backtesting.py 教程量化回测怎么做5 步给股票策略做完整体检【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 是一个用 Python 做交易策略回测的开源库给它一份日线行情它按 K 线逐根撮合买卖输出收益、回撤、胜率等指标还能一键生成交互式图表。本文按环境 → 首跑 → 查偏差 → 样本外 → 接实盘的顺序把量化回测怎么做、股票策略回测、A 股回测三个场景各讲一遍帮你在投入资金之前先把策略跑通、验明白。回测赚、实盘亏差距出在哪一环差距来自回测的干净市场假设不少做股票策略的人会碰到同一个局面历史数据上跑出来的曲线很漂亮资金一进去收益就变脸。问题通常不在回测不准而在于回测默认模拟的市场比真实市场干净——费用只算了佣金没算滑点信号用了当天收盘价却忽略了下单时其实拿不到这个价格参数又是照着这段历史反复调出来的。回测更像一次模拟考实盘才是正式考试模拟考分数高不等于能考好但完全不复习直接上场更不行。backtesting.py 在其中扮演什么角色backtesting.py 的定位就是把模拟考这一环做扎实给定行情数据和买卖规则它负责按时间顺序撮合订单、扣除佣金、逐笔记录交易最后汇总成一张指标表。你只需要关注两件事规则写得对不对、结果读得懂不懂。回测能验证什么、不能验证什么能验证的三件事逻辑、绩效与参数敏感度逻辑一致性——信号在历史行情里到底会不会触发、触发频率是否符合预期避免策略写在纸上看着很顺的错觉历史绩效——收益、回撤、胜率、盈亏比等指标判断策略在过去是否真的赚钱参数敏感度——把参数在区间内扫一遍看绩效会不会随参数小幅变动就大起大落。验证不了的三件事未来行情、冲击成本与极端事件未来行情形态历史里的震荡不代表未来继续震荡趋势策略在长期横盘中会被反复磨损真实冲击成本滑点、流动性约束、涨跌停导致买不进卖不出回测默认不会全部体现极端事件停牌、黑天鹅、交易制度调整需要自己补规则去模拟。两个指标先给一句话解释后文会反复用到**夏普比率Sharpe Ratio**衡量承担一份风险换回多少收益数值越高说明赚钱越稳**回撤Drawdown**指账户净值从最高点跌到最低点的幅度回答最难受的时候最多亏多少。backtesting.py 的指标计算集中在 backtesting/_stats.py输出的指标表中这两项都在默认位置。第一次回测环境、数据与双均线策略一次跑通三步装好 backtesting.py 环境依赖很轻Python 3.8 下一行命令即可pip install backtesting装完执行import backtesting能正常导入就算通过。库自带一份样例行情GOOG 日线首次跑通不需要联网取数doc/examples/ 下还有多周期、参数热力图、机器学习信号等多个示例可作为下一步阅读材料。用内置数据跑一个双均线策略双均线是最常见的入门策略短期均线10 日上穿长期均线30 日买入下穿卖出。指标与逻辑分离是官方推荐的写法init只放指标计算next只放买卖判断from backtesting import Backtest, Strategy from backtesting.lib import crossover from backtesting.test import SMA, GOOG class SmaCross(Strategy): def init(self): self.ma1 self.I(SMA, self.data.Close, 10) self.ma2 self.I(SMA, self.data.Close, 30) def next(self): if crossover(self.ma1, self.ma2): self.buy() elif crossover(self.ma2, self.ma1): self.sell() bt Backtest(GOOG, SmaCross, cash10000, commission0.002) print(bt.run())commission0.002表示每次成交收取 0.2% 佣金跑完会打印收益、年化收益、最大回撤、交易次数等一整套指标。A 股回测的数据怎么准备backtesting.py 不绑定数据源只要是一张 DataFrame列包含Open / High / Low / Close / Volume索引为 Datetime 即可A 股日线、期货分钟线都适用。仓库 backtesting/test/ 目录里的 GOOG、EURUSD、BTCUSD 三份样本 CSV 可以直接打开对照格式。两点 A 股特有提醒T1 和涨跌停不在库的默认撮合规则里需要在策略中自行处理例如信号延迟一根 K 线执行、涨停不追买佣金费率建议按真实券商费率填写。结果别全信偏差、过拟合与样本外三件套先排三类常见偏差⚠️ 回测数字好看时第一步应该先怀疑数据而不是急着庆祝。幸存者偏差用现在还活着的股票池回测天然剔除了退市股历史收益会被系统性抬高。规避方式是把退市股也纳入样本或至少按回测起点当时上市的股票重建股票池前视偏差信号里混进了未来信息比如用当天收盘价决策、又按当天收盘价成交。检查方法很直接——把信号延迟一根 K 线执行看绩效变化有多大过拟合参数被调到恰好贴合历史。直观检查是用bt.optimize()扫参数看热力图如果绩效呈棋盘格式尖峰——相邻参数一个天上一个地下——多半是噪声拟合出来的应选择落在高原区一片参数绩效都尚可里的组合。样本外检验与费用压力测试把数据按时间切成两段前段用来定策略和参数后段封存起来只跑一次。稳健的表现是两段绩效方向一致而不是后段恰好也好看一点点。另外把佣金翻倍再跑一次如果收益几乎不变说明策略对交易成本不敏感抗实盘磨损的能力更强。这两步加起来不超过半小时却能挡掉大部分回测幻觉。走向实盘监控与迭代的最小闭环实盘后盯住三个数字 回测不是终点把下面三个数字放进一张日常表格即可回测-实盘偏差滚动对比实盘收益、回撤与回测同期预期偏差超过预设阈值如 30%就停下来复盘而不是继续加仓交易行为实际成交滑点与回测假设的差距连续偏大说明成本模型该修正了参数漂移定期用最新数据重跑参数热力图确认当前参数仍处在高原区内。新手常见三个疑问① 数据要多长日线策略建议至少覆盖一轮完整牛熊5 年以上周期越短的策略越要拉长样本② 回测跑不赢买入持有怎么办backtesting.py 默认输出 Buy Hold 一栏做对照策略的价值往往在于风险调整后更稳、回撤更小而不只是收益更高③ 能直接上实盘吗建议先按实盘规则模拟盘跑 1~2 个月、核对偏差后再上小资金。趋势上多因子信号与实盘级冲击成本模拟会越来越常用但对个人开发者而言先把回测 → 样本外 → 小资金验证这条最小闭环跑顺比追逐新工具更重要。【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