第 11 章：回测框架搭建 授课

第11章：回测框架搭建量化策略的试金石本章目录01.学习目标与回测重要性02.回测框架核心概念与对比03.向量化回测实战：双均线策略04.事件驱动回测框架搭建05.回测中的常见陷阱与处理06.本章总结与课后任务学习目标与回测重要性本章学习目标理解回测核心概念，掌握向量化与事件驱动框架的区别及适用场景。掌握Pandas向量化回测实现，并能从零搭建事件驱动回测框架。识别并规避回测陷阱，如未来函数、过度拟合等常见错误。建立科学的回测评估体系，多维度评价策略优劣。回测的核心价值策略有效性验证实盘前的必要环节，检验策略在历史数据上的有效性。风险评估与度量计算最大回撤、波动率等指标，量化评估潜在风险水平。参数寻优与优化基于历史数据寻找最优参数组合，提升策略表现。低成本试错筛选相比实盘试错，回测成本极低，有效过滤无效策略。回测框架核心概念与对比向量化回测(Vectorized)核心思想：以数据为中心，利用矢量化运算一次性计算全周期信号与收益。优点：速度极快，代码简洁，易于实现缺点：灵活性差，难以处理复杂订单逻辑适用：策略快速验证、因子研究、教学演示事件驱动回测(Event-Driven)核心思想：以事件为中心，逐笔模拟订单簿、撮合与滑点过程。优点：高度灵活，精确模拟实盘逻辑与市场冲击缺点：代码复杂，开发与运行速度较慢适用：实盘策略精细回测、高频交易策略回测引擎核心组件架构向量化回测实战：双均线策略策略核心逻辑金叉买入：当短期均线(MA5)上穿长期均线(MA20)时建仓死叉卖出：当短期均线(MA5)下穿长期均线(MA20)时平仓Python核心代码片段#1.计算均线df['ma5']=df['close'].rolling(5).mean()df['ma20']=df['close'].rolling(20).mean()#2.生成信号(避免未来函数shift(1))df['signal']=np.where(df['ma5']>df['ma20'],1,-1)df['position']=df['signal'].shift(1).fillna(0)#3.计算收益df['strategy_return']=df['daily_return']*df['position']回测绩效与资金曲线年化收益率15.2%最大回撤-22.5%夏普比率1.85策略累计收益vs基准收益(2020-2023)策略收益基准收益事件驱动回测框架搭建（一）：核心模块设计事件模块(Event)系统的消息载体。定义市场数据更新、订单生成、订单成交等所有事件类型，是框架流转的核心。数据模块(DataHandler)负责从数据源获取市场数据。新数据到达时生成MarketEvent放入事件队列，驱动策略运行。策略模块(Strategy)核心业务逻辑所在。监听市场事件，分析数据生成交易信号，通过OrderEvent下达订单指令。订单管理(Portfolio)账户资产与持仓的“账本”。根据订单和成交事件更新账户状态，计算每日收益和风险指标。执行模块(ExecutionHandler)订单的“手”。接收订单事件，模拟或连接交易所进行撮合，成交后生成FillEvent反馈给系统。事件驱动回测框架搭建（二）：代码实现事件体系设计(EventSystem)#1.事件基类定义classEvent:"""所有事件的基类"""pass

classMarketEvent(Event):"""市场数据更新事件"""pass

classOrderEvent(Event):"""订单生成事件"""def__init__(self,symbol,order_type,qty,dir):self.symbol=symbol#股票代码self.order_type=order_type#MKT/LMTself.direction=dir#BUY/SELL回测主循环(BacktestCore)#2.回测主类与核心循环classBacktest:def_run_backtest(self):whileTrue:#1.更新市场数据ifself.data_handler.continue_backtest:self.data_handler.update_bars()else:break

#2.处理事件队列whilenotself.events.empty():event=self.events.get()ifisinstance(event,MarketEvent):self.strategy.calculate_signals(event)elifisinstance(event,OrderEvent):self.execution_handler.execute_order(event)事件驱动回测实战：双均线策略策略架构设计继承自Strategy基类，通过重写calculate_signals方法实现核心逻辑。初始化时设置长短均线窗口。信号生成机制监听MARKET事件，获取最新数据计算MA5/MA20。当短期均线上穿长期均线时发出买入信号，下穿时发出卖出信号。持仓状态管理维护bought字典记录持仓状态(LONG/OVER)，确保同一信号下不会重复下单，避免策略逻辑错误。SimpleMovingAverageStrategy.pydefcalculate_signals(self,event):"""根据市场事件计算交易信号"""ifevent.type=='MARKET':forsymbolinself.symbol_list:bars=self.bars.get_latest_bars(symbol,N=20)ifbarsisnotNone:df=pd.DataFrame(bars)df['ma5']=df['close'].rolling(5).mean()df['ma20']=df['close'].rolling(20).mean()ifdf['ma5'].iloc[-1]>df['ma20'].iloc[-1]andself.bought[symbol]=='OUT':order=OrderEvent(symbol,'MKT',100,'BUY')self.events.put(order)self.bought[symbol]='LONG'回测中的常见陷阱与处理未来函数(Look-aheadBias)陷阱：最致命错误！使用未来数据生成信号（如收盘前用收盘价）。对策：严格使用历史数据，利用shift()函数延迟信号，确保逻辑仅依赖当时已知信息。过度拟合(Overfitting)陷阱：历史数据表现完美，但实盘表现极差。通常由过度优化参数导致。对策：使用样本外数据(Out-of-Sample)验证；进行参数敏感性分析，避免参数过拟合。忽略交易成本(IgnoringCosts)陷阱：忽略手续费、印花税及滑点（市场冲击成本），导致回测收益虚高。对策：引入合理的成本模型，包括固定比例手续费和基于成交量的滑点模型，还原真实交易环境。幸存者偏差(SurvivorshipBias)陷阱：仅使用当前存在的股票池进行回测，忽略了回测期间退市或摘牌的股票。对策：使用包含完整历史信息的数据库，确保股票池是当时真实存在的集合，而非仅存者。回测结果分析与评估关键绩效指标(KPIs)收益率指标关注累计收益率与年化收益率，直观反映盈利能力。风险指标(核心)最大回撤(MaxDrawdown)衡量极端亏损，波动率衡量稳定性。风险调整后收益夏普比率(Sharpe)衡量单位风险回报，卡玛比率侧重恢复力。策略有效性胜率反映盈利次数占比，盈亏比揭示盈利模式的可持续性。可视化分析图表资金曲线(EquityCurve)展示累计收益变化过程，是评估策略表现的第一要素。回撤曲线(DrawdownCurve)展示每个时间点的回撤幅度，直观理解策略的风险暴露情况。收益分布直方图展示每日收益率分布，判断收益正态性及极端情况发生频率。本章总结核心框架对比掌握向量化与事件驱动回测思想明确两者优缺点及适用场景实战能力提升使用pandas快速实现向量化回测从零搭建简易事件驱动回测框架风险陷阱规避识别未来函数、过度拟合等陷阱掌握忽略交易成本等问题的规避方法科学评估体系建立多维度策略评价标准综合考量收益率、风险及风险调整后收益工程化思维构建学习复杂量化系统的模块化设计为开发复杂交易系统打下坚实基础未来展望理论与实战结合，提升量化研究能力为策略开发与系统构建提供强大武器课后实操任务：量化策略回测对比任务核心目标1.策略选择选取经典策略（如RSI超买超卖、布林带突破）作为测试对象。2.双轨实现分别使用Pandas向量化方法和自定义事件驱动框架完成回测。3.深度对比对比收益指标与运行效率，分析两种架构的优劣与差异根源。执行步骤分解理解逻辑明确开平仓条件，梳理交易信号生成逻辑。向量化回测使用Pandas完成数据处理、指标计算与收益评估。事件驱动实现