release: v1.28.0 — 深度风险报告+移动止损+黄金测试（借鉴 akquant）：25 项绩效 / α·β·IR·TE 基准对比 / trail_stop OCO

2026-09-12 15:44:18 +08:00 · 2026-09-02 11:53:53 +08:00
parent 90f2595d3d
commit 0a00ca3f70
14 changed files with 989 additions and 41 deletions
@@ -2,10 +2,16 @@

 本文件记录 easy-tdx 的版本变更。格式遵循 [Keep a Changelog](https://keepachangelog.com/zh-CN/)。

-## [未发布]
+## [1.28.0] — 2026-09-02
+
+**深度风险报告 + 移动止损 + 黄金测试**（借鉴 [akquant](https://github.com/akfamily/akquant)）——把专业量化框架的「报告深度」与「测试 rigor」搬到散户工具上，三通道（CLI / Web API / Web UI）同步输出。同版本收录 Playwright E2E 前端测试基建与 WebSocket 实时推送联动（升级计划 P4-1 / P4-2）。

 ### 新增

+- **绩效指标 19 → 25 项**（`backtest/performance.py`）——新增 Ulcer 指数（回撤深度×持续时间综合，与 S-D 评级「持有体验」定位同频）、95% 日 VaR / CVaR（历史分位数法，尾部风险）、SQN 系统质量数（√N×单笔收益均值/标准差，>2 可用 / >4 优秀 / >6 极佳）、最大连胜 / 最大连亏（散户心理最敏感的数字）。JSON / CSV 输出自动透传；`--table` 增加「深度风险」块；Web UI 绩效表「风险」组 +3 行、「交易」组 +3 行（老结果缺键显示 `-`）。
+- **基准对比从 1 个数升级为 5 个数**（`backtest/benchmark.py`）——`evaluate_strategy` 的 `benchmark` 段在 `excess_return` 之外新增 `alpha`（年化 CAPM α，剔除基准影响后的真实超额）、`beta`（对基准敏感度，1=同涨同跌）、`information_ratio`（年化信息比率）、`tracking_error`（年化跟踪误差）。新公开函数 `compute_benchmark_comparison(strategy_curve, benchmark_curve)`。Web UI 一条龙评估卡新增 4 格对比行（α/信息比率按正负着色，β/跟踪误差中性）；CLI `--evaluate` JSON 自动携带。
+- **移动止损 + 百分比 bracket**（`backtest/engine.py` / `strategy.py`）——`buy()` 新增 akquant `place_bracket` 风格参数：`trail_stop`（自持仓期间最高收盘价回撤 N% 触发；水印在检查后更新 → 只可能次根起触发，与 next_open 语义一致、无前视）、`stop_loss_pct` / `take_profit_pct`（按信号根收盘自动换算绝对价）。止损/止盈/移动止损构成 OCO（任一触发全部失效），触发单 `source="stop"` 延迟下一根成交。
+- **黄金测试（golden tests）**（`tests/unit/test_golden_backtest.py` + `tests/golden/backtest_metrics.json`）——借鉴 akquant 的 golden 机制：19 个内置策略在固定种子（seed=20260902，400 bar）合成数据上的 11 项指标 + 4 个规则场景（固定止损 / 止盈 / 移动止损 / 百分比 bracket）的成交价与时点 + 买入持有基准 + Alpha/Beta/IR/TE，全部锁定为 JSON 基线，容差 rel=abs=1e-6（紧到抓住费率/成交时点级别的逻辑漂移，松到容忍跨平台浮点尾数）。引擎任何撮合/费率/信号逻辑的静默改动都会在此爆出。更新基线：`EASY_TDX_REGEN_GOLDEN=1 python -m pytest tests/unit/test_golden_backtest.py`。**26 例新增**。
 - **Playwright E2E 前端测试基建**（升级计划 P4-1）——web-ui 引入 `@playwright/test`（`e2e/` + `playwright.config.ts`，`npm run test:e2e`）。**mock 方案选后端合成数据而非 page.route 拦截**：`EASY_TDX_E2E_MOCK=1` 时 serve 的 lifespan 把 TDX/MAC 客户端替换为合成数据客户端（`web/e2e_mock.py`，按 (market, code) CRC32 播种的确定性随机游走，分页语义与真实 /bars 一致），回测/WF/一条龙评估/自选/策略库继续走**真实后端代码**（它们本就不依赖行情连接），SSE 由 QuoteStreamer 真轮询合成数据全链路覆盖（mock 模式下轮询降到 2s 一拍，不受交易时段限制）。用例覆盖：看板五大指数区块+SSE 价格渲染、自选增删、回测全流程（净值图/绩效表/成交记录）、「附加分析」开关（WF 逐窗柱状图+一条龙评估卡）、策略库保存；`EASY_TDX_CONFIG_DIR` 指向每轮独立临时目录（断言可写死、不污染真实 `~/.easy_tdx`）。CI frontend job 追加 E2E 步骤；`verify_ci.sh` 补 `--no-frontend` 与前端 typecheck+build+E2E 段。新增 `tests/unit/test_e2e_mock.py`（11 例）守护 mock 与真实客户端的契约。
 - **WebSocket 实时推送联动 EventBus**（升级计划 P4-2）——`/ws/realtime/{symbol}` 从「不推送数据」变为真链路：新增 `web/realtime_hub.py`（RealtimeStreamHub），订阅集合变化时按需启停 `RealtimeDataFeed`（轮询 `get_stock_quotes` → `EventBus` → 每连接独立队列 fan-out，丢最旧保最新）；**无人订阅完全停止轮询**（对齐 QuoteStreamer 节能语义）；去重后标的上限 80；推送帧 `{type:"tick", symbol, market, code, price, volume, ts, open, high, low, pre_close, amount, name}`，30s 空闲 `ping` 心跳，客户端可 `subscribe`/`unsubscribe` 动态增删。端点重写为「单一写者泵」模型（全部出站帧经队列串行，杜绝并发 send 交错）。**前端接入选择只写文档不上组件**：看板/自选实时刷新已由 SSE `/stream/quotes`（全量快照、单连接共享）承担，WS 定位是按需单标的 tick（实时策略信号预留口），双通道同时拉同样行情属冗余——协议 + 自动重连/心跳容忍代码骨架落 `docs/api_reference.md` 与 README（「未联动」警示已撤）。新增 `scripts/ws_smoke.py` 手动冒烟（mock 模式随时可跑，实测可见 tick 帧与动态订阅确认）。环境变量 `EASY_TDX_WS_INTERVAL` 可调轮询间隔。

@@ -17,13 +17,13 @@ easy-tdx 要做的事很简单：**把机构的数据锁砸开，扔到每个普

 **34个技术指标**（MACD、KDJ、RSI、BOLL……连”捉妖大师”和”30日乖离率信号”都给你算好）开箱即用。
 **缠论分析**（笔、中枢、买卖点、背驰）一键出结果——你不再需要手画分型、猜线段。
-**内置回测引擎**——写个策略文件，一行命令跑回测，18 个经典策略自带，多因子组合、策略选股扫描，批量对比哪个最赚钱一目了然。**防过拟合验证链**（v1.25 新增）——Walk-Forward 七窗样本外验证（每窗独立开仓）、训练/验证/测试三段适配性体检（8 项可解释检查 + 「高适配」标记）、0-100 综合评分、多 seed 晋级门槛、买入持有基准对比，回测页勾选即出报告——「回测好」升级为「样本外也好」。
+**内置回测引擎**——写个策略文件，一行命令跑回测，18 个经典策略自带，多因子组合、策略选股扫描，批量对比哪个最赚钱一目了然。**防过拟合验证链**（v1.25 新增）——Walk-Forward 七窗样本外验证（每窗独立开仓）、训练/验证/测试三段适配性体检（8 项可解释检查 + 「高适配」标记）、0-100 综合评分、多 seed 晋级门槛、买入持有基准对比，回测页勾选即出报告——「回测好」升级为「样本外也好」。**深度风险报告**（v1.28 新增）——绩效指标扩到 25 项（新增 Ulcer 指数、95% 日 VaR/CVaR、SQN 系统质量数、最大连胜/连亏）；基准对比从超额收益一个数升级为 α/β/信息比率/跟踪误差四件套（「涨的时候跟不跟得上大盘、跌的时候抗不抗跌」一眼可读）；策略一行带移动止损与百分比止损止盈（`self.buy(trail_stop=0.08)` 涨得越高止损线跟得越高，OCO 任一触发即失效）；引擎行为由黄金测试锁定——19 个内置策略的指标基线进 CI，撮合/费率逻辑任何静默漂移当场爆红。

 **行情终端 Web UI**（v1.23 重大升级）——`easy-tdx serve` 一条命令，浏览器秒变专业看盘终端：**市场看板**（五大指数实时推送 + 迷你分时、涨跌统计、四维情绪雷达、全市场涨跌分布直方图、涨停雷达、行业/概念热冷榜、涨幅/跌幅/成交额/换手四联排行榜、两市异动雷达）、**自选行情**（输入 6 位代码即加，全表 SSE 实时刷新、行内迷你分时）、**个股详情弹窗**（五档盘口 + 1/3/5 日分时 + 带 MA/BOLL/MACD/KDJ/RSI 指标切换的日 K，一键加自选、一键全策略寻优）、**板块下钻**（行业/概念弹窗看板块走势 + 成分股涨跌榜直达个股）。实时推送采用 SSE 单循环轮询 fan-out 架构（盘中 8 秒一拍，无人订阅自动休眠），自选持久化 SQLite。展示层设计对标专业终端（暗色、红涨绿跌、高信息密度），数据全部来自通达信协议直连——不花一分钱。

 <img src="./docs/web-ui-page-4.png" alt="行情终端 Web UI（v1.23）：市场看板 / 自选行情 / 个股与板块详情" />

-**回测可视化 Web UI**（v1.17 新增）——Vue3 + ECharts 单页应用，浏览器里选标的、挑策略、调参数，K 线买卖点、净值回撤、19 项绩效指标一目了然。支持组合回测、参数网格寻优、多策略结果对比，**还能把好策略存进策略库（SQLite 持久化），勾选多个策略做资金分仓组合回测看综合表现**，全程零代码。v1.27 起新增「附加分析」开关：勾选后随回测自动跑 Walk-Forward 逐窗柱状图与一条龙评估报告（评分分项 / 高适配徽标 / 买入持有对比）。
+**回测可视化 Web UI**（v1.17 新增）——Vue3 + ECharts 单页应用，浏览器里选标的、挑策略、调参数，K 线买卖点、净值回撤、25 项绩效指标一目了然。支持组合回测、参数网格寻优、多策略结果对比，**还能把好策略存进策略库（SQLite 持久化），勾选多个策略做资金分仓组合回测看综合表现**，全程零代码。v1.27 起新增「附加分析」开关：勾选后随回测自动跑 Walk-Forward 逐窗柱状图与一条龙评估报告（评分分项 / 高适配徽标 / 买入持有对比）。

 **数据评级系统**（v1.17.14 新增）——回测结果顶部直接显示 **S/A/B/C/D 五档评级徽章**，1 秒判断「这个品种适不适合经常参与」。评级**不看收益率**（避免被近期大涨误导），只看风险调整后的持有体验：卡玛比率、最大回撤、胜率、利润因子、夏普、波动率六维加权 + 一票否决（系统亏损/深回撤/低胜率直接低评）。京东方那种「收益 126% 但胜率 35%、回撤 41%」的案例会评 **D 档**——明确告诉普通人「别碰，套牢后回本极难」。三个入口（单标的/组合/寻优）都有评级，长线低频策略不会被冤枉（交易少时只降权胜率维度，不否决整个评级）。

@@ -508,7 +508,7 @@ Web UI 包含两大模块：
  - **市场看板**：五大指数实时行情（SSE 推送）、全市场涨跌统计（涨/跌/平/涨停/跌停 + 堆叠条）、行业/概念板块热度榜、涨幅榜/跌幅榜、两市异动雷达（加速拉升/封涨停板/大单托盘等），点击个股打开五档盘口 + 分时/日K 对话框；
  - **自选行情**：输入 6 位代码一键加自选（SQLite 持久化），全表实时刷新（SSE），行内迷你分时图，点击行看个股详情；
  - **实时推送架构**：后端单条轮询循环 fan-out 到所有 SSE 连接（交易时段 ~8s 一拍，盘外降频 60s，无人订阅自动休眠），前端指数退避重连。
- **回测工作台（v1.17 起）**——浏览器里选标的、挑策略、调参数，K 线买卖点、净值回撤、19 项绩效指标一目了然。支持组合回测、参数网格寻优、多策略结果对比，还能把好策略存进策略库（SQLite 持久化），勾选多个策略做资金分仓组合回测看综合表现，全程零代码。
+- **回测工作台（v1.17 起）**——浏览器里选标的、挑策略、调参数，K 线买卖点、净值回撤、25 项绩效指标一目了然。支持组合回测、参数网格寻优、多策略结果对比，还能把好策略存进策略库（SQLite 持久化），勾选多个策略做资金分仓组合回测看综合表现，全程零代码。

 **前置条件：**

@@ -549,7 +549,7 @@ EXE 打包方法见 [`docs/packaging.md`](./docs/packaging.md)。
 - **取行情**：选市场（深/沪/北），填 6 位代码，选周期（日线/周线/分钟线），设日期范围（默认最近 3 年），点「取行情」。超过 800 根会自动翻页拼接
 - **选策略**：下拉选 18 个内置策略之一（双均线交叉、MACD、布林带、RSI、KDJ、唐安奇通道、CCI 等），选中后参数表单自动出现，按推荐范围调参
 - **资金与成本**：初始资金、佣金率、滑点、成交模式（默认 next_open 下一根开盘成交）
- 点「开始回测」，右侧依次出：K 线主图（红三角=买入、绿钉=卖出）、净值曲线与回撤双轴图、19 项绩效指标表（总收益/夏普/最大回撤/胜率/盈亏比等）、成交记录明细
+- 点「开始回测」，右侧依次出：K 线主图（红三角=买入、绿钉=卖出）、净值曲线与回撤双轴图、25 项绩效指标表（总收益/夏普/最大回撤/胜率/盈亏比/Ulcer/VaR/SQN 等）、成交记录明细
 - 结果区右上角有「💾 保存策略」按钮，把当前策略 + 标的 + 成绩快照存进策略库，下次直接载入或参与组合回测

 **2. 组合回测**（`/portfolio`）
@@ -575,7 +575,7 @@ EXE 打包方法见 [`docs/packaging.md`](./docs/packaging.md)。
 - 保存你觉得不错的策略，下次直接载入或重跑。数据存在本地 SQLite 单文件（`~/.easy_tdx/strategies.db`，重启不丢）
 - 每张卡片展示策略名、标的、保存时的成绩快照（总收益/夏普/回撤）、标签、备注、创建时间
 - **载入**：点「载入」跳转对应回测页（单标的/组合），自动回填标的、日期、策略参数，可直接重跑
- **多策略组合回测**：勾选多个单标的策略（卡片左上角复选框），点顶部「组合回测(N)」——每个策略各拿 1/N 资金、各跑在它保存时的原标的上（取最新行情），净值曲线按日期对齐求和，看综合表现。结果区展示：组合净值曲线、19 项完整绩效指标（与单标的同口径）、各策略绩效对比表、净值叠加图、各策略当前持仓表（回测结束时谁还套着票）
+- **多策略组合回测**：勾选多个单标的策略（卡片左上角复选框），点顶部「组合回测(N)」——每个策略各拿 1/N 资金、各跑在它保存时的原标的上（取最新行情），净值曲线按日期对齐求和，看综合表现。结果区展示：组合净值曲线、25 项完整绩效指标（与单标的同口径）、各策略绩效对比表、净值叠加图、各策略当前持仓表（回测结束时谁还套着票）

 > ⚠️ **任务不持久化**：回测结果存在后端进程内存，重启 `easy-tdx serve` 后清空。对比页只能选当前运行期间产生的任务。**策略库除外**——保存到策略库的策略持久存在 SQLite，重启不丢。

@@ -4,7 +4,7 @@ build-backend = "hatchling.build"

 [project]
 name = "easy-tdx"
-version = "1.27.2"
+version = "1.28.0"
 description = "通达信 TCP 协议行情数据客户端，支持在线行情、离线数据读取与写入同步"
 readme = "README.md"
 requires-python = ">=3.10"
@@ -15,7 +15,9 @@
      "fitness": {"pass_ratio": 0.875, "high_fitness": true, "checks": [...]},
      "benchmark": {
        "buy_hold": {"total_return": 0.32, ...},
-        "excess_return": 0.18                               # 策略 - 买入持有
+        "excess_return": 0.18,                             # 策略 - 买入持有
+        "alpha": 0.09, "beta": 0.72,                       # v1.28：CAPM 对比
+        "information_ratio": 0.85, "tracking_error": 0.12  # v1.28：主动管理指标
      },
      "config": {...}
    }
@@ -27,8 +29,9 @@

 from __future__ import annotations

-from typing import Any
+from typing import TYPE_CHECKING, Any

+import numpy as np
 import pandas as pd

 from easy_tdx.backtest.engine import BacktestEngine
@@ -39,7 +42,16 @@ from easy_tdx.backtest.strategy import Strategy
 from easy_tdx.backtest.types import to_json_native
 from easy_tdx.backtest.walkforward import WalkForwardEngine

-__all__ = ["evaluate_strategy", "run_buy_hold_benchmark"]
+if TYPE_CHECKING:
+    import numpy.typing as npt
+
+    from easy_tdx.backtest.types import BacktestResult
+
+    NDArray = npt.NDArray[np.float64]
+else:
+    NDArray = np.ndarray
+
+__all__ = ["evaluate_strategy", "run_buy_hold_benchmark", "compute_benchmark_comparison"]


 class _BuyAndHold(Strategy):
@@ -54,6 +66,32 @@ class _BuyAndHold(Strategy):
            self._bought = True


+def _run_buy_hold_result(
+    df: pd.DataFrame,
+    cash: float = 100000.0,
+    commission: float = 0.0003,
+    min_commission: float = 5.0,
+    stamp_tax: float = 0.001,
+    slippage: float = 0.0,
+    execution: str = "next_open",
+    symbol: str | None = None,
+    auto_fees: bool = False,
+) -> BacktestResult:
+    """买入持有基准完整回测（内部用，返回 BacktestResult 以取资金曲线）。"""
+    engine = BacktestEngine(
+        strategy=_BuyAndHold,
+        cash=cash,
+        commission=commission,
+        min_commission=min_commission,
+        stamp_tax=stamp_tax,
+        slippage=slippage,
+        execution=execution,
+        symbol=symbol,
+        auto_fees=auto_fees,
+    )
+    return engine.run(df)
+
+
 def run_buy_hold_benchmark(
    df: pd.DataFrame,
    cash: float = 100000.0,
@@ -66,18 +104,9 @@ def run_buy_hold_benchmark(
    auto_fees: bool = False,
 ) -> dict[str, Any]:
    """买入持有基准回测（与策略回测同区间、同费率、同资金）。"""
-    engine = BacktestEngine(
-        strategy=_BuyAndHold,
-        cash=cash,
-        commission=commission,
-        min_commission=min_commission,
-        stamp_tax=stamp_tax,
-        slippage=slippage,
-        execution=execution,
-        symbol=symbol,
-        auto_fees=auto_fees,
+    result = _run_buy_hold_result(
+        df, cash, commission, min_commission, stamp_tax, slippage, execution, symbol, auto_fees
    )
-    result = engine.run(df)
    keys = (
        "total_return",
        "annual_return",
@@ -89,6 +118,77 @@ def run_buy_hold_benchmark(
    return dict(to_json_native({k: result.performance.get(k, 0.0) for k in keys}))


+def compute_benchmark_comparison(
+    strategy_curve: pd.DataFrame,
+    benchmark_curve: pd.DataFrame,
+    annual_days: int = 252,
+) -> dict[str, float]:
+    """策略 vs 基准的 CAPM / 主动管理对比指标（v1.28 新增）。
+
+    从两条资金曲线的日收益率序列计算：
+
+    - ``beta``: 协方差/基准方差，策略对基准的敏感度（1 = 与基准同涨跌）
+    - ``alpha``: 年化 CAPM α ≈ (策略日均收益 − β×基准日均收益) × 年化天数，
+      简化版（无风险利率并入截距），>0 说明剔除基准影响后仍有超额
+    - ``information_ratio``: 年化信息比率 = mean(策略−基准)/std(策略−基准)×√N，
+      每 1 单位跟踪误差换来多少超额收益
+    - ``tracking_error``: 年化跟踪误差 = std(策略−基准)×√N
+
+    两条曲线按 bar 对齐（截取较短长度）；基准方差为 0（曲线恒定）时
+    beta/alpha 记 0，IR 在差值恒正且无波动时沿用 999 上限约定。
+
+    Args:
+        strategy_curve: 策略资金曲线（含 total 列）
+        benchmark_curve: 基准资金曲线（含 total 列）
+        annual_days: 年化交易日数
+
+    Returns:
+        {alpha, beta, information_ratio, tracking_error}
+    """
+    s_total = strategy_curve["total"].to_numpy(dtype=np.float64)
+    b_total = benchmark_curve["total"].to_numpy(dtype=np.float64)
+    n = min(len(s_total), len(b_total))
+    if n < 3:
+        return {"alpha": 0.0, "beta": 0.0, "information_ratio": 0.0, "tracking_error": 0.0}
+
+    def _daily_ret(total: NDArray) -> NDArray:
+        safe_prev = np.where(total[:-1] != 0, total[:-1], np.nan)
+        ret = np.diff(total) / safe_prev
+        return ret[np.isfinite(ret)]
+
+    s_ret = _daily_ret(s_total[:n])
+    b_ret = _daily_ret(b_total[:n])
+    m = min(len(s_ret), len(b_ret))
+    if m < 2:
+        return {"alpha": 0.0, "beta": 0.0, "information_ratio": 0.0, "tracking_error": 0.0}
+    s_ret, b_ret = s_ret[:m], b_ret[:m]
+
+    b_var = float(np.var(b_ret))
+    if b_var > 1e-18:
+        beta = float(np.cov(s_ret, b_ret)[0, 1] / b_var)
+        alpha = float((np.mean(s_ret) - beta * np.mean(b_ret)) * annual_days)
+    else:
+        beta = 0.0
+        alpha = float(np.mean(s_ret) * annual_days)
+
+    diff = s_ret - b_ret
+    diff_std = float(np.std(diff))
+    if diff_std > 1e-12:
+        information_ratio = float(np.mean(diff) / diff_std * np.sqrt(annual_days))
+    elif np.mean(diff) > 0:
+        information_ratio = 999.0
+    else:
+        information_ratio = 0.0
+    tracking_error = diff_std * np.sqrt(annual_days)
+
+    return {
+        "alpha": alpha,
+        "beta": beta,
+        "information_ratio": information_ratio,
+        "tracking_error": tracking_error,
+    }
+
+
 def evaluate_strategy(
    strategy: type[Strategy] | Strategy,
    df: pd.DataFrame,
@@ -153,8 +253,11 @@ def evaluate_strategy(
    score = score_strategy(perf, wf=wf)
    grade = grade_performance(perf)

-    # 5. 基准对比（买入持有，同区间同费率）
-    bh = run_buy_hold_benchmark(df, **engine_kwargs)
+    # 5. 基准对比（买入持有，同区间同费率）：超额收益 + Alpha/Beta/IR/TE
+    bh_result = _run_buy_hold_result(df, **engine_kwargs)
+    bh_keys = ("total_return", "annual_return", "max_drawdown", "sharpe", "calmar", "volatility")
+    bh = dict(to_json_native({k: bh_result.performance.get(k, 0.0) for k in bh_keys}))
+    comparison = compute_benchmark_comparison(bt.equity_curve, bh_result.equity_curve)

    return {
        "performance": to_json_native(dict(perf)),
@@ -166,6 +269,7 @@ def evaluate_strategy(
            "buy_hold": bh,
            "excess_return": float(perf.get("total_return", 0.0))
            - float(bh.get("total_return", 0.0)),
+            **comparison,
        },
        "config": {
            "symbol": symbol,
@@ -318,6 +318,16 @@ def _print_table(result: Any) -> None:
    click.echo(f"夏普比率: {perf.get('sharpe', 0):.2f}")
    click.echo(f"胜率: {perf.get('win_rate', 0):.2%}")
    click.echo(f"交易次数: {perf.get('total_trades', 0)}")
+    # 深度风险指标（v1.28 新增；老结果缺键时跳过，不输出 0 假值）
+    if perf.get("ulcer_index") is not None:
+        click.echo(f"Ulcer 指数: {perf.get('ulcer_index', 0):.4f}")
+        click.echo(f"日 VaR(95%): {perf.get('var_95', 0):.2%}")
+        click.echo(f"日 CVaR(95%): {perf.get('cvar_95', 0):.2%}")
+        click.echo(f"SQN 系统质量: {perf.get('sqn', 0):.2f}")
+        click.echo(
+            f"最大连胜/连亏: {perf.get('max_consecutive_wins', 0)} / "
+            f"{perf.get('max_consecutive_losses', 0)}"
+        )
    click.echo()

    if getattr(result, "diagnostic", None):
@@ -25,13 +25,32 @@ if TYPE_CHECKING:
 class _StopCondition:
    """Active stop-loss / take-profit condition tied to an open position.

+    三条退出线构成 OCO：任一触发即整体失效（见 ``_check_stop_conditions``）。
+
    Attributes:
        stop_loss: Price below which a SELL is triggered (None = disabled)
        take_profit: Price above which a SELL is triggered (None = disabled)
+        trail_stop: Trailing stop percent (e.g. 0.08 = 8% below the highest
+            close since entry, None = disabled). Fixed ``stop_loss`` wins when
+            both are set.
+        high_watermark: Highest close seen since the BUY (trailing reference).
+            Updated at the END of each bar (after the trigger check), so a
+            trailing stop can only fire from the NEXT bar onward — consistent
+            with next_open execution semantics.
    """

    stop_loss: float | None
    take_profit: float | None
+    trail_stop: float | None = None
+    high_watermark: float = 0.0
+
+    def effective_stop(self) -> float | None:
+        """当前生效的止损价（固定价优先，其次移动止损；均无则 None）。"""
+        if self.stop_loss is not None:
+            return self.stop_loss
+        if self.trail_stop is not None:
+            return self.high_watermark * (1.0 - self.trail_stop)
+        return None


 class BacktestEngine:
@@ -340,10 +359,17 @@ class BacktestEngine:
            # activate on the NEXT bar — consistent with next_open execution)
            for sig in bar_signals:
                if sig.direction == "BUY" and (
-                    sig.stop_loss is not None or sig.take_profit is not None
+                    sig.stop_loss is not None
+                    or sig.take_profit is not None
+                    or sig.trail_stop is not None
                ):
                    active_stops.append(
-                        _StopCondition(stop_loss=sig.stop_loss, take_profit=sig.take_profit)
+                        _StopCondition(
+                            stop_loss=sig.stop_loss,
+                            take_profit=sig.take_profit,
+                            trail_stop=sig.trail_stop,
+                            high_watermark=close_arr[i],
+                        )
                    )

            # Clear conditions when a SELL occurs (strategy or SL/TP triggered)
@@ -370,8 +396,11 @@ class BacktestEngine:
        """Check active SL/TP conditions against current bar's price range.

        If triggered, generates a SELL signal at the trigger price and removes
-        the condition. Stop-loss is checked first (conservative: assume the
-        worst case for the holder).
+        the condition (OCO: all remaining legs of the same condition die too).
+        Stop-loss is checked first (conservative: assume the worst case for
+        the holder). Trailing stops reference the highest close seen through
+        the PREVIOUS bar (watermark is updated after the check), so they can
+        never fire on the same bar that sets a new high.

        Args:
            active_stops: List of active stop conditions
@@ -394,16 +423,22 @@ class BacktestEngine:
            triggered = False
            trigger_price = 0.0

-            # Check stop-loss first (worst case for holder)
-            if cond.stop_loss is not None and bar_low <= cond.stop_loss:
+            # Check stop-loss first (worst case for holder); trailing resolves
+            # to its effective price, fixed stop_loss wins if both set
+            eff_stop = cond.effective_stop()
+            if eff_stop is not None and bar_low <= eff_stop:
                triggered = True
-                trigger_price = cond.stop_loss
+                trigger_price = eff_stop
            # Then check take-profit
            elif cond.take_profit is not None and bar_high >= cond.take_profit:
                triggered = True
                trigger_price = cond.take_profit

-            if triggered:
+            if not triggered:
+                # Trailing watermark update AFTER the check (close-based)
+                cond.high_watermark = max(cond.high_watermark, bar_close)
+                remaining.append(cond)
+            else:
                # Get datetime for this bar
                dt_val = df["datetime"].iloc[bar_index]
                if hasattr(dt_val, "strftime"):
@@ -420,8 +455,6 @@ class BacktestEngine:
                        source="stop",  # 标记为止损/止盈触发，延迟到下一根成交
                    )
                )
-            else:
-                remaining.append(cond)

        active_stops.clear()
        active_stops.extend(remaining)
@@ -22,7 +22,8 @@ else:
 class PerformanceAnalyzer:
    """绩效分析器。

-    从资金曲线和交易记录计算 19 项绩效指标。
+    从资金曲线和交易记录计算 25 项绩效指标（19 项经典指标 + 6 项
+    深度风险指标：Ulcer / VaR / CVaR / SQN / 最大连胜连亏，v1.28 新增）。

    Attributes:
        ANNUAL_DAYS: 年化交易日数（默认 252）
@@ -55,7 +56,7 @@ class PerformanceAnalyzer:
        """计算绩效指标。

        Returns:
-            包含 19 项指标的字典：
+            包含 25 项指标的字典：
            - total_return: 总收益率
            - annual_return: 年化收益率
            - max_drawdown: 最大回撤
@@ -75,6 +76,14 @@ class PerformanceAnalyzer:
            - max_loss: 最大亏损
            - avg_holding_days: 平均持仓天数（FIFO 配对、按 size 加权，日历日口径）
            - volatility: 年化波动率
+            - ulcer_index: Ulcer 指数（回撤深度平方均值的开方，综合反映
+              回撤深度与持续时间，越小持有体验越好）
+            - var_95: 95% 日 VaR（历史分位数法，正数表示单日最大损失幅度）
+            - cvar_95: 95% 日 CVaR / 期望损失（尾部 5% 日收益均值，正数）
+            - sqn: 系统质量数（Van Tharp SQN = √N × 单笔收益率均值/标准差，
+              >2 可用、>4 优秀、>6 极佳的经验分档）
+            - max_consecutive_wins: 最大连胜笔数（按 SELL 成交顺序统计）
+            - max_consecutive_losses: 最大连亏笔数
        """
        # 边界检查
        if len(self._equity_curve) < 2:
@@ -211,6 +220,28 @@ class PerformanceAnalyzer:
        # 19. 年化波动率
        volatility = np.std(daily_ret) * np.sqrt(self.ANNUAL_DAYS)

+        # 20. Ulcer 指数（Martin：√(mean(回撤幅度²))，深度与持续时间加权）
+        ulcer_index = float(np.sqrt(np.mean(drawdown_pct**2)))
+
+        # 21. 95% 日 VaR（历史分位数法；正数表示损失幅度，便于直觉解读）
+        var_95 = float(-np.percentile(daily_ret, 5))
+
+        # 22. 95% 日 CVaR（VaR 之外尾部收益的均值；样本不足时退化为 VaR）
+        tail = daily_ret[daily_ret <= -var_95]
+        cvar_95 = float(-np.mean(tail)) if len(tail) > 0 else var_95
+
+        # 23. SQN 系统质量数（√N × 单笔收益率均值 / 标准差）
+        valid_tr = trade_returns[np.isfinite(trade_returns)]
+        if len(valid_tr) >= 2 and np.std(valid_tr) > 1e-12:
+            sqn = float(np.sqrt(len(valid_tr)) * np.mean(valid_tr) / np.std(valid_tr))
+        else:
+            sqn = 0.0
+
+        # 24/25. 最大连胜/连亏（与 win_rate 同口径：按 SELL 成交顺序）
+        max_consecutive_wins, max_consecutive_losses = self._max_win_lose_streaks(
+            sell_trades["pnl"].to_numpy(dtype=np.float64)
+        )
+
        return {
            "total_return": total_return,
            "annual_return": annual_return,
@@ -231,6 +262,12 @@ class PerformanceAnalyzer:
            "max_loss": max_loss,
            "avg_holding_days": avg_holding_days,
            "volatility": volatility,
+            "ulcer_index": ulcer_index,
+            "var_95": var_95,
+            "cvar_95": cvar_95,
+            "sqn": sqn,
+            "max_consecutive_wins": max_consecutive_wins,
+            "max_consecutive_losses": max_consecutive_losses,
            # 别名键（兼容常见叫法，避免 .get('sharpe_ratio') 等误用返回 0）
            "sharpe_ratio": sharpe,
            "start_cash": float(total[0]),
@@ -371,7 +408,37 @@ class PerformanceAnalyzer:
            "max_loss": 0.0,
            "avg_holding_days": 0.0,
            "volatility": 0.0,
+            "ulcer_index": 0.0,
+            "var_95": 0.0,
+            "cvar_95": 0.0,
+            "sqn": 0.0,
+            "max_consecutive_wins": 0,
+            "max_consecutive_losses": 0,
            "sharpe_ratio": 0.0,
            "start_cash": 0.0,
            "end_value": 0.0,
        }
+
+    @staticmethod
+    def _max_win_lose_streaks(pnl_seq: NDArray) -> tuple[int, int]:
+        """按成交顺序统计最大连胜/连亏笔数。
+
+        pnl > 0 记为胜，pnl <= 0 记为负（与 win_rate 的胜/负口径一致）。
+
+        Args:
+            pnl_seq: SELL 成交的 pnl 序列（时间升序）
+
+        Returns:
+            (最大连胜笔数, 最大连亏笔数)
+        """
+        max_wins = max_losses = cur_wins = cur_losses = 0
+        for pnl in pnl_seq:
+            if pnl > 0:
+                cur_wins += 1
+                cur_losses = 0
+                max_wins = max(max_wins, cur_wins)
+            else:
+                cur_losses += 1
+                cur_wins = 0
+                max_losses = max(max_losses, cur_losses)
+        return int(max_wins), int(max_losses)
@@ -307,20 +307,44 @@ class Strategy(ABC):
        price: float | None = None,
        stop_loss: float | None = None,
        take_profit: float | None = None,
+        trail_stop: float | None = None,
+        stop_loss_pct: float | None = None,
+        take_profit_pct: float | None = None,
    ) -> None:
-        """生成买入信号。
+        """生成买入信号（可携带 bracket 止损/止盈/移动止损，OCO 联动）。
+
+        akquant ``place_bracket`` 风格：进出场一体化，不必再手写止损监控。
+        三条退出线任一触发即全部失效（OCO），由引擎逐 bar 监控并自动
+        生成 SELL（``source="stop"``，延迟到下一根开盘成交，消除前视偏差）。

        Args:
            size: 交易数量（0 = 全仓，由引擎计算）
            price: 限价（None = 市价单）
-            stop_loss: 止损价（None = 不设置）
-            take_profit: 止盈价（None = 不设置）
+            stop_loss: 止损价（绝对价；与 stop_loss_pct 同时给时绝对价优先）
+            take_profit: 止盈价（绝对价；与 take_profit_pct 同时给时绝对价优先）
+            trail_stop: 移动止损百分比（如 0.08 = 自持仓期间最高收盘价
+                回撤 8% 触发）。固定 stop_loss 优先于移动止损。
+            stop_loss_pct: 止损百分比（相对当前收盘价，如 0.05 = 跌 5% 止损）
+            take_profit_pct: 止盈百分比（相对当前收盘价，如 0.10 = 涨 10% 止盈）
+
+        Examples:
+            >>> # 买入并带 5% 止损 / 10% 止盈（自动换算价格）
+            ... self.buy(stop_loss_pct=0.05, take_profit_pct=0.10)
+            >>> # 买入并带 8% 移动止损（涨得越多止损线跟得越高）
+            ... self.buy(trail_stop=0.08)
        """
        if self._data_proxy is None:
            raise RuntimeError("策略未绑定数据，请先调用 _bind_data()")
        if self._datetime_array is None:
            raise RuntimeError("数据未正确初始化")

+        # 百分比便捷参数 → 绝对价（显式绝对价优先）
+        ref_price = price if price is not None else float(self.data.close[0])
+        if stop_loss is None and stop_loss_pct is not None:
+            stop_loss = ref_price * (1.0 - stop_loss_pct)
+        if take_profit is None and take_profit_pct is not None:
+            take_profit = ref_price * (1.0 + take_profit_pct)
+
        signal = Signal(
            datetime=int(self._datetime_array[self._bar_index]),
            direction="BUY",
@@ -328,6 +352,7 @@ class Strategy(ABC):
            price=price,
            stop_loss=stop_loss,
            take_profit=take_profit,
+            trail_stop=trail_stop,
        )
        self._signals.append(signal)

@@ -25,9 +25,14 @@ class Signal:
        price: 限价（None = 市价单）
        stop_loss: 止损价（None = 不设置）
        take_profit: 止盈价（None = 不设置）
+        trail_stop: 移动止损百分比（如 0.08 = 自持仓期间最高收盘价回撤
+            8% 触发，None = 不设置）。与 ``stop_loss`` 同时设置时固定价优先。
        source: 信号来源。"strategy"=策略产生（默认）；
            "stop"=止损/止盈触发。stop 来源的信号不在信号 bar 当根成交，
            而是延迟到下一根开盘（消除用当根 intrabar 触发价成交的前视偏差）。
+
+    ``stop_loss`` / ``take_profit`` / ``trail_stop`` 三者构成 OCO
+    （one-cancels-other）：任一触发即全部失效，由引擎逐 bar 监控。
    """

    datetime: int
@@ -36,6 +41,7 @@ class Signal:
    price: float | None = None
    stop_loss: float | None = None
    take_profit: float | None = None
+    trail_stop: float | None = None
    source: str = "strategy"


@@ -0,0 +1,341 @@
+{
+  "benchmark_comparison": {
+    "alpha": -0.07509968942791662,
+    "beta": 0.52345815483129,
+    "information_ratio": -0.4168372094924506,
+    "tracking_error": 0.1915582998133785
+  },
+  "buy_hold": {
+    "annual_return": -0.02751052343019722,
+    "calmar": -0.10790264140303352,
+    "max_drawdown": 0.2549569044138692,
+    "sharpe": -0.07276274597183686,
+    "total_return": -0.043207472350363485,
+    "volatility": 0.2753412305613209
+  },
+  "meta": {
+    "bars": 400,
+    "cash": 100000.0,
+    "note": "regen: EASY_TDX_REGEN_GOLDEN=1 pytest tests/unit/test_golden_backtest.py",
+    "seed": 20260902,
+    "tolerance": {
+      "abs": 1e-06,
+      "rel": 1e-06
+    }
+  },
+  "rules": {
+    "bracket_pct": {
+      "total_return": 0.06621316999999993,
+      "total_trades": 1,
+      "trades": [
+        [
+          "BUY",
+          10.3,
+          20240102
+        ],
+        [
+          "SELL",
+          11.0,
+          20240105
+        ]
+      ]
+    },
+    "stop_loss": {
+      "total_return": -0.11904648000000007,
+      "total_trades": 1,
+      "trades": [
+        [
+          "BUY",
+          10.2,
+          20240102
+        ],
+        [
+          "SELL",
+          9.0,
+          20240108
+        ]
+      ]
+    },
+    "take_profit": {
+      "total_return": 0.06621316999999993,
+      "total_trades": 1,
+      "trades": [
+        [
+          "BUY",
+          10.3,
+          20240102
+        ],
+        [
+          "SELL",
+          11.0,
+          20240105
+        ]
+      ]
+    },
+    "trailing_stop": {
+      "total_return": 0.027762419999999954,
+      "total_trades": 1,
+      "trades": [
+        [
+          "BUY",
+          10.2,
+          20240102
+        ],
+        [
+          "SELL",
+          10.5,
+          20240112
+        ]
+      ]
+    }
+  },
+  "strategies": {
+    "atr_breakout": {
+      "cvar_95": 0.029816014464276553,
+      "max_consecutive_losses": 2,
+      "max_consecutive_wins": 1,
+      "max_drawdown": 0.2338437267295321,
+      "sharpe": -0.1980068530470557,
+      "sqn": -0.2643143297795612,
+      "total_return": -0.051365472018247815,
+      "total_trades": 5,
+      "ulcer_index": 0.11610199605370222,
+      "var_95": 0.023167064579450905,
+      "win_rate": 0.2
+    },
+    "bbi": {
+      "cvar_95": 0.028403780640227493,
+      "max_consecutive_losses": 11,
+      "max_consecutive_wins": 6,
+      "max_drawdown": 0.17316305538486726,
+      "sharpe": -0.047920869432565044,
+      "sqn": 0.2034947102900509,
+      "total_return": 0.0015367014340572638,
+      "total_trades": 37,
+      "ulcer_index": 0.09154821119005127,
+      "var_95": 0.02185464362709669,
+      "win_rate": 0.43243243243243246
+    },
+    "bias_reversal": {
+      "cvar_95": 0.031800618199536355,
+      "max_consecutive_losses": 4,
+      "max_consecutive_wins": 6,
+      "max_drawdown": 0.28538313496863427,
+      "sharpe": -0.8098413586757496,
+      "sqn": -0.6927111806707453,
+      "total_return": -0.22014868093324402,
+      "total_trades": 45,
+      "ulcer_index": 0.1949515199887598,
+      "var_95": 0.02439437484336824,
+      "win_rate": 0.5111111111111111
+    },
+    "boll_breakout": {
+      "cvar_95": 0.025123143703972416,
+      "max_consecutive_losses": 1,
+      "max_consecutive_wins": 2,
+      "max_drawdown": 0.12529045393048568,
+      "sharpe": -0.08270429911478913,
+      "sqn": 0.984709712259246,
+      "total_return": 0.00949379410277551,
+      "total_trades": 3,
+      "ulcer_index": 0.039203351555811915,
+      "var_95": 0.015350573492733575,
+      "win_rate": 0.6666666666666666
+    },
+    "cci": {
+      "cvar_95": 0.028065506761634905,
+      "max_consecutive_losses": 1,
+      "max_consecutive_wins": 3,
+      "max_drawdown": 0.17514368495494725,
+      "sharpe": -0.4733373193054346,
+      "sqn": -0.33416732892726264,
+      "total_return": -0.1047789450922677,
+      "total_trades": 11,
+      "ulcer_index": 0.0895732932132124,
+      "var_95": 0.019114854583397116,
+      "win_rate": 0.6363636363636364
+    },
+    "dmi": {
+      "cvar_95": 0.029255190955404537,
+      "max_consecutive_losses": 5,
+      "max_consecutive_wins": 3,
+      "max_drawdown": 0.26277279842089457,
+      "sharpe": -0.538224272020581,
+      "sqn": -0.6542541127994779,
+      "total_return": -0.144868582491816,
+      "total_trades": 22,
+      "ulcer_index": 0.14141379126490972,
+      "var_95": 0.022084559354451774,
+      "win_rate": 0.45454545454545453
+    },
+    "donchian": {
+      "cvar_95": -0.0,
+      "max_consecutive_losses": 0,
+      "max_consecutive_wins": 0,
+      "max_drawdown": 0.0,
+      "sharpe": 0.0,
+      "sqn": 0.0,
+      "total_return": 0.0,
+      "total_trades": 0,
+      "ulcer_index": 0.0,
+      "var_95": -0.0,
+      "win_rate": 0.0
+    },
+    "dpo": {
+      "cvar_95": 0.02721297612445824,
+      "max_consecutive_losses": 6,
+      "max_consecutive_wins": 4,
+      "max_drawdown": 0.19787887049273278,
+      "sharpe": 0.08973761311003028,
+      "sqn": 0.4060312738886599,
+      "total_return": 0.04626258446140685,
+      "total_trades": 40,
+      "ulcer_index": 0.09456618993344078,
+      "var_95": 0.019685727992254924,
+      "win_rate": 0.45
+    },
+    "ema_cross": {
+      "cvar_95": 0.030512787117540286,
+      "max_consecutive_losses": 5,
+      "max_consecutive_wins": 1,
+      "max_drawdown": 0.2959272480843976,
+      "sharpe": -0.7875446987996052,
+      "sqn": -1.4136352678571986,
+      "total_return": -0.21673831411102973,
+      "total_trades": 8,
+      "ulcer_index": 0.17424109127336226,
+      "var_95": 0.02416619544856333,
+      "win_rate": 0.125
+    },
+    "emv": {
+      "cvar_95": 0.029127493175167347,
+      "max_consecutive_losses": 6,
+      "max_consecutive_wins": 3,
+      "max_drawdown": 0.3223214933637952,
+      "sharpe": -1.0544258453115651,
+      "sqn": -1.6556723755607416,
+      "total_return": -0.2575566534714613,
+      "total_trades": 28,
+      "ulcer_index": 0.21540763583933592,
+      "var_95": 0.02157076164724241,
+      "win_rate": 0.32142857142857145
+    },
+    "fsl": {
+      "cvar_95": 0.028932815510588083,
+      "max_consecutive_losses": 5,
+      "max_consecutive_wins": 2,
+      "max_drawdown": 0.16041976356729326,
+      "sharpe": -0.12011672214054765,
+      "sqn": -0.07772875586670183,
+      "total_return": -0.026169388111291436,
+      "total_trades": 14,
+      "ulcer_index": 0.08345129720689942,
+      "var_95": 0.022744109351729155,
+      "win_rate": 0.35714285714285715
+    },
+    "kdj_cross": {
+      "cvar_95": 0.027898201822013535,
+      "max_consecutive_losses": 3,
+      "max_consecutive_wins": 6,
+      "max_drawdown": 0.10762922092720545,
+      "sharpe": 0.8589847738542853,
+      "sqn": 1.2700892113941968,
+      "total_return": 0.33234070489431433,
+      "total_trades": 28,
+      "ulcer_index": 0.05288447475839552,
+      "var_95": 0.019645713150630486,
+      "win_rate": 0.5357142857142857
+    },
+    "keltner": {
+      "cvar_95": 0.02977493291904796,
+      "max_consecutive_losses": 2,
+      "max_consecutive_wins": 1,
+      "max_drawdown": 0.22976199965457847,
+      "sharpe": -0.1732213286120034,
+      "sqn": -0.22326773643387887,
+      "total_return": -0.04444609288676726,
+      "total_trades": 4,
+      "ulcer_index": 0.11754644293259853,
+      "var_95": 0.02351295669073764,
+      "win_rate": 0.25
+    },
+    "ma_cross": {
+      "cvar_95": 0.02953584331940908,
+      "max_consecutive_losses": 3,
+      "max_consecutive_wins": 4,
+      "max_drawdown": 0.22131421204998106,
+      "sharpe": -0.4990885286170613,
+      "sqn": -1.0839091744378302,
+      "total_return": -0.1326834663173594,
+      "total_trades": 11,
+      "ulcer_index": 0.11891561252900337,
+      "var_95": 0.022064133071800284,
+      "win_rate": 0.5454545454545454
+    },
+    "macd": {
+      "cvar_95": 0.02839428517023986,
+      "max_consecutive_losses": 6,
+      "max_consecutive_wins": 5,
+      "max_drawdown": 0.18473872916346823,
+      "sharpe": -0.38338812036224335,
+      "sqn": -0.5295484249243184,
+      "total_return": -0.10413146619958658,
+      "total_trades": 17,
+      "ulcer_index": 0.10417476558778298,
+      "var_95": 0.02189769434012649,
+      "win_rate": 0.35294117647058826
+    },
+    "rsi_reversal": {
+      "cvar_95": 0.030776659581515254,
+      "max_consecutive_losses": 1,
+      "max_consecutive_wins": 1,
+      "max_drawdown": 0.23599475582323245,
+      "sharpe": 0.4065196788206701,
+      "sqn": 0.6504806756551088,
+      "total_return": 0.16567827342668773,
+      "total_trades": 2,
+      "ulcer_index": 0.09450845521195947,
+      "var_95": 0.024060510820245292,
+      "win_rate": 0.5
+    },
+    "triple_ma": {
+      "cvar_95": 0.030748053405195853,
+      "max_consecutive_losses": 2,
+      "max_consecutive_wins": 1,
+      "max_drawdown": 0.26736051511671544,
+      "sharpe": -0.2867281890227494,
+      "sqn": -2.2739244432234624,
+      "total_return": -0.07872900419821216,
+      "total_trades": 4,
+      "ulcer_index": 0.13253815816514244,
+      "var_95": 0.023068752460779107,
+      "win_rate": 0.25
+    },
+    "trix": {
+      "cvar_95": 0.027724285540264466,
+      "max_consecutive_losses": 3,
+      "max_consecutive_wins": 4,
+      "max_drawdown": 0.29063024861099856,
+      "sharpe": -0.7642482349371779,
+      "sqn": -0.9463810886485136,
+      "total_return": -0.1947048613134198,
+      "total_trades": 12,
+      "ulcer_index": 0.17538728786286353,
+      "var_95": 0.021929213323307422,
+      "win_rate": 0.5
+    },
+    "wr_reversal": {
+      "cvar_95": -0.0,
+      "max_consecutive_losses": 0,
+      "max_consecutive_wins": 0,
+      "max_drawdown": 0.0,
+      "sharpe": 0.0,
+      "sqn": 0.0,
+      "total_return": 0.0,
+      "total_trades": 0,
+      "ulcer_index": 0.0,
+      "var_95": -0.0,
+      "win_rate": 0.0
+    }
+  }
+}
@@ -0,0 +1,292 @@
+"""黄金测试（golden tests）：回测引擎指标快照回归（v1.28 新增）。
+
+借鉴 akquant 的 golden 测试机制：把「内置策略在固定随机种子合成数据上的
+全部绩效指标」与「交易规则场景（止损/止盈/移动止损/OCO/费率）的成交明细」
+锁定为 JSON 基线（``tests/golden/backtest_metrics.json``），每次引擎改动后
+跑一遍比对——撮合、费率、信号时序任何静默漂移都会在这里爆出来。
+
+生成/更新基线::
+
+    EASY_TDX_REGEN_GOLDEN=1 python -m pytest tests/unit/test_golden_backtest.py
+
+比对容差：rel=1e-6 / abs=1e-6——紧到能抓住费率或成交时点级别的逻辑漂移
+（通常引起 >0.001 的变动），松到容忍跨平台浮点求和顺序的尾数噪声。
+"""
+
+from __future__ import annotations
+
+import json
+import os
+from pathlib import Path
+from typing import Any
+
+import numpy as np
+import pandas as pd
+import pytest
+
+from easy_tdx.backtest.benchmark import (
+    compute_benchmark_comparison,
+    run_buy_hold_benchmark,
+)
+from easy_tdx.backtest.engine import BacktestEngine
+from easy_tdx.backtest.strategies import builtin  # noqa: F401  # 触发注册
+from easy_tdx.backtest.strategies.registry import _REGISTRY
+from easy_tdx.backtest.strategy import Strategy
+
+GOLDEN_PATH = Path(__file__).resolve().parents[1] / "golden" / "backtest_metrics.json"
+REGEN = os.environ.get("EASY_TDX_REGEN_GOLDEN", "") == "1"
+
+# 与基线 meta 一致的固定参数
+SEED = 20260902
+BARS = 400
+CASH = 100000.0
+
+# 内置策略锁定的指标子集（全部为确定性数值；int 与 float 分开比对）
+STRATEGY_METRICS_FLOAT = (
+    "total_return",
+    "max_drawdown",
+    "sharpe",
+    "win_rate",
+    "ulcer_index",
+    "var_95",
+    "cvar_95",
+    "sqn",
+)
+STRATEGY_METRICS_INT = (
+    "total_trades",
+    "max_consecutive_wins",
+    "max_consecutive_losses",
+)
+
+
+def _golden_df() -> pd.DataFrame:
+    """固定种子的合成日线（几何随机游走 + 温和上行漂移）。"""
+    rng = np.random.default_rng(SEED)
+    close = 20.0 * np.exp(np.cumsum(rng.normal(0.0004, 0.018, BARS)))
+    high = close * (1 + np.abs(rng.normal(0, 0.008, BARS)))
+    low = close * (1 - np.abs(rng.normal(0, 0.008, BARS)))
+    open_ = low + (high - low) * rng.uniform(0, 1, BARS)
+    vol = rng.uniform(5e5, 5e6, BARS)
+    return pd.DataFrame(
+        {
+            "datetime": pd.date_range("2023-01-02", periods=BARS, freq="B"),
+            "open": open_,
+            "high": high,
+            "low": low,
+            "close": close,
+            "vol": vol,
+            "amount": close * vol,
+        }
+    )
+
+
+# ── 规则场景策略（手工构造行情路径，锁定触发语义本身） ───────────────────────
+
+
+class _BuyOnce(Strategy):
+    """首根买入（可携带 bracket 参数），不再主动交易；无参数时即买入持有。"""
+
+    def __init__(self, **bracket: Any) -> None:
+        super().__init__()
+        self._bracket: dict[str, Any] = bracket
+        self._bought = False
+
+    def init(self) -> None:
+        pass
+
+    def next(self) -> None:
+        if not self._bought:
+            self.buy(**self._bracket)
+            self._bought = True
+
+
+def _rule_df(closes: list[float]) -> pd.DataFrame:
+    """按收盘价序列构造无随机因素的 OHLC（high/low = close ±1%）。"""
+    arr = np.asarray(closes, dtype=float)
+    n = len(arr)
+    return pd.DataFrame(
+        {
+            "datetime": pd.date_range("2024-01-01", periods=n, freq="B"),
+            "open": arr,
+            "high": arr * 1.01,
+            "low": arr * 0.99,
+            "close": arr,
+            "vol": [1000.0] * n,
+            "amount": arr * 1000,
+        }
+    )
+
+
+def _run_rule(closes: list[float], **bracket: Any) -> dict[str, Any]:
+    """跑规则场景，返回待锁定的摘要（成交明细 + 关键指标）。"""
+    result = BacktestEngine(_BuyOnce(**bracket), cash=CASH).run(_rule_df(closes))
+    trades = [
+        [t.direction, round(float(t.price), 4), int(pd.Timestamp(t.datetime).strftime("%Y%m%d"))]
+        for t in result.trades.itertuples()
+        if not t.rejected
+    ]
+    return {
+        "trades": trades,
+        "total_return": float(result.performance["total_return"]),
+        "total_trades": int(result.performance["total_trades"]),
+    }
+
+
+RULE_SCENARIOS: dict[str, dict[str, Any]] = {
+    # 跌破固定止损 9.5 → 触发 SELL@9.5，延迟下一根成交
+    "stop_loss": {
+        "closes": [10, 10.2, 10.1, 9.8, 9.3, 9.0, 8.8, 8.6, 8.4, 8.2],
+        "bracket": {"stop_loss": 9.5},
+    },
+    # 触及固定止盈 11.0 → OCO 使止损线失效
+    "take_profit": {
+        "closes": [10, 10.3, 10.8, 11.2, 11.5, 11.8, 12.0, 12.2, 12.4, 12.6],
+        "bracket": {"stop_loss": 9.0, "take_profit": 11.0},
+    },
+    # 自最高收盘 12 回撤 8% → 11.04 触发移动止损
+    "trailing_stop": {
+        "closes": [10, 10.2, 10.5, 11, 11.5, 12, 11.9, 11.5, 11.0, 10.5, 10.0, 9.5],
+        "bracket": {"trail_stop": 0.08},
+    },
+    # 百分比 bracket：5% 止损 / 10% 止盈（基准价 = 信号根收盘 10）
+    "bracket_pct": {
+        "closes": [10, 10.3, 10.8, 11.2, 11.5, 11.8, 12.0, 12.2, 12.4, 12.6],
+        "bracket": {"stop_loss_pct": 0.05, "take_profit_pct": 0.10},
+    },
+}
+
+
+def _build_golden() -> dict[str, Any]:
+    """重新计算并返回完整黄金基线。"""
+    df = _golden_df()
+
+    strategies: dict[str, dict[str, Any]] = {}
+    for name in sorted(_REGISTRY.names()):
+        reg = _REGISTRY.get(name)
+        cls = reg.strategy_cls
+        perf = BacktestEngine(cls, cash=CASH).run(df).performance
+        entry: dict[str, Any] = {k: float(perf[k]) for k in STRATEGY_METRICS_FLOAT}
+        entry.update({k: int(perf[k]) for k in STRATEGY_METRICS_INT})
+        strategies[name] = entry
+
+    rules = {
+        key: _run_rule(spec["closes"], **spec["bracket"]) for key, spec in RULE_SCENARIOS.items()
+    }
+
+    # 买入持有基准 + CAPM 对比（用 ma_cross 做策略侧）
+    bh = run_buy_hold_benchmark(df, cash=CASH)
+    ma = _REGISTRY.get("ma_cross").strategy_cls
+    ma_result = BacktestEngine(ma, cash=CASH).run(df)
+    comparison = compute_benchmark_comparison(
+        ma_result.equity_curve,
+        BacktestEngine(_BuyOnce(), cash=CASH).run(df).equity_curve,
+    )
+
+    return {
+        "meta": {
+            "seed": SEED,
+            "bars": BARS,
+            "cash": CASH,
+            "tolerance": {"rel": 1e-6, "abs": 1e-6},
+            "note": "regen: EASY_TDX_REGEN_GOLDEN=1 pytest tests/unit/test_golden_backtest.py",
+        },
+        "strategies": strategies,
+        "rules": rules,
+        "buy_hold": {k: float(v) for k, v in bh.items()},
+        "benchmark_comparison": {k: float(v) for k, v in comparison.items()},
+    }
+
+
+def _load_golden() -> dict[str, Any]:
+    if not GOLDEN_PATH.exists():
+        pytest.fail(
+            f"黄金基线缺失: {GOLDEN_PATH}\n"
+            "首次生成请运行: EASY_TDX_REGEN_GOLDEN=1 python -m pytest "
+            "tests/unit/test_golden_backtest.py"
+        )
+    data = json.loads(GOLDEN_PATH.read_text(encoding="utf-8"))
+    assert isinstance(data, dict)
+    return data
+
+
+def _save_golden(data: dict[str, Any]) -> None:
+    GOLDEN_PATH.parent.mkdir(parents=True, exist_ok=True)
+    GOLDEN_PATH.write_text(
+        json.dumps(data, ensure_ascii=False, indent=2, sort_keys=True) + "\n",
+        encoding="utf-8",
+    )
+
+
+@pytest.fixture(scope="module")
+def golden() -> dict[str, Any]:
+    """加载基线；REGEN=1 时重新计算并写盘后返回。"""
+    if REGEN:
+        data = _build_golden()
+        _save_golden(data)
+        return data
+    return _load_golden()
+
+
+def _assert_metric(actual: Any, expected: Any, label: str) -> None:
+    """int 精确比对；float 按 rel=abs=1e-6 容差比对。"""
+    if isinstance(expected, int) and not isinstance(expected, bool):
+        assert actual == expected, f"{label}: {actual} != {expected}"
+    else:
+        assert float(actual) == pytest.approx(float(expected), rel=1e-6, abs=1e-6), (
+            f"{label}: {actual} != {expected}"
+        )
+
+
+# ── 测试入口 ─────────────────────────────────────────────────────────────────
+
+
+@pytest.mark.parametrize("name", sorted(_REGISTRY.names()))
+def test_golden_builtin_strategies(golden: dict[str, Any], name: str) -> None:
+    """全部内置策略在固定数据上的绩效指标与基线一致。"""
+    perf = BacktestEngine(_REGISTRY.get(name).strategy_cls, cash=CASH).run(_golden_df()).performance
+    baseline = golden["strategies"][name]
+    for key in STRATEGY_METRICS_FLOAT:
+        _assert_metric(perf[key], baseline[key], f"{name}.{key}")
+    for key in STRATEGY_METRICS_INT:
+        _assert_metric(perf[key], baseline[key], f"{name}.{key}")
+
+
+@pytest.mark.parametrize("scenario", sorted(RULE_SCENARIOS))
+def test_golden_rule_scenarios(golden: dict[str, Any], scenario: str) -> None:
+    """止损/止盈/移动止损/OCO 触发语义（成交价与时点）与基线一致。"""
+    spec = RULE_SCENARIOS[scenario]
+    actual = _run_rule(spec["closes"], **spec["bracket"])
+    baseline = golden["rules"][scenario]
+    assert actual["total_trades"] == baseline["total_trades"], scenario
+    assert len(actual["trades"]) == len(baseline["trades"]), f"{scenario}: 成交笔数漂移"
+    for i, (a, b) in enumerate(zip(actual["trades"], baseline["trades"])):
+        assert a[0] == b[0], f"{scenario} 第{i}笔方向漂移: {a} vs {b}"
+        _assert_metric(a[1], b[1], f"{scenario}.trades[{i}].price")
+        assert a[2] == b[2], f"{scenario} 第{i}笔成交日漂移: {a} vs {b}"
+    _assert_metric(actual["total_return"], baseline["total_return"], f"{scenario}.total_return")
+
+
+def test_golden_buy_hold(golden: dict[str, Any]) -> None:
+    """买入持有基准指标与基线一致。"""
+    bh = run_buy_hold_benchmark(_golden_df(), cash=CASH)
+    for key, expected in golden["buy_hold"].items():
+        _assert_metric(bh[key], expected, f"buy_hold.{key}")
+
+
+def test_golden_benchmark_comparison(golden: dict[str, Any]) -> None:
+    """Alpha/Beta/IR/TE 基准对比指标与基线一致。"""
+    df = _golden_df()
+    ma = _REGISTRY.get("ma_cross").strategy_cls
+    strategy_curve = BacktestEngine(ma, cash=CASH).run(df).equity_curve
+    bh_curve = BacktestEngine(_BuyOnce(), cash=CASH).run(df).equity_curve
+    comparison = compute_benchmark_comparison(strategy_curve, bh_curve)
+    for key, expected in golden["benchmark_comparison"].items():
+        _assert_metric(comparison[key], expected, f"benchmark.{key}")
+
+
+def test_golden_meta_frozen(golden: dict[str, Any]) -> None:
+    """基线 meta 与测试常量一致（防止改数据参数后忘记重建基线）。"""
+    meta = golden["meta"]
+    assert meta["seed"] == SEED
+    assert meta["bars"] == BARS
+    assert meta["cash"] == CASH
@@ -32,6 +32,29 @@ const scoreComponents = computed(() => {
 const grade = computed(() => gradePerformance(props.report.performance))

 const excess = computed(() => props.report.benchmark.excess_return)
+
+/** v1.28 CAPM/主动管理指标（老报告缺省时不渲染该行；good=null 为中性不着色） */
+const capm = computed(() => {
+  const b = props.report.benchmark
+  if (b.alpha === undefined || b.beta === undefined) return null
+  return [
+    { label: 'α 年化超额', value: b.alpha, fmt: 'percent', good: (b.alpha ?? 0) >= 0 },
+    { label: 'β 敏感度', value: b.beta, fmt: 'ratio', good: null },
+    {
+      label: '信息比率',
+      value: b.information_ratio ?? 0,
+      fmt: 'ratio',
+      good: (b.information_ratio ?? 0) >= 0,
+    },
+    { label: '跟踪误差', value: b.tracking_error ?? 0, fmt: 'percent', good: null },
+  ]
+})
+
+function fmtCapm(v: number, fmt: string): string {
+  if (!Number.isFinite(v)) return '-'
+  if (fmt === 'percent') return `${v >= 0 ? '+' : ''}${(v * 100).toFixed(2)}%`
+  return v.toFixed(2)
+}
 </script>

 <template>
@@ -88,6 +111,15 @@ const excess = computed(() => props.report.benchmark.excess_return)
        </span>
      </div>
    </div>
+    <!-- v1.28：CAPM / 主动管理对比（α/β/信息比率/跟踪误差） -->
+    <div v-if="capm" class="bench-row bench-row-4">
+      <div v-for="c in capm" :key="c.label" class="bench-cell">
+        <span class="stat-label">{{ c.label }}</span>
+        <span class="mono" :class="c.good === null ? '' : c.good ? 'pos' : 'neg'">
+          {{ fmtCapm(c.value, c.fmt) }}
+        </span>
+      </div>
+    </div>
    <p v-if="excess < 0" class="bench-warn">⚠ 策略跑输同区间买入持有——研发阶段的一票否决信号。</p>

    <!-- 适配性检查（8 项可解释） -->
@@ -201,6 +233,9 @@ const excess = computed(() => props.report.benchmark.excess_return)
  gap: 8px;
  margin-bottom: 6px;
 }
+.bench-row-4 {
+  grid-template-columns: repeat(4, 1fr);
+}
 .bench-cell {
  display: flex;
  flex-direction: column;
@@ -1,5 +1,6 @@
 <script setup lang="ts">
-// 19 项绩效指标表。按金融惯例格式化：比率类→百分比，保留小数。
+// 25 项绩效指标表。按金融惯例格式化：比率类→百分比，保留小数。
+// v1.28 新增深度风险指标（Ulcer/VaR/CVaR/SQN/连胜连亏），老结果缺键时显示 '-'。

 import { computed } from 'vue'

@@ -27,6 +28,9 @@ const METRICS: MetricRow[] = [
  { key: 'max_drawdown', label: '最大回撤', format: 'percent', group: '风险' },
  { key: 'max_dd_duration', label: '回撤持续', format: 'days', group: '风险' },
  { key: 'volatility', label: '波动率', format: 'percent', group: '风险' },
+  { key: 'ulcer_index', label: 'Ulcer 指数', format: 'percent', group: '风险' },
+  { key: 'var_95', label: '日 VaR (95%)', format: 'percent', group: '风险' },
+  { key: 'cvar_95', label: '日 CVaR (95%)', format: 'percent', group: '风险' },
  { key: 'total_trades', label: '总交易数', format: 'int', group: '交易' },
  { key: 'win_trades', label: '盈利次数', format: 'int', group: '交易' },
  { key: 'lose_trades', label: '亏损次数', format: 'int', group: '交易' },
@@ -37,11 +41,14 @@ const METRICS: MetricRow[] = [
  { key: 'max_win', label: '最大盈利', format: 'percent', group: '交易' },
  { key: 'max_loss', label: '最大亏损', format: 'percent', group: '交易' },
  { key: 'avg_holding_days', label: '平均持仓天数', format: 'ratio', group: '交易' },
+  { key: 'sqn', label: 'SQN 系统质量', format: 'ratio', group: '交易' },
+  { key: 'max_consecutive_wins', label: '最大连胜', format: 'int', group: '交易' },
+  { key: 'max_consecutive_losses', label: '最大连亏', format: 'int', group: '交易' },
  { key: 'rejected_trades', label: '拒单数', format: 'int', group: '交易' },
 ]

-function formatVal(row: MetricRow, v: number): string {
-  if (!Number.isFinite(v)) return '-'
+function formatVal(row: MetricRow, v: number | undefined): string {
+  if (v === undefined || v === null || !Number.isFinite(v)) return '-'
  if (row.format === 'percent') return `${(v * 100).toFixed(2)}%`
  if (row.format === 'int') return String(Math.round(v))
  if (row.format === 'days') return `${v.toFixed(0)} 天`
@@ -89,6 +89,19 @@ export interface Performance {
  max_loss: number
  avg_holding_days: number
  volatility: number
+  // v1.28 深度风险指标（老版本保存的结果可能缺省）
+  /** Ulcer 指数：回撤深度平方均值开方，越小持有体验越好 */
+  ulcer_index?: number
+  /** 95% 日 VaR（历史分位数法，正数 = 单日最大损失幅度） */
+  var_95?: number
+  /** 95% 日 CVaR / 期望损失 */
+  cvar_95?: number
+  /** SQN 系统质量数（>2 可用、>4 优秀、>6 极佳） */
+  sqn?: number
+  /** 最大连胜笔数 */
+  max_consecutive_wins?: number
+  /** 最大连亏笔数 */
+  max_consecutive_losses?: number
 }

 export interface EquityPoint {
@@ -603,6 +616,15 @@ export interface EvaluateBenchmarkReport {
  }
  /** 策略总收益 - 买入持有总收益 */
  excess_return: number
+  // v1.28 CAPM / 主动管理对比指标（老版本保存的报告可能缺省）
+  /** 年化 CAPM α：剔除基准影响后的超额收益，>0 仍有真实超额 */
+  alpha?: number
+  /** β：对基准的敏感度（1 = 与基准同涨跌） */
+  beta?: number
+  /** 年化信息比率：每 1 单位跟踪误差换来的超额收益 */
+  information_ratio?: number
+  /** 年化跟踪误差 */
+  tracking_error?: number
 }

 export interface EvaluateReport {