研究方法回测引擎

第 2 章

回测引擎

我们的回测引擎由团队自主研发，采用事件驱动架构。引擎完全按照现实中的情形模拟交易决策——每次只处理一根 K 线，绝不使用未来的信息。

1. 事件驱动架构

引擎的核心设计原则是：策略只能看到当前 K 线及更早的数据，永远无法看到未来的 K 线。这是由系统架构强制保证的，而不是仅靠制度约束。策略代码在物理层面上不可能读取前瞻数据。

处理循环（每根 K 线）

数据输入

OHLCV K 线到达

指标引擎

重新计算指标

策略逻辑

评估入场/出场规则

订单生成

创建待处理订单

订单执行

按下一根 K 线开盘价成交

组合更新

盈亏、权益曲线

顺序处理

每根 K 线按时间顺序逐一处理。引擎设有严格的游标——可以读取第 T 根及之前的所有 K 线，但第 T+1 根此时尚不存在。

结果可复现

只要数据文件和策略参数相同，引擎每次都会得出完全一致的结果。没有随机性，各次运行之间也没有浮点数误差。

多资产支持

引擎可以同时对多个标的运行策略，遵守投资组合层面的资金约束，并考虑跨资产相关性。

2. 信号生成

交易信号是通过将指标函数应用于价格序列而生成的。第 T 根 K 线的所有指标值，仅使用该时点可获得的数据计算，即从第 0 根到第 T 根（含）的价格。信号随后在第 T+1 根 K 线的开盘价执行。

# 简化的伪代码——说明如何禁止前瞻
for T in range(warmup_period, len(bars)):
    current_bar = bars[T]          # 只能看到这根 K 线的 OHLCV
    history     = bars[:T+1]       # 截至并包括 T 的所有 K 线

    # 指标仅基于 [0..T] 计算——无法访问未来的 K 线
    sma_fast = mean(history.close[-20:])
    sma_slow = mean(history.close[-50:])
    rsi      = rsi_func(history.close, period=14)

    # 信号出现在第 T 根 → 在第 T+1 根开盘时执行（下一次函数调用）
    if sma_fast > sma_slow and rsi < 70:
        queue_order(side='BUY', qty=position_size(), exec_bar=T+1)
            

支持的指标类型

▸ 移动平均线（SMA、EMA、WMA、DEMA、TEMA、KAMA）
▸ 动量指标（RSI、MACD、Stochastic、CCI、ROC）
▸ 波动率指标（ATR、Bollinger Bands、Keltner Channels、HV）
▸ 成交量指标（OBV、CMF、VWAP、Volume Profile）
▸ 趋势指标（ADX、Parabolic SAR、Ichimoku Cloud）
▸ 震荡指标（Williams %R、Ultimate Oscillator、MFI）
▸ 统计指标（Z-score、线性回归斜率、相关系数）
▸ 自定义复合指标（因策略而异）

信号类型

▸ 做多入场/做空入场
▸ 做多出场/做空出场（明确指定）
▸ 止损触发（按价格或 ATR 倍数）
▸ 止盈触发（固定目标或追踪式）
▸ 加仓/减仓（金字塔式入场）
▸ 按时间出场（固定持仓期）
▸ 市场状态过滤（市场环境闸门）
▸ 按风险出场（组合回撤阈值）

3. 成交模型

成交模型决定订单如何成交。我们有意采用保守假设，使结果略低于真实表现。与其失望，不如有意外之喜。

成交参数

成交价

下一根 K 线开盘价（T+1 开盘）避免不现实的同一根 K 线成交

滑点

每笔交易 0.05%（默认）对流动性充足的股票作保守估计

佣金——香港

往返 0.10% 香港零售券商的一般费率

佣金——美国

往返 0.05% 美国券商的一般费率

佣金——日本/欧洲

往返 0.15% 反映当地较高的成本

最小交易单位

按各交易所规则执行不可买卖零股

卖空

历史上允许卖空时方可进行适用交易所的价格上升规则

融券成本

年化 0.5%–5%（视策略而定）适用于卖空仓位

为何采用下一根 K 线开盘价？

大多数零售回测工具允许在产生信号的同一根 K 线上成交——这在现实中是不可能的。如果均线交叉发生在第 T 根 K 线收盘时，你无法按第 T 根的收盘价交易，因为信号要到该 K 线收盘后才能得知。

我们的规则： 信号在第 T 根 K 线收盘时出现 → 订单排队 → 在第 T+1 根 K 线开盘时成交。这是现实中最早可以执行的时间。

我们绝不会做的事： 按第 T 根 K 线的收盘价、最高价或最低价成交。这些价格要到 K 线收盘后才能得知——实时交易中无法按这些价格成交。

4. 仓位规模模型

仓位规模决定每笔交易分配多少资金。报告所采用的仓位模型始终在报告开头披露。不同策略会根据自身的风险特征采用不同的模型。

固定比例（占权益百分比）

最常见

最广泛使用的模型。每笔交易承担的风险为当前账户权益的固定百分比。账户增长时，仓位按比例增大；账户缩水时，仓位随之缩小。

# 公式
仓位规模 = 账户权益 × 风险% ÷ (入场价 – 止损价)

# 示例
账户：HK$100,000 | 风险：2% | 入场：HK$10 | 止损：HK$9 → 数量 = HK$2,000 ÷ HK$1 = 2,000 股

固定金额

简单策略

无论账户大小，每笔交易分配固定金额。易于理解，但无法随账户增长而调整。

# 公式
仓位规模 = 固定金额 ÷ 入场价

# 示例
固定：HK$10,000 | 入场：HK$10 → 数量 = 1,000 股

波动率调整（基于 ATR）

趋势策略

仓位规模与标的近期波动率成反比调整，波动率以平均真实波幅（ATR）衡量。波动较大的标的仓位较小，波动较小的标的仓位较大。

# 公式
仓位规模 = (账户权益 × 风险%) ÷ (ATR(14) × ATR 倍数)

# 示例
账户：HK$100,000 | 风险：2% | ATR：HK$0.50 | 倍数：2 → 数量 = HK$2,000 ÷ HK$1 = 2,000 股

凯利公式（半凯利）

进阶用法

凯利公式根据策略的历史胜率和风险回报比，以长期增长最大化为目标。我们采用半凯利（公式结果的 50%）以降低波动。

# 公式
f* = (W × R – (1–W)) ÷ R → 半凯利 = f* ÷ 2

# 示例
胜率：55% | 风险回报比：2:1 → f* = (0.55×2 – 0.45)/2 = 32.5% → 半凯利 = 权益的 16.25%

5. 投资组合层面的模拟

当策略同时交易多个标的时，引擎会执行投资组合层面的约束，避免出现可以同时持有无限数量交易的不现实情形。

资金分配

每个未平仓仓位都会占用资金。引擎会跟踪已投入的总资金，若剩余现金低于最小仓位规模，便会拒绝新的入场。除非策略明确指定，否则不使用杠杆。

最大持仓数量

每个策略都会规定可同时持有的最大仓位数量。达到上限后，新的入场信号会排队等候，待现有仓位平仓后再成交。这可以避免过度分散。

组合回撤止损

如果整体组合回撤超过可配置的阈值（默认：25%），所有仓位将被平仓，并在冷静期内暂停新的入场。这模拟了风险管理的纪律。

再平衡与偏离

对于多资产策略，引擎会定期将仓位权重调整回目标配置。再平衡频率和容差区间可按策略分别配置。

6. 支持的时间周期

引擎支持多种数据分辨率。策略适用的时间周期取决于其持仓期和信号频率。

时间周期	典型持仓期	策略类型	适用范围
日线（收盘）	5 天 – 12 个月	波段交易、持仓交易	所有市场
周线	1–6 个月	趋势跟踪、长线	所有市场
月线	3–24 个月	宏观策略、因子模型	所有市场
4 小时	1–5 天	短线波段	香港、美国（通过聚合）
1 小时	4–48 小时	日内波段	仅限香港、美国
15 分钟	1–8 小时	日内交易	仅限香港、美国
5 分钟	30 分钟 – 4 小时	超短线策略	仅限美国（历史数据有限）

第 1 章：数据来源第 3 章：偏差控制