01
回测系统架构概览：为什么时序是回测的生命线？
从全局理解时序核心，奠定高性能回测地基
架构时序
02
时间戳的精度陷阱：毫秒与微秒的抉择
精度选择如何影响回测结果与性能
精度陷阱
03
数据对齐的艺术：OHLCV与Tick数据的对齐策略
多频率数据对齐，避免前视偏差
对齐OHLCV
04
事件驱动引擎：从零构建一个最小回测框架
手写事件循环，理解回测本质
引擎框架
05
时间序列索引优化：Pandas vs NumPy vs 纯Python
索引性能对决，找到最快路径
索引性能
06
向量化回测：告别for循环，拥抱矩阵运算
利用NumPy/Pandas向量化，速度提升百倍
向量化矩阵
07
内存布局与缓存友好：数据在内存中怎么放才快？
行优先 vs 列优先，缓存行利用
内存缓存
08
并行回测：多进程、多线程与异步IO的实战选择
并发模型选型，榨干CPU
并行多进程
09
GIL锁对回测的影响：什么时候该用C扩展？
突破GIL瓶颈，Cython/C扩展实战
GILC扩展
10
性能剖析工具：用cProfile和py-spy找到瓶颈
精准定位热点，调优第一步
剖析工具
11
惰性求值与生成器：处理海量Tick数据不爆内存
流式处理Tick，内存友好
生成器惰性
12
数据持久化策略：Parquet vs HDF5 vs 数据库
存储格式对比，IO性能调优
存储Parquet
13
回测中的滑点与手续费模拟：时序敏感型计算
精确模拟交易成本，避免失真
滑点手续费
14
信号生成优化：从逐行判断到批量计算
批量信号计算，效率飞升
信号批量
15
持仓与资金管理：状态机在回测中的实现
状态模式管理仓位，清晰可控
状态机资金
16
回测结果归因分析：Brinson模型的时间切片
归因分析，理解收益来源
归因Brinson
17
蒙特卡洛模拟：并行化与随机数生成器性能
大规模模拟加速，随机数优化
蒙特卡洛并行
18
因子计算加速：用Numba和Cython给Python提速
即时编译，因子计算快到飞起
NumbaCython
19
回测框架的日志与监控：别让bug藏到天亮
结构化日志，实时监控回测状态
日志监控
20
时间旅行调试：回测中的断点与状态回放
穿越回测，逐帧调试
调试回放
21
数据预处理流水线：ETL过程的时序保证
构建健壮ETL，保证时序完整性
ETL预处理
22
跨市场回测：时区转换与节假日处理
全球市场回测，时区无痛处理
跨市场时区
23
回测与实盘的偏差：前视偏差与生存偏差
识别并避免常见偏差，提升可信度
偏差前视
24
缓存策略：LRU与时间窗口缓存实战
缓存加速，减少重复计算
缓存LRU
25
分布式回测：用Ray或Dask做大规模参数扫描
分布式计算，参数调优不再等待
分布式Ray
26
回测报告生成：性能指标计算的时间复杂度
高效计算夏普、最大回撤等指标
报告指标
27
实时回测与模拟交易：从历史到未来的桥梁
连接回测与实盘，模拟交易实战
实时模拟
28
回测系统的单元测试：如何测试时间敏感逻辑？
时间mock与确定性测试
测试单元测试
29
性能调优案例：一个真实回测系统从2小时到5分钟
全链路调优，实战效果惊人
案例调优
30
未来趋势：GPU加速与FPGA在回测中的应用展望
前沿硬件加速，回测未来方向
GPUFPGA