第3章回测平台搭建

3、回测平台搭建：使用Python搭建简易回测框架、Backtrader库入门、Zipline库简介

做量化交易，回测平台就是你的实验室。没有它，策略就是空中楼阁。

我刚开始做量化那会儿，踩过不少坑。最惨的一次，用Excel手动回测了一个看起来稳赚的策略，结果实盘第一天就亏了5%。后来才发现，我漏算了滑点和手续费。嗯，从那以后，我再也不敢用手工回测了。

这一章，咱们就聊聊怎么搭建回测平台。我会从最基础的Python框架讲起，再带你入门Backtrader，最后简单介绍Zipline。说白了，就是让你知道：回测到底是怎么跑的，以及用什么工具跑最顺手。

核心观点：回测框架的核心就三件事——数据输入、策略逻辑、绩效输出。搞懂这三样，任何框架你都能快速上手。

3.1 用Python搭建简易回测框架

别一上来就上大框架。我建议你先自己写一个简单的回测引擎。为什么？因为只有亲手写过，你才能真正理解回测的底层逻辑。

一个最简回测框架，其实就三个部分：

数据模块：加载历史K线数据
策略模块：定义买卖信号
执行模块：模拟交易并计算收益

来看个例子。这是我早期项目里用过的简化版代码：

import pandas as pd
import numpy as np

class SimpleBacktest:
    def __init__(self, data, initial_cash=100000):
        self.data = data
        self.cash = initial_cash
        self.position = 0
        self.equity_curve = []
    
    def run(self, strategy_func):
        for i in range(len(self.data)):
            price = self.data['close'].iloc[i]
            signal = strategy_func(self.data.iloc[:i+1])
            
            if signal == 1 and self.cash > 0:
                # 全仓买入
                self.position = self.cash / price
                self.cash = 0
            elif signal == -1 and self.position > 0:
                # 全仓卖出
                self.cash = self.position * price
                self.position = 0
            
            equity = self.cash + self.position * price
            self.equity_curve.append(equity)
        
        return pd.Series(self.equity_curve)

# 一个简单的均线策略
def ma_strategy(data):
    if len(data) < 20:
        return 0
    ma5 = data['close'].tail(5).mean()
    ma20 = data['close'].tail(20).mean()
    if ma5 > ma20:
        return 1  # 买入
    elif ma5 < ma20:
        return -1  # 卖出
    return 0

# 使用示例
data = pd.DataFrame({'close': [100, 102, 101, 105, 108, 107, 110]})
bt = SimpleBacktest(data)
result = bt.run(ma_strategy)
print(result)

你看，核心逻辑就这么几行。遍历每一天的价格，根据策略信号决定买卖，最后算总资产。我在项目中遇到过一个问题：这个框架没有考虑交易成本。实盘时你会发现，手续费和滑点能吃掉你大部分利润。

我的经验：写简易框架时，一定要预留交易成本的接口。哪怕先设成0，也比后面改代码强。我吃过这个亏，改起来真的很痛苦。

3.2 Backtrader库入门

简易框架写完了，你可能会想：有没有现成的、功能更全的库？有，Backtrader就是我最常用的一个。

Backtrader是Python生态里最流行的回测框架之一。它最大的优点是：设计优雅，扩展性强。你想想看，一个框架能让你用几行代码就完成数据加载、策略编写、绩效分析，是不是很爽？

先看个完整的例子：

import backtrader as bt

# 1. 定义策略
class MyStrategy(bt.Strategy):
    def __init__(self):
        self.sma = bt.indicators.SimpleMovingAverage(
            self.data.close, period=15)
    
    def next(self):
        if self.data.close[0] > self.sma[0]:
            self.buy(size=100)
        elif self.data.close[0] < self.sma[0]:
            self.sell(size=100)

# 2. 加载数据
data = bt.feeds.YahooFinanceData(
    dataname='AAPL',
    fromdate=datetime(2020, 1, 1),
    todate=datetime(2023, 12, 31))

# 3. 运行回测
cerebro = bt.Cerebro()
cerebro.addstrategy(MyStrategy)
cerebro.adddata(data)
cerebro.broker.setcash(100000.0)
cerebro.broker.setcommission(commission=0.001)

print('初始资金: %.2f' % cerebro.broker.getvalue())
cerebro.run()
print('最终资金: %.2f' % cerebro.broker.getvalue())

这段代码做了三件事：

定义策略：在next()方法里写买卖逻辑
加载数据：支持Yahoo、CSV等多种数据源
配置回测：设置初始资金、手续费

我个人习惯用Backtrader做策略原型验证。为什么？因为它内置了50多种技术指标，你根本不用自己算。而且它的订单执行引擎很真实，会模拟市价单、限价单、滑点等细节。

注意：Backtrader的next()方法每次只处理一根K线。如果你需要用到多根K线的数据，记得用self.datas[0].close.get(size=5)这种方式获取历史数据。我曾经在这里卡了整整一个下午。

Backtrader还有一个很实用的功能——分析器。你可以轻松得到夏普比率、最大回撤、年化收益等指标：

cerebro.addanalyzer(bt.analyzers.SharpeRatio, _name='sharpe')
cerebro.addanalyzer(bt.analyzers.DrawDown, _name='drawdown')
results = cerebro.run()
strat = results[0]
print('夏普比率:', strat.analyzers.sharpe.get_analysis())
print('最大回撤:', strat.analyzers.drawdown.get_analysis())

你看，几行代码就把绩效分析搞定了。这就是框架的价值。

3.3 Zipline库简介

说完Backtrader，咱们再聊聊Zipline。这个库你可能听说过，它是Quantopian公司开发的，曾经是业界标杆。

Zipline和Backtrader最大的区别在于：Zipline更偏向事件驱动，而且和Alphalens、Pyfolio等库深度集成。如果你做因子分析，Zipline会是更好的选择。

来看个Zipline的简单例子：

from zipline.api import order_target, record, symbol
from zipline import run_algorithm
import pandas as pd

def initialize(context):
    context.asset = symbol('AAPL')

def handle_data(context, data):
    # 获取过去30天的平均价格
    price_history = data.history(
        context.asset, 'price', 30, '1d')
    avg_price = price_history.mean()
    
    current_price = data.current(
        context.asset, 'price')
    
    if current_price > avg_price:
        order_target(context.asset, 100)
    else:
        order_target(context.asset, 0)

# 运行回测
start = pd.Timestamp('2020-01-01', tz='UTC')
end = pd.Timestamp('2023-12-31', tz='UTC')

results = run_algorithm(
    start=start,
    end=end,
    initialize=initialize,
    handle_data=handle_data,
    capital_base=100000,
    data_frequency='daily',
    bundle='yahoo'
)

Zipline的handle_data函数每天被调用一次，你可以在里面写策略逻辑。它的data.history方法可以获取历史数据，data.current获取当前数据。

不过我得提醒你：Zipline的安装比较麻烦。它依赖很多底层库，在Windows上尤其容易出问题。我建议你在Linux或Mac上使用，或者直接用Docker镜像。

我的建议：如果你是新手，先从Backtrader入手。它安装简单，文档齐全，社区活跃。等你把Backtrader玩熟了，再考虑Zipline。毕竟，工具是拿来用的，不是拿来折腾的。

3.4 三个框架的对比

说了这么多，你可能有点晕。到底该选哪个？我整理了一个表格，方便你对比：

特性	简易框架	Backtrader	Zipline
上手难度	低	中	高
安装难度	无	低	高
内置指标	无	50+	20+
订单类型	仅市价单	市价/限价/止损	市价/限价
绩效分析	需自己写	内置分析器	需配合Pyfolio
适合场景	学习原理	策略原型验证	因子研究

你想想看，如果你只是想验证一个简单的均线策略，用Backtrader就够了。但如果你在做多因子模型，需要和Alphalens配合做因子IC分析，那Zipline会更合适。

下面这张图展示了三个框架的核心流程对比，帮你理清思路：

这张图很直观。简易框架就是一条直线，你自己控制每一步。Backtrader和Zipline则提供了更完整的生命周期管理。

避坑指南：不管你用哪个框架，一定要做过拟合检测。我见过太多人在回测里跑出漂亮曲线，实盘却一塌糊涂。记住：回测的目的是发现策略的缺陷，而不是证明它有多完美。

好了，关于回测平台搭建就聊这么多。你可能会问：学了这些够用吗？说实话，够你应付大部分场景了。剩下的，就是在实战中慢慢积累经验了。

公众号:蓝海资料掘金营，微信deep3321

📚 课程目录

3、回测平台搭建：使用Python搭建简易回测框架、Backtrader库入门、Zipline库简介

3.1 用Python搭建简易回测框架

3.2 Backtrader库入门

3.3 Zipline库简介

3.4 三个框架的对比