backtesting.py 快速上手从一段策略到一份看得懂的回测报告【免费下载链接】backtesting.py Backtest trading strategies in Python.项目地址: https://gitcode.com/GitHub_Trending/ba/backtesting.pybacktesting.py 是一个 Python 量化回测框架解决策略到底赚不赚钱的问题给它一份 K 线 DataFrame 和一个策略类它把策略逐 K 线重放到历史数据上输出权益曲线、回撤与逐笔交易明细。它面向会 pandas 但没写过回测的开发者不接券商接口、不碰 tick 数据、一次只回测一个标的。回测框架快速上手三步装好跑通第一次回测结论先行从装好到看懂回测报告只需三步——安装、写策略、调 run()。第一步安装。pip install backtesting第二步写策略。策略是 Strategy 的子类只有两个方法init() 预计算整段指标next() 在每根最新 K 线上做决策。下面这段 5/50 双均线可以直接运行GOOG 是框架自带的 2004–2013 年谷歌日线数据from backtesting import Backtest, Strategy from backtesting.test import SMA, GOOG class DualMa(Strategy): def init(self): c self.data.Close self.fast self.I(SMA, c, 5) self.slow self.I(SMA, c, 50) def next(self): if self.fast[-1] self.slow[-1] and self.fast[-2] self.slow[-2]: self.buy() elif self.fast[-1] self.slow[-1] and self.fast[-2] self.slow[-2]: self.sell() print(Backtest(GOOG, DualMa, commission.002).run())第三步读结果。run() 返回一个 pandas Series先盯这几个数Return 是策略累计收益Buy Hold Return 是买入并持有——策略低于它就是跑输躺平Max. Drawdown 是权益从峰值到谷底的最大单次跌幅Sharpe Ratio 是每份波动换到的收益1 以上才算及格Trades 和 Win Rate 要合着看胜率过半但单笔亏损更大照样不赚钱对照官方 10/20 双均线示例0.2% 佣金、同样数据总收益 589%同期买入持有 703%——策略其实跑输了躺平这是回测里最常见的一课。年化 25.4% 看着体面但最大回撤 -33% 意味着账户曾在峰值时亏掉三分之一本金夏普 0.66风险调整后收益中等93 笔交易、胜率 53.76%刚过半。调 plot() 把这些画成交互图权益曲线、回撤区间、买卖点标注都在一张图上可缩放、可平移。原理三分钟一次回测如何重放历史这节的目标不读源码你能讲清引擎每一步在干什么。核心是一个心智模型——离线重放。回测相当于给策略做一次时间旅行体检把它送回 2004 年它只能看到当前 K 线为止的历史像真经纪商一样下单框架负责撮合、扣费、打分。一轮循环五步数据Open/High/Low/Close 四列的 DataFrame日期索引股票、外汇、加密货币通吃指标init() 里用 self.I() 包一层向量化预计算整段序列指标还会自动画进图里信号next() 被逐 K 线调用用负索引读值[-1] 是最新、[-2] 是前一根下单buy() / sell() / position.close()订单默认按下一根 K 线开盘价成交不会假装在 K 线内部成交结算回测引擎 统计盈亏、佣金、保证金产出权益曲线和逐笔交易表同目录的可复用策略库 提供 crossover 交叉判断、SignalStrategy 向量化信号、TrailingStrategy 追踪止损继承即可用。三个练手场景由浅入深跑完整流程三个场景按难度递进换信号、调参数、算成本跑完你就有了完整的策略验证流程。场景一先用单指标信号跑第二遍这步练的是换信号不换骨架把双均线换成 RSI 超买超卖或布林带上下轨策略框架一行不改。注意框架不自带指标库指标自己写或用 TA-Lib 这类第三方库照样用 self.I() 包一层。官方示例目录 里的 Strategies Library 演示了把均线交叉写成一行向量化信号再叠加 ATR 追踪止损。场景二量化策略参数优化如何不踩过拟合结论优化能找到更稳的参数但主要风险是把噪声当规律。把想调的参数声明为类变量再调 bt.optimize(n1range(5, 30, 5), n2range(10, 70, 5), maximizeEquity Final [$])框架遍历所有组合选出最优。官方 Quick Start 里优化把同一策略的样本内表现提升了近 50%文档紧跟一句提醒要防过拟合。两个便宜的做法传 return_heatmapTrue 拿到每组参数的收益热力图最优点若是孤立尖峰多半就是过拟合少留参数参数越少越稳。仓库 doc/examples/ 下的 Parameter Heatmap Optimization.py 还演示了用 SAMBO 模型减少试错次数。场景三backtesting 手续费怎么设滑点吃掉多少成本参数决定了回测盈利和实盘盈利之间的距离。commission 支持单一比例、(固定, 比例) 元组或自定义函数spread 按入场价百分比模拟滑点。拿上面的策略在不同成本下各跑一遍for spread in (0.0, .0005, .002): s Backtest(GOOG, DualMa, commission.002, spreadspread).run() print(spread, f{s[Return [%]]:.1f}%, f{s[Max. Drawdown [%]]:.1f}%)读法如果滑点从 0 加到 0.2% 后总收益由正转负说明策略在赚纸面钱交易越频繁成本放大越狠高频换手的策略必须从一开始就带着成本验证。避坑清单五条决定结果是否可信踩中任何一条回测结果都不值得信。过拟合参数越多样本内越漂亮、样本外越拉胯优化后先看热力图最优点邻域是否平坦再换一只标的交叉验证样本外数据按时间切开前段选参数、后段只验一次后段结果才算数数据质量OHLC 缺值框架会直接报错但幸存者偏差、复采样时偷看未来只能你自己排查成本失真零佣金跑出的收益系统性偏乐观至少设真实费率再留一点 spread粒度错配决策在 K 线粒度、成交在下一根开盘tick 级高频它明确不接想做就换更细的数据适合谁与不适合谁先对号入座别把时间花在它不擅长的地方。适合你验证单标的技术面策略从想法到曲线半天搞定快速扫参数、用交互图表向别人解释策略学习回测概念核心代码量小读得完数据是任意 OHLC股票、外汇、期货、加密货币不适合你tick 级高频回测多标的组合再平衡、选股策略——官方文档明确说不支持复杂成交模型订单只有限价、止损、止盈四种三个场景跑通它就够你用了。git clone https://gitcode.com/GitHub_Trending/ba/backtesting.py再从 doc/examples/ 里把 Quick Start 跑一遍。【免费下载链接】backtesting.py Backtest trading strategies in Python.项目地址: https://gitcode.com/GitHub_Trending/ba/backtesting.py创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考