4、回测框架搭建：事件驱动回测引擎设计、仓位管理模块、手续费与滑点模型、绩效评估指标体系

好，咱们直接进入正题。回测框架这东西，说白了就是你的策略实验室。没有它，你所有的想法都只是纸上谈兵。我个人习惯把回测框架拆成四个核心模块来搞：引擎、仓位、成本、评估。一个一个来。

4.1 事件驱动回测引擎设计

为什么用事件驱动？而不是简单的向量化回测？

向量化回测快，但太理想化了。它假设你可以在任意时刻以任意价格成交。现实吗？不现实。事件驱动回测模拟的是真实交易流程：行情来了 -> 处理信号 -> 下单 -> 成交确认 -> 更新持仓。每一步都有时间戳，有顺序。

我设计引擎的核心是一个事件队列。所有东西都是事件：Bar数据、成交回报、订单状态变更。引擎主循环就是不断从队列里取事件，然后分发给对应的处理器。

class EventEngine:
    def __init__(self):
        self.queue = deque()
        self.handlers = {}
    
    def register_handler(self, event_type, handler):
        self.handlers[event_type] = handler
    
    def run(self):
        while self.queue:
            event = self.queue.popleft()
            handler = self.handlers.get(event.type)
            if handler:
                handler(event)

嗯，这里要注意。事件队列的优先级很重要。比如成交回报的优先级应该高于新的行情数据，否则会出现用旧持仓计算新信号的逻辑错误。我在项目中遇到过这个问题，当时回测结果异常漂亮，实盘却一塌糊涂。查了两天才发现是事件顺序搞反了。

4.2 仓位管理模块

仓位管理，说白了就是每次开多少仓的问题。别小看这个，它直接决定了你的风险暴露。

我一般把仓位管理分成两类：

• 固定比例：每次开仓用总资金的固定百分比。比如永远只用10%的资金开仓。
• 动态调整：根据当前波动率或账户净值动态调整。比如波动率大了就减仓，净值回撤了就降杠杆。

我个人更倾向于动态调整。为什么？因为市场环境在变，固定比例太死板了。

举个例子，你设定每次开仓10%。当账户从100万亏到50万时，你还在开10%？那风险敞口其实变大了。动态调整会根据当前净值重新计算，更合理。

class PositionManager:
    def __init__(self, initial_capital, risk_per_trade=0.02):
        self.capital = initial_capital
        self.risk_per_trade = risk_per_trade
    
    def calculate_position_size(self, entry_price, stop_loss_price):
        risk_amount = self.capital * self.risk_per_trade
        risk_per_share = entry_price - stop_loss_price
        if risk_per_share <= 0:
            return 0
        return int(risk_amount / risk_per_share)

上面这个例子用的是风险百分比法。每次亏损不超过总资金的2%。你想想看，连续亏10次，也就亏了20%，还有翻身的机会。如果每次满仓干，亏两次就没了。

4.3 手续费与滑点模型

这个模块最容易被忽略，但恰恰是区分回测和实盘的关键。

手续费：包括佣金、印花税、过户费等。不同市场、不同券商都不一样。我建议直接按实际费率写死，别偷懒用估算值。

滑点：这个更复杂。滑点就是你下单的价格和实际成交价格之间的差异。流动性好的股票滑点小，小盘股滑点大。

我曾经犯过一个错误：回测时设了固定滑点1个tick，结果实盘时遇到极端行情，滑点直接到了5个tick。那一个月白干。

所以我现在用动态滑点模型：

市场状态	滑点设置
正常行情	1个tick
高波动行情（波动率>95%分位）	3个tick
开盘/收盘前5分钟	2个tick

class SlippageModel:
    def __init__(self, base_slippage=0.0001):
        self.base_slippage = base_slippage
    
    def get_slippage(self, volatility, volume):
        # 波动率越高，滑点越大
        # 成交量越小，滑点越大
        slippage = self.base_slippage * (1 + volatility * 10)
        slippage *= (1 + 1 / (volume + 1))
        return slippage

4.4 绩效评估指标体系

回测跑完了，怎么评价策略好不好？光看收益率太片面了。我一般看这几个指标：

• 年化收益率：把总收益换算成年化。注意复利和单利的区别。
• 最大回撤：从最高点到最低点的最大跌幅。这个指标比收益率更重要。回撤超过30%的策略，一般人拿不住。
• 夏普比率：超额收益除以波动率。说白了就是每承担一单位风险能获得多少超额回报。大于1算及格，大于2算优秀。
• 胜率与盈亏比：胜率高不一定赚钱，盈亏比高也不一定。两者要结合看。我见过胜率只有30%但盈亏比5:1的策略，长期下来收益惊人。
• 卡玛比率：年化收益除以最大回撤。这个指标比夏普更直观，直接告诉你每亏一块钱能赚多少钱。

最后，绩效评估一定要做样本外测试。把数据分成训练集和测试集，训练集上优化参数，测试集上验证效果。如果测试集上的表现远差于训练集，说明策略过拟合了。嗯，这个坑我踩过不止一次。

好了，回测框架的四个核心模块就这些。记住，框架是工具，不是目的。别在框架上花太多时间，把精力放在策略本身。但框架也不能太简陋，否则回测结果会误导你。