一、回测系统的核心模块

做量化投资，回测系统就是你的实验室。我刚开始做回测时，以为就是拿历史数据跑一遍策略。后来踩了不少坑，才明白一个完整的回测系统，至少需要这几个核心模块。

1.1 数据管理模块

数据是回测的原材料。这个模块负责三件事：

• 数据获取：从交易所、数据商那里拉取行情数据
• 数据清洗：处理缺失值、异常值、复权调整
• 数据存储：用HDF5、Parquet或数据库存起来，方便快速读取

我个人习惯把日线数据存成Parquet格式，读取速度比CSV快10倍不止。嗯，这里要注意：数据对齐是个大坑，不同股票的交易日期可能不一样，必须统一处理。

1.2 策略逻辑模块

这就是你的交易想法。比如「当5日均线上穿20日均线时买入」。这个模块要足够灵活，方便你快速迭代策略。

我一般把策略拆成三个部分：

• 信号生成：根据因子或指标产生买卖信号
• 仓位管理：每次交易多少仓位，要不要加杠杆
• 风控规则：止损、止盈、最大回撤限制

1.3 交易执行模块

信号出来了，怎么模拟成交？这里要考虑：

• 滑点模型：实际成交价和信号价之间的差距
• 手续费：佣金、印花税、过户费
• 流动性限制：大单能不能成交？会不会把价格打飞？

我曾经在回测里忽略滑点，结果实盘时收益直接腰斩。说白了，回测里赚的钱，有一半是理想情况下的幻觉。

1.4 绩效分析模块

跑完回测，你得知道策略到底行不行。这个模块输出：

• 年化收益率、夏普比率、最大回撤
• 胜率、盈亏比、交易次数
• 收益曲线、回撤曲线、月度收益热力图

二、数据流设计

数据在回测系统里怎么流动？我画了一张图，你看完就明白了。

数据从左边进来，经过清洗、存储，然后被策略引擎调用。策略产生信号后，交给交易模拟模块执行，最后输出绩效分析结果。整个流程是单向的，但你可以随时回到策略模块调整参数。

三、事件驱动架构 vs 向量化回测

这是回测系统设计里最核心的抉择。两种方式各有千秋，我分别说说。

3.1 事件驱动架构

说白了，就是模拟真实交易环境。系统按时间顺序处理一个个事件：

• 行情数据到达 → 触发信号计算
• 信号产生 → 触发订单生成
• 订单提交 → 触发成交回报

代码大概长这样：

class EventDrivenBacktest:
    def __init__(self):
        self.events = []
        self.portfolio = Portfolio()
        self.strategy = Strategy()
    
    def run(self, data):
        for bar in data:
            # 处理市场数据事件
            event = MarketEvent(bar)
            self.events.append(event)
            
            # 策略生成信号
            signal = self.strategy.on_bar(bar)
            if signal:
                order_event = OrderEvent(signal)
                self.events.append(order_event)
            
            # 执行订单
            fill_event = self.executor.execute(order_event)
            self.portfolio.update(fill_event)

优点很明显：

• 更贴近真实交易，能处理复杂逻辑
• 支持异步操作，比如同时监控多个品种
• 容易扩展，加个风控模块很方便

缺点也有：

• 速度慢，尤其是回测几千只股票时
• 代码复杂度高，调试起来头疼

3.2 向量化回测

这种方式就暴力多了。一次性把整个历史数据算完，用矩阵运算代替循环。

import pandas as pd
import numpy as np

def vectorized_backtest(price_data, signals):
    # 一次性计算所有信号
    positions = signals.shift(1)  # 第二天才执行
    
    # 计算每日收益率
    returns = price_data.pct_change()
    strategy_returns = positions * returns
    
    # 累计收益
    cumulative = (1 + strategy_returns).cumprod()
    return cumulative

你想想看，用向量化方式回测沪深300所有成分股，可能几秒钟就跑完了。而事件驱动可能要跑几分钟。

但向量化也有硬伤：

• 无法处理条件逻辑，比如「如果今天涨停，明天不买」
• 不能模拟订单簿、滑点等微观结构
• 对高频策略基本不适用

3.3 怎么选？

对比维度	事件驱动	向量化
执行速度	慢	快
代码复杂度	高	低
真实度	高	低
适用场景	复杂策略、高频	因子研究、低频
扩展性	好	差

四、我的建议

如果你刚开始做回测系统，我建议这样：

1. 先用向量化快速验证想法。写个几十行的脚本，看看因子有没有预测能力。
2. 想法成熟了，再上事件驱动。加入滑点、手续费、流动性限制，看看策略在真实环境下的表现。
3. 两个系统并存。向量化做研究，事件驱动做验证。我自己的系统就是双引擎架构。

其实说白了，没有完美的架构，只有适合你的架构。关键是要理解每种方式的优缺点，然后根据你的策略类型和开发阶段来选。