第2章回测框架搭建

2、回测框架搭建：Python环境准备、Pandas数据处理、回测引擎核心逻辑

做市策略这东西，光看理论是没用的。你得让它跑起来，跑在真实的历史数据上，才能知道它到底是骡子是马。这一章，我们就来亲手搭一个回测框架。

我个人习惯把回测框架拆成三块：环境底座、数据管道、引擎核心。一块一块来，别急。

2.1 Python环境准备：别在工具上翻车

说实话，我见过太多人花了两小时调策略，结果发现是Python版本不对。嗯，这种坑我踩过不止一次。

你需要的东西其实不多：

Python 3.8+（我推荐3.10，稳定且兼容性好）
Pandas 1.5+（数据处理的主力）
NumPy（数值计算，Pandas的底层依赖）
Matplotlib（画图看回测曲线用）

装起来很简单：

pip install pandas numpy matplotlib

小技巧： 我建议你用虚拟环境。每个项目一个独立环境，互不干扰。曾经有一次我同时做两个项目，一个要Pandas 1.3，一个要1.5，结果互相覆盖，折腾了一下午。

python -m venv backtest_env
source backtest_env/bin/activate  # Mac/Linux
backtest_env\Scripts\activate     # Windows

2.2 Pandas数据处理：你的数据就是你的命

做市策略回测，数据质量直接决定结果可信度。说白了，垃圾数据进，垃圾结果出。

我们通常需要这样的数据结构：

字段	类型	说明
timestamp	datetime	时间戳，精确到秒或毫秒
bid_price	float	买一价
ask_price	float	卖一价
bid_volume	float	买一量
ask_volume	float	卖一量
mid_price	float	中间价（计算得出）
spread	float	买卖价差（计算得出）

加载数据并做预处理，我一般这么写：

import pandas as pd
import numpy as np

def load_and_prepare_data(filepath):
    df = pd.read_csv(filepath, parse_dates=['timestamp'])
    df.set_index('timestamp', inplace=True)
    
    # 计算衍生字段
    df['mid_price'] = (df['bid_price'] + df['ask_price']) / 2
    df['spread'] = df['ask_price'] - df['bid_price']
    
    # 去掉空值
    df.dropna(inplace=True)
    
    return df

注意： 我曾经遇到过数据里时间戳不连续的情况，回测结果完全偏了。后来养成了习惯——加载数据后先检查时间间隔是否均匀。用 df.index.diff().value_counts() 看一眼，心里有底。

2.3 回测引擎核心逻辑：让策略动起来

回测引擎说白了就是一个循环——遍历每一笔行情，判断要不要下单，然后记录结果。你想想看，这不就是模拟一个交易员坐在屏幕前盯盘吗？

核心逻辑就三步：

接收行情：拿到当前时刻的买卖盘口数据
策略决策：根据当前持仓和行情，决定是否挂单、撤单
记录状态：更新持仓、资金、盈亏

我习惯把引擎封装成一个类，这样复用起来方便：

class BacktestEngine:
    def __init__(self, data, initial_capital=100000):
        self.data = data
        self.capital = initial_capital
        self.position = 0  # 当前持仓数量
        self.trades = []   # 交易记录
        self.equity_curve = []  # 权益曲线
        
    def run(self, strategy_func):
        for idx, row in self.data.iterrows():
            # 1. 策略决策
            action, price, volume = strategy_func(
                row, self.position, self.capital
            )
            
            # 2. 执行交易
            if action == 'buy':
                cost = price * volume
                if cost <= self.capital:
                    self.capital -= cost
                    self.position += volume
                    self.trades.append({
                        'time': idx, 'type': 'buy',
                        'price': price, 'volume': volume
                    })
            elif action == 'sell':
                if volume <= self.position:
                    self.capital += price * volume
                    self.position -= volume
                    self.trades.append({
                        'time': idx, 'type': 'sell',
                        'price': price, 'volume': volume
                    })
            
            # 3. 记录权益
            current_equity = self.capital + self.position * row['mid_price']
            self.equity_curve.append(current_equity)
        
        return self.calculate_performance()

  核心要点： 回测引擎的「真实感」取决于你如何处理滑点和成交概率。做市策略尤其敏感——你挂单不一定能成交。我一般会在引擎里加一个「成交概率模型」，比如价差在1个tick以内时成交概率80%，超过2个tick就降到30%。这样回测结果更贴近实盘。

2.4 知识体系一览

为了让你对整个框架有个直观印象，我画了一张图：

你看，整个框架其实不复杂。环境搭好，数据准备好，引擎写个循环，就齐活了。但真正让回测有价值的，是你在每个环节里加入的「真实感」——比如滑点、成交概率、手续费。这些细节，才是区分业余和专业的分水岭。

我的经验： 刚开始做回测时，我总想一次性把引擎写得特别完美。结果写了三天还没跑通。后来我学乖了——先写一个最简版本，能跑通就行。然后一点点加功能。这叫「渐进式开发」，效率高得多。

好了，环境搭好了，数据也准备好了，引擎的核心逻辑也清楚了。接下来就是让策略真正跑起来，看看它到底能赚多少、亏多少。这部分，我们留到下一节细聊。

公众号:蓝海资料掘金营，微信deep3321

📚 课程目录

2、回测框架搭建：Python环境准备、Pandas数据处理、回测引擎核心逻辑

2.1 Python环境准备：别在工具上翻车

2.2 Pandas数据处理：你的数据就是你的命

2.3 回测引擎核心逻辑：让策略动起来

2.4 知识体系一览