# Backtest Engine Design — easy-tdx **Date:** 2026-06-09 **Status:** Approved **Module:** `easy_tdx.backtest` **Priority:** P0 — 量化工具链全栈的第一块拼图 --- ## 1. 目标 为 easy-tdx 新增自建回测引擎模块，让用户能基于 easy-tdx 获取的 K 线数据执行策略回测、查看绩效报告。 ### 核心约束 - 纯计算模块，与 `chanlun` 同级，零网络依赖 - 仅依赖 `pandas`/`numpy`（项目已有），不引入第三方回测库 - 接收 easy-tdx 标准 DataFrame（`datetime, open, close, high, low, vol, amount`） - 双模式策略定义：Python 类继承 + DSL 公式语法 - v1 只实现向量化执行路径（日级策略），架构预留事件驱动扩展点 --- ## 2. 架构 ### 2.1 文件结构 ``` src/easy_tdx/backtest/ ├── __init__.py # 公开 API 导出 ├── strategy.py # Strategy 基类 + StrategyDataProxy + IndicatorProvider ├── dsl.py # DSL 解析器 + @dsl_strategy 装饰器 + 字符串 DSL 编译 ├── engine.py # BacktestEngine（向量化执行路径） ├── orders.py # OrderSimulator（撮合规则） ├── portfolio.py # PortfolioTracker（持仓/资金曲线） ├── performance.py # PerformanceAnalyzer（绩效指标计算） ├── types.py # Trade / Position / Signal / BacktestResult 数据类 └── cli.py # CLI 集成（easy-tdx backtest ...） ``` ### 2.2 模块交互流 ``` easy_tdx MacClient.get_stock_kline() → DataFrame │ ▼ BacktestEngine(strategy, cash=100000) │ ┌───────────┼───────────┐ ▼ ▼ ▼ Strategy DSL Parser OrderSimulator (Python类) (公式语法) (撮合规则) │ │ │ └─────┬─────┘ │ ▼ │ Signal (bool mask) │ │ │ ▼ ▼ PortfolioTracker ←────┘ │ ▼ PerformanceAnalyzer │ ▼ BacktestResult (绩效指标 + 资金曲线 + 交易记录) ``` --- ## 3. 核心数据类型 ### 3.1 Signal ```python @dataclass class Signal: datetime: int direction: Literal["BUY", "SELL"] size: float # 0 = 全仓/清仓 price: float | None # None = 市价 stop_loss: float | None take_profit: float | None ``` ### 3.2 Trade ```python @dataclass class Trade: datetime: int direction: Literal["BUY", "SELL"] size: float price: float commission: float slippage: float pnl: float # 仅平仓时计算 ``` ### 3.3 Position ```python @dataclass class Position: datetime: int size: float # 正=多头，负=空头，0=空仓 avg_price: float market_value: float unrealized_pnl: float ``` ### 3.4 BacktestResult ```python @dataclass class BacktestResult: performance: dict[str, float] equity_curve: pd.DataFrame # datetime, cash, position_value, total, drawdown, drawdown_pct trades: pd.DataFrame # datetime, direction, size, price, commission, pnl positions: pd.DataFrame # datetime, size, avg_price, market_value, unrealized_pnl config: dict ``` 方法： - `to_json() → str` - `to_dict() → dict` - `summary() → None`（打印概要） --- ## 4. Strategy 基类 ### 4.1 接口定义 ```python class Strategy(ABC): def init(self) -> None: """注册指标。策略初始化时调用一次。""" pass def next(self) -> None: """每根 K 线调用。在此生成买卖信号。""" pass def I(self, func: Callable, *args, **kwargs) -> np.ndarray: """注册指标函数。init() 后一次性计算，返回完整数组。""" ... def buy(self, size: float = 0, price: float | None = None, stop_loss: float | None = None, take_profit: float | None = None) -> None: """买入。size=0 全仓。""" ... def sell(self, size: float = 0, price: float | None = None, stop_loss: float | None = None, take_profit: float | None = None) -> None: """卖出。size=0 清仓。""" ... @property def data(self) -> StrategyDataProxy: ... @property def position(self) -> Position: ... ``` ### 4.2 StrategyDataProxy ```python class StrategyDataProxy: """K 线数据代理。支持 .close[0]（当前）、.close[-1]（前一根）。""" @property def open(self) -> _SeriesAccessor: ... @property def close(self) -> _SeriesAccessor: ... @property def high(self) -> _SeriesAccessor: ... @property def low(self) -> _SeriesAccessor: ... @property def vol(self) -> _SeriesAccessor: ... @property def amount(self) -> _SeriesAccessor: ... class _SeriesAccessor: """[0] 当前值、[-1] 前一根、切片。""" def __getitem__(self, key: int) -> float: ... def __len__(self) -> int: ... ``` ### 4.3 Python 类策略示例 ```python class MACrossStrategy(Strategy): def init(self): self.ma5 = self.I(MA, self.data.close, 5) self.ma20 = self.I(MA, self.data.close, 20) def next(self): if crossover(self.ma5, self.ma20): self.buy(size=100) elif crossover(self.ma20, self.ma5): self.sell(size=100) engine = BacktestEngine(strategy=MACrossStrategy, cash=100000) result = engine.run(df) ``` --- ## 5. DSL 策略定义 ### 5.1 设计边界 | 能做 | 不做 | |------|------| | 指标交叉、比较、逻辑组合 | 循环、变量赋值、函数定义 | | 内置常用函数（CROSS, ABOVE, BELOW, BETWEEN） | 自定义控制流 | | 参数化（可调窗口期） | 图灵完备 | 超出 DSL 能力的——直接用 Python 类。 ### 5.2 两种 DSL 模式 **Python 装饰器模式**： ```python from easy_tdx.backtest import dsl_strategy @dsl_strategy def dual_ma(df): buy = CROSS(MA(df.close, 5), MA(df.close, 20)) sell = CROSS(MA(df.close, 20), MA(df.close, 5)) return buy, sell ``` **字符串模式**（CLI 用）： ```bash easy-tdx backtest SH 600519 --strategy "CROSS(MA(5),MA(20))" --cash 100000 --table ``` ### 5.3 内置 DSL 函数 复用 `MyTT.py` 已有实现： | 函数 | 签名 | 含义 | |------|------|------| | `MA(series, n)` | `(ndarray, int) → ndarray` | 简单移动平均 | | `EMA(series, n)` | `(ndarray, int) → ndarray` | 指数移动平均 | | `RSI(series, n)` | `(ndarray, int) → ndarray` | 相对强弱 | | `BOLL(series, n, k)` | `(ndarray, int, float) → tuple` | 布林带 | | `MACD(series, fast, slow, signal)` | `(ndarray, ...) → tuple` | MACD | | `CROSS(a, b)` | `(ndarray, ndarray) → ndarray[bool]` | 上穿检测 | | `REF(series, n)` | `(ndarray, int) → ndarray` | 前 n 期值 | | `HHV(series, n)` | `(ndarray, int) → ndarray` | n 期最高 | | `LLV(series, n)` | `(ndarray, int) → ndarray` | n 期最低 | | `BETWEEN(x, a, b)` | `(ndarray, ...) → ndarray[bool]` | 区间判断 | | `COUNT(cond, n)` | `(ndarray[bool], int) → ndarray` | n 期满足条件次数 | ### 5.4 DSL 编译器 `DSLCompiler.compile(func)` 流程： 1. 调用 `func(mock_df)` 捕获 DSL 函数调用 2. 记录 `(buy_mask, sell_mask)` 信号生成规则 3. 动态生成 Strategy 子类 引擎侧优化：DSL 策略不逐 Bar 调用 `next()`，直接用 bool mask 一次性生成全部 Signal。 --- ## 6. 引擎执行流 ### 6.1 BacktestEngine 构造参数 ```python class BacktestEngine: def __init__( self, strategy: type[Strategy] | Strategy, 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", # "next_open" | "next_close" | "this_close" | "worst" | "best" position_mode: str = "full", # "full" | "fixed" | "percent" | "signal_only" benchmark: pd.DataFrame | None = None, ): ... ``` ### 6.2 四步执行管道 1. **信号生成**：DSL → bool mask；Python 类 → trace next() 生成 mask 2. **信号→订单**（OrderSimulator）：根据 execution 规则确定成交价，根据仓位模式确定量 3. **持仓追踪**（PortfolioTracker）：逐 Bar 更新现金/持仓/市值/回撤 4. **绩效分析**（PerformanceAnalyzer）：从资金曲线计算全部指标 Step 2 是唯一需要逐行处理的步骤（仓位依赖前一 Bar 状态）。其余步骤全向量化。 ### 6.3 OrderSimulator 成交价规则 | 模式 | 说明 | |------|------| | `next_open`（默认） | 下一根 K 线开盘价成交，最真实 | | `next_close` | 下一根 K 线收盘价成交 | | `this_close` | 当根 K 线收盘价成交（有未来函数风险，标注警告） | | `worst` | 对投资者最差价格（买入取 high，卖出取 low） | | `best` | 对投资者最优价格（买入取 low，卖出取 high） | ### 6.4 仓位管理规则 | 模式 | 说明 | |------|------| | `full`（默认） | 买入用全部现金，卖出清仓 | | `fixed` | 每次固定股数 | | `percent` | 每次用总资产的 N% | | `signal_only` | 只生成信号，不模拟仓位 | ### 6.5 费用模型 - 佣金：`max(size * price * commission_rate, min_commission)`，买卖双向 - 印花税：`size * price * stamp_tax_rate`，仅卖出 - 滑点：`size * slippage_per_share` ### 6.6 多策略批量回测 ```python # 多只股票 results = engine.run_many({ "SH600519": df_519, "SZ000858": df_858, }) # → dict[str, BacktestResult] # 参数扫描 results = engine.run_grid(df, params={ "short": [5, 10, 15], "long": [20, 30, 60], }) # → list[GridResult]，支持 .sort_by("sharpe").to_table() ``` --- ## 7. 绩效指标 | 指标 | key | 算法 | |------|-----|------| | 总收益率 | `total_return` | `(total[-1] / total[0]) - 1` | | 年化收益率 | `annual_return` | `(1 + r) ** (252/n) - 1` | | 最大回撤 | `max_drawdown` | `max((peak - total) / peak)` | | 最大回撤天数 | `max_dd_duration` | 首次新高 - 回撤起点 | | 夏普比率 | `sharpe` | `(mean(ret) - rf/252) / std(ret) * sqrt(252)` | | 索提诺比率 | `sortino` | 分母只用负收益标准差 | | 卡玛比率 | `calmar` | `annual_return / max_drawdown` | | 总交易次数 | `total_trades` | `len(trades)` | | 盈利/亏损次数 | `win_trades` / `lose_trades` | `trade_pnl > 0 / <= 0` | | 胜率 | `win_rate` | `win_trades / total_trades` | | 盈亏比 | `profit_factor` | `sum(win_pnl) / abs(sum(lose_pnl))` | | 平均盈利/亏损 | `avg_win` / `avg_loss` | 盈利/亏损交易均值 | | 最大单笔盈亏 | `max_win` / `max_loss` | 单笔极值 | | 平均持仓天数 | `avg_holding_days` | 买入到卖出的 Bar 数均值 | | 收益波动率 | `volatility` | `std(daily_ret) * sqrt(252)` | | 基准超额收益 | `alpha` | 策略收益 - 基准收益（需 benchmark） | | 信息比率 | `information_ratio` | 超额收益均值 / 跟踪误差（需 benchmark） | --- ## 8. CLI 集成 ### 8.1 命令 ```bash # DSL 字符串模式 easy-tdx backtest SH 600519 --strategy "CROSS(MA(5),MA(20))" --cash 100000 --table # DSL 文件模式 easy-tdx backtest SH 600519 --strategy-file my_strategy.py --cash 100000 # 参数化 easy-tdx backtest SH 600519 --strategy "CROSS(MA({short}),MA({long}))" --params short=5,long=20 # 指定周期/复权 easy-tdx backtest SH 600519 --strategy "CROSS(MA(5),MA(20))" --period 5MIN --adjust QFQ # 参数扫描 easy-tdx backtest SH 600519 --strategy "CROSS(MA({short}),MA({long}))" \ --grid short=5,10,15 --grid long=20,30,60 --sort-by sharpe --table # 输出 CSV easy-tdx backtest SH 600519 --strategy "CROSS(MA(5),MA(20))" --output csv ``` ### 8.2 输出格式 默认 JSON，`--table` 切换表格，`--output csv` 输出 CSV。与现有 CLI 行为一致。 --- ## 9. 测试计划 ``` tests/unit/test_backtest_strategy.py # Strategy 基类 + 指标注入 tests/unit/test_backtest_dsl.py # DSL 解析 + 编译 tests/unit/test_backtest_engine.py # 引擎核心（信号→成交→持仓） tests/unit/test_backtest_orders.py # 撮合规则（5 种 execution 模式） tests/unit/test_backtest_portfolio.py # 持仓追踪 + 资金曲线 tests/unit/test_backtest_performance.py # 绩效计算（手工验证已知结果） tests/unit/test_backtest_cli.py # CLI 命令（click test runner） ``` 全部离线测试，使用手工构造的 DataFrame fixture，零网络依赖。 --- ## 10. 未来扩展点（v1 不实现，架构不堵死） - 事件驱动执行路径（支持日内策略、逐 tick 推演） - 多品种组合回测（Portfolio 级别，同时持有多只股票） - 风控模块（最大回撤止损、单笔止损、仓位上限） - 实时模拟交易（Strategy 基类接口可直接迁移） - 与缠论模块深度集成（策略可直接引用笔/中枢/买卖点信号） - 可视化（K 线 + 买卖点标注 + 资金曲线）