从0实现Python股票量化:(五) 策略回测

这篇聊一聊量化策略回测。

回测到底在测什么？

回测的核心目的是回答三个问题：这个策略过去能不能赚钱？赚的钱背后扛了多少风险？如果遇到极端行情，最大会亏多少？ 这三个问题分别对应年化收益、夏普比率和最大回撤。任何一个指标单独好看都没有意义——高收益往往伴随高风险，低回撤也可能是因为收益太平淡。只有把这三个数字放在一起看，才能判断一个策略是不是真的值得信任。

更关键的是，回测要尽可能模拟真实交易环境。滑点、手续费、停牌、涨跌停限制、限价单成交不了……这些细节如果不在回测里考虑进去，跑出来的曲线再漂亮，一上实盘也大概率会变形。

国内主流的回测框架，各有什么特点？

聚宽：云端开箱即用

聚宽应该是国内用户量最大的量化平台之一。它的最大优势是省心：不需要安装任何软件，打开网页就能写策略，数据、因子、回测引擎都给你准备好了。对于刚入门的新手，或者想快速验证一个初步想法，聚宽是非常高效的起点。

Backtrader：本地运行的经典选择

Backtrader是Python开源社区里用得最广的回测框架之一。它采用事件驱动架构，每一个K线都会触发决策回调，能够比较真实地模拟实盘的时间推进。内置了大量技术指标，很多常见的策略逻辑可以直接调用现成函数。

它的优势在于本地化运行，数据安全，调试方便，而且社区积累了大量的示例代码和文档，遇到问题基本都能搜到解决方案。

QMT和PTrade：券商自带的量化终端

QMT和PTrade是券商提供给客户的量化交易终端，跟前面几个开源工具性质完全不同——它们直接对接券商的交易通道。

PTrade主打轻量和快捷，提供了可视化的策略编辑器，预设了不少策略模板，对普通投资者非常友好。QMT在回测引擎的精细度上做得更好，对滑点和冲击成本的模拟更贴近实盘。

选择这两者的关键在于你使用的券商是否支持。如果恰好有权限，那它们是从回测到实盘距离最短的路径。

回测指标到底怎么看？

框架选好了，策略跑完了，系统会输出一堆指标。很多人只看年化收益，觉得收益率高就是好策略，这是最大的误区。

年化收益率代表策略的绝对赚钱能力。但单独看它没有意义，因为收益越高通常意味着风险越大。

最大回撤是最直观的风险指标，它告诉你策略在历史上最糟糕的时候亏了多少。一个策略年化收益再高，如果回撤很大，实盘中你很可能在最低点扛不住而止损离场，最终根本赚不到那个理论收益。

夏普比率是最常用的综合指标，它衡量的是承担单位风险能获得多少超额收益。夏普越高，说明策略在收益和风险之间平衡得越好。两个策略年化收益相同，但夏普高的那个显然更值得信赖。

年化波动率反映收益的稳定性，波动率越低，净值曲线越平滑。胜率则是赚钱交易的占比，但胜率高不代表策略好，关键要看盈亏比——如果赚的时候赚一点，亏的时候亏很多，胜率再高也没用。

到底该选哪一个？

没有完美的框架，只有最适合你当前阶段的工具。

如果你是刚开始接触量化，只是想跑通一个简单的策略逻辑，聚宽是最友好的起点。如果你希望深度研究、精细调试，并且在意数据隐私，Backtrader在本地运行是不错的选择。如果你已经开了支持量化终端的券商账户，QMT或PTrade则是从回测到实盘最直接的通道。  

说到底，回测框架只是一个工具。策略能不能赚钱，最终取决于你对市场的理解、对风险的敬畏，以及在最困难的时候还能不能坚持执行自己的规则。工具可以换，但认知和纪律，谁也替不了你。

如对AI量化感兴趣，可加我wx。  shiyang170808。