事件驱动回测 vs 向量化回测，选哪个？

做量化回测，第一个绕不开的问题就是：到底用事件驱动，还是向量化？

我刚开始做套利策略那会儿，也纠结过这个问题。当时觉得向量化多快啊，一行代码跑完整个历史。后来真上了实盘，才发现事情没那么简单。今天咱们就把这两个方案掰开揉碎了聊。

先说说向量化回测

向量化回测，说白了就是拿整个历史数据做矩阵运算。你写个公式，比如 (close - ma20) / ma20，然后整个序列一起算。速度快得飞起。

举个例子，一个简单的双均线策略：

import pandas as pd
import numpy as np

# 假设 df 是历史数据
df['ma5'] = df['close'].rolling(5).mean()
df['ma20'] = df['close'].rolling(20).mean()
df['signal'] = np.where(df['ma5'] > df['ma20'], 1, -1)
df['return'] = df['signal'].shift(1) * df['close'].pct_change()
total_return = df['return'].sum()

你看，三行搞定。但这里有个坑——shift(1) 是事后诸葛亮。它假设你收盘后立刻能下单，实际交易中根本做不到。

再聊聊事件驱动回测

事件驱动回测，模拟的是真实交易流程。每一根 K 线来了，你判断要不要下单，然后模拟撮合、记录持仓、更新风控。

它更像一个循环：

for each bar in history:
    # 1. 更新市场数据
    update_market(bar)
    
    # 2. 检查信号
    signal = check_signal()
    
    # 3. 执行交易
    if signal:
        execute_order(signal)
    
    # 4. 更新风控
    update_risk_control()
    
    # 5. 记录结果
    record_pnl()

每一步都能加逻辑。比如滑点、手续费、最小交易单位、涨跌停限制。你甚至可以模拟订单簿的逐笔成交。

两个方案的对比

维度	向量化回测	事件驱动回测
速度	极快（秒级）	较慢（分钟级）
代码量	少（几十行）	多（几百行）
模拟精度	低（忽略细节）	高（贴近实盘）
适合场景	因子研究、初步筛选	策略验证、实盘前测试
调试难度	低（容易定位）	高（逻辑复杂）

我的选择策略

你想想看，这两个方案其实不是二选一，而是分阶段用。

1. 第一阶段：因子挖掘——用向量化。快速跑几百个因子组合，看哪个有苗头。
2. 第二阶段：策略验证——转事件驱动。把筛选出来的策略，加上真实交易约束再跑一遍。
3. 第三阶段：参数优化——回到向量化。因为要跑大量参数组合，事件驱动太慢了。
4. 第四阶段：实盘前测试——必须事件驱动。模拟完整的交易流程，包括网络延迟、交易所限频。

一个真实的教训

我记得有一次做跨期套利回测。用向量化跑，年化夏普 2.8，看着完美。结果实盘时发现，每次信号出现后，要等 3-5 秒才能成交。这 3 秒里价差已经变了。

后来改成事件驱动，把滑点设成 2 个 tick，夏普直接掉到 1.2。嗯，这才是真实水平。

框架选择流程图

下面这张图，是我自己总结的决策流程。每次做新策略，我都会走一遍：

最后说几句

其实没有完美的回测框架。向量化快但不准，事件驱动准但慢。关键是你得知道当前阶段要什么。

我个人建议：新手从向量化入手，先理解策略逻辑。等跑通了，再升级到事件驱动。别一上来就搞复杂框架，容易把自己绕晕。

嗯，今天就聊到这儿。记住一句话：回测是帮你发现问题的，不是帮你证明策略赚钱的。