easy_tdx_max/docs/superpowers/specs/2026-06-09-backtest-engine-design.md

Backtest Engine Design — easy-tdx

Date: 2026-06-09 Status: Approved (rev 2 — incorporated DeepSeek feasibility review) 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）及带指标列的扩展 DataFrame
• 双模式策略定义：Python 类继承（P0）+ DSL 公式语法（P1）
• 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

v1 范围（P0 vs P1）

优先级	模块	说明
P0	Strategy 基类	Python 类继承 + init()/next() 生命周期
P0	向量化引擎	信号→撮合→持仓→绩效 四步管道
P0	OrderSimulator	5 种成交价规则 + 订单拒绝策略
P0	PortfolioTracker	持仓追踪 + 资金曲线
P0	PerformanceAnalyzer	18 项绩效指标
P0	CLI easy-tdx backtest	自动获取 K 线 + 执行回测
P0	预计算指标列支持	DataFrame 中的额外列可直接在策略中引用
P0	缠论预留接口	self.chanlun 属性，引擎接受可选 chanlun_result 参数
P1	DSL 装饰器	@dsl_strategy Python 函数模式
P1	DSL 字符串解析	CLI --strategy "CROSS(MA(close,5),MA(close,20))"
P1	run_many 多股票	顺序独立回测多只股票
P1	run_grid 参数扫描	参数网格搜索

---

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 (P1)
├── engine.py            # BacktestEngine（向量化执行路径）
├── orders.py            # OrderSimulator（撮合规则 + 订单拒绝策略）
├── 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 ...，自动获取 K 线）

2.2 模块交互流

easy_tdx MacClient.get_stock_kline() → DataFrame
  或 MacClient.get_stock_kline_with_indicators() → DataFrame (含指标列)
  或 ChanlunAnalyser.process_klines() → ChanlunResult (可选注入)
                    │
                    ▼
          BacktestEngine(strategy, cash=100000, chanlun_result=None)
                    │
        ┌───────────┼───────────┐
        ▼           ▼           ▼
   Strategy     DSL Parser   OrderSimulator
   (Python类)   (公式语法)   (撮合+拒绝策略)
        │           │           │
        └─────┬─────┘           │
              ▼                 │
         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

@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

@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
    rejected: bool = False     # 订单是否被拒绝（资金/持仓不足）

3.3 Position

@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

@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, rejected
    positions: pd.DataFrame      # datetime, size, avg_price, market_value, unrealized_pnl
    config: dict                 # 包含 future_leak_warning 等标记

方法：

• to_json() → str
• to_dict() → dict
• summary() → None（打印概要）

---

4. Strategy 基类

4.1 接口定义

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: ...

    @property
    def chanlun(self) -> Any | None:
        """缠论分析结果（如果引擎注入了 chanlun_result 参数）。
        v1 仅作为数据通道，策略可读取笔/中枢/买卖点信息。
        v2 计划实现自动集成。"""
        ...

4.2 StrategyDataProxy

class StrategyDataProxy:
    """K 线数据代理。支持 .close[0]（当前）、.close[-1]（前一根）。
    
    自动暴露 DataFrame 中的所有列——包括预计算的指标列。
    例如 get_stock_kline_with_indicators() 返回的 MACD_DIF 列
    可直接通过 self.data.MACD_DIF[0] 访问。
    """
    @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: ...
    # 额外列（预计算指标、缠论结果等）通过 __getattr__ 动态暴露
    def __getattr__(self, name: str) -> _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

基本用法：

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)

使用预计算指标列：

class BollingerBreakout(Strategy):
    def init(self):
        pass  # 指标已在 DataFrame 中预计算

    def next(self):
        if self.data.close[0] > self.data.BOLL_UPPER[0]:
            self.sell(size=0)
        elif self.data.close[0] < self.data.BOLL_LOWER[0]:
            self.buy(size=0)

# 先获取带指标的 DataFrame
with MacClient.from_best_host() as c:
    df = c.get_stock_kline_with_indicators(
        Market.SH, "600519",
        indicators=["BOLL"],
        count=500,
    )

engine = BacktestEngine(strategy=BollingerBreakout, cash=100000)
result = engine.run(df)

使用缠论信号（v1 手动注入）：

class ChanlunStrategy(Strategy):
    def init(self):
        pass

    def next(self):
        # self.chanlun 是外部注入的 ChanlunResult
        if self.chanlun is None:
            return
        last_mmd = self.chanlun.mmds[-1] if self.chanlun.mmds else None
        if last_mmd and "1buy" in last_mmd.msg:
            self.buy(size=0)

# 获取 K 线 + 缠论分析
with MacClient.from_best_host() as c:
    df = c.get_stock_kline(Market.SH, "600519", Period.DAILY, count=800)
analyser = ChanlunAnalyser("SH600519", "DAILY")
chanlun_result = analyser.process_klines(df)

engine = BacktestEngine(strategy=ChanlunStrategy, cash=100000)
result = engine.run(df, chanlun_result=chanlun_result)

---

5. DSL 策略定义 (P1)

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
显式引用价格序列 (close, open, high, low)	隐式推断（消除歧义）

超出 DSL 能力的——直接用 Python 类。

5.2 两种 DSL 模式

Python 装饰器模式：

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，显式引用列名）：

easy-tdx backtest SH 600519 --strategy "CROSS(MA(close,5),MA(close,20))" --cash 100000 --table

编译器内部将 close 映射到 DataFrame 的 close 列。支持的列名：open, close, high, low, vol, amount，以及预计算的指标列名（如 MACD_DIF, BOLL_UPPER）。

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

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"
        order_reject_policy: str = "reduce", # "reduce" | "skip"
        benchmark: pd.DataFrame | None = None,
    ):
        ...

    def run(self, df: pd.DataFrame, chanlun_result: Any | None = None) -> BacktestResult:
        """执行回测。df 是 easy_tdx 标准 K 线 DataFrame（可含额外指标列）。
        chanlun_result 可选注入缠论分析结果，策略通过 self.chanlun 访问。"""
        ...

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，根据 order_reject_policy 处理资金/持仓不足
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（未来函数风险，引擎自动在日志输出红色警告，并在 BacktestResult.config 中标记 future_leak_warning=True）
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 订单拒绝策略

当资金不足（买入）或持仓不足（卖出）时的处理方式：

模式	说明
reduce（默认）	自动减到最大可买/可卖量，记录成交
skip	跳过该信号，记录一条 rejected=True 的 Trade

6.6 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

6.7 基准对齐规则

benchmark 参数传入 pd.DataFrame，要求包含 datetime 和 close 列。引擎内部执行：

1. 按 datetime 对齐（merge on datetime）
2. 缺失值前向填充（ffill）
3. 仍缺失的 Bar 不计入 alpha/information_ratio 计算

6.8 多策略批量回测 (P1)

# 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
被拒绝订单数	rejected_trades	trade.rejected == True 的数量
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

CLI 自动获取 K 线数据，用户无需手动构造 DataFrame：

# 基本用法：自动获取 K 线 + 执行回测
easy-tdx backtest SH 600519 --strategy "CROSS(MA(close,5),MA(close,20))" --cash 100000 --table

# 指定周期/复权/数量
easy-tdx backtest SH 600519 --strategy "CROSS(MA(close,5),MA(close,20))" \
    --period DAILY --adjust QFQ --count 500 --table

# Python 类策略文件
easy-tdx backtest SH 600519 --strategy-file my_strategy.py --cash 100000

# 参数化
easy-tdx backtest SH 600519 --strategy "CROSS(MA(close,{short}),MA(close,{long}))" \
    --params short=5,long=20

# 参数扫描 (P1)
easy-tdx backtest SH 600519 --strategy "CROSS(MA(close,{short}),MA(close,{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(close,5),MA(close,20))" --output csv

# 策略文件中用预计算指标列
easy-tdx backtest SH 600519 --strategy-file boll_strategy.py --indicators BOLL --table

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 + 预计算列 + 缠论注入
tests/unit/test_backtest_dsl.py          # DSL 解析 + 编译 (P1)
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 + 2 种 reject policy）
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）

• 缠论自动集成 (P1→v2)：引擎自动调用 ChanlunAnalyser，策略通过 self.chanlun 直接获取笔/中枢/买卖点，无需手动注入
• 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，同时持有多只股票的资金分配
• 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
• 可视化：K 线 + 买卖点标注 + 资金曲线
• 信号导出：--save-signals 将买卖点写入 DataFrame，联动 indicator 命令