扣除成本后为负）。
实现事件驱动框架中的 on_bar 方法，使其支持：
- 固定比例的手续费（如万三）
- 单只股票上限10%的约束
- 日换手率不超过30%的约束
思考题：如果策略需要在盘中（9:45）根据开盘价信号交易，但回测只有日线数据，会产生什么问题？如何减轻这个问题？

本章要点

回测引擎是量化策略研究的"实验平台"，分为事件驱动和向量化两种架构。
事件驱动回测按时间顺序处理每个事件，灵活性高、精度高；向量化回测速度快但无法处理路径依赖逻辑。
净值曲线计算的核心公式： $N A V_{t} = N A V_{0} \prod (1 + r_{k}^{s t r a t e g y})$ 。
回测中最关键的纪律：每个时点只能使用该时点之前的信息，这是避免前视偏差的唯一方法。
实现完整的回测引擎需要处理：信号生成、持仓计算、订单执行、成本扣除、净值记录五个步骤。
必须使用复权价格数据，检查股票可交易状态，并在每期使用递归窗口做统计计算。

4.1 回测引擎原理 ​

概念详解 ​

事件驱动 vs 向量化回测 ​

数学原理 ​

Python实战 ​

📌 案例：向量化回测 ​

📌 案例：事件驱动回测框架 ​

📌 案例：回测引擎的核心循环（完整版） ​

常见误区 ​

实战练习 ​

延伸阅读 ​

本章要点 ​

4.1 回测引擎原理

概念详解

事件驱动 vs 向量化回测

数学原理

Python实战

📌 案例：向量化回测

📌 案例：事件驱动回测框架

📌 案例：回测引擎的核心循环（完整版）

常见误区

实战练习

延伸阅读

本章要点