用 Backtrader 拆解量化交易：一周内你会真正理解的七件事

学量化最大的陷阱不是工具难，是工具太简单——你抄一段代码跑出收益曲线，以为自己懂了，其实一个核心概念都没碰到。

一句话先说清楚：这篇不是 Backtrader 教程，是用 Backtrader 当透镜看量化的真实结构。重点不在框架，在框架强制你直面的那些概念——事件驱动、未来函数、撮合假设、滑点、手续费、风控、过拟合。这七件事，理解一件少死一种死法。

为什么用 Backtrader 当透镜？因为它的对象模型刚好把量化的核心概念一一对应地摊开了——你写策略的过程绕不开它们。换句话说，你以为自己在学一个框架，其实你在被一个框架教量化。

下面这七件事，是一周写出第一个均线策略的过程里你必然会撞上的——撞上一次记一辈子。

一、事件驱动 vs 向量化：你以为在写策略，其实在选世界观

最早接触量化的人几乎都从 pandas 开始：拉一个 DataFrame，算一列均线，做一次差分，bool 索引出买入点——一行代码出收益曲线。这种写法叫向量化回测。

Backtrader 强迫你换一种写法：实现一个 next() 函数，每来一根 K 线，框架调用它一次，你在这一刻只能看到"现在"和"过去"。这叫事件驱动回测。

            两种回测模型的根本差异

   向量化（pandas / vectorbt）：
     ┌────────────────────────────────┐
     │ 一次性看到全部历史数据         │
     │ 用列运算批量计算信号           │
     │ 速度快，但思维和实盘是断的     │
     └────────────────────────────────┘

   事件驱动（Backtrader / Zipline / LEAN / 实盘）：
     bar 1 → next() → 信号？ → 下单？
     bar 2 → next() → 信号？ → 下单？
     bar 3 → next() → 信号？ → 下单？
     ...
     每一刻只能看到当下，未来物理上不存在

这不只是写法差异，是世界观差异。向量化思维里"未来"作为一列存在，事件驱动思维里"未来"根本不存在。后者才是实盘的真实模型——你在 2026 年 5 月 19 日上午 10 点的下单，不可能用到 11 点的数据。

为什么这件事是第一件要讲的？因为大量散户量化策略的"年化 100%"，都来自向量化写法里悄悄混入了未来数据。这不是道德问题，是工具问题——pandas 不阻止你用未来，事件驱动框架物理上不让你用未来。

一周跑完 Backtrader 的第一个策略后，你大脑里会装上一个永久性的"事件循环"。以后你看任何一段量化代码，会本能地问一句：这一行代码在哪一根 K 线上能拿到？ 这个反射动作，比任何策略都值钱。

二、未来函数：90% 的"圣杯策略"的死因

接着上一节往下挖。"未来函数"是量化里最具体、最容易犯、最难发现的错误。它的标准形态是这样的：

                典型的未来函数错误

   # 看起来很合理的均线交叉
   df['signal'] = (df['ma20'] > df['ma60']).astype(int)
   df['return'] = df['signal'] * df['close'].pct_change()

   # 错在哪？
   # signal[t] 用了 close[t] 算出来的 ma20
   # return[t] 又用了 close[t] 到 close[t+1] 的涨幅
   # 等价于："我看到了今天的收盘价，然后用今天的收盘价买入"
   # 实盘里你做不到——收盘那一刻你的订单还没成交

这个错误的可怕之处在于它不报错、不警告、回测曲线还特别漂亮。年化 80%，夏普 3.5，最大回撤 8%——你以为找到了圣杯，其实只是回测里用了一个永远买不到的价格。

Backtrader 默认怎么处理？信号在 bar N 触发，订单最早在 bar N+1 的开盘价成交。这是写在 Broker 默认行为里的硬规则。它不是为了"严格"，是为了模拟物理可行性——你看到信号到订单送达交易所到撮合成交，中间至少隔了一根 K 线的时间。

跑完第一个策略你会发现两个事实：

同一个策略的 Backtrader 收益，比 pandas 手撸版本明显低。差的那部分，就是你 pandas 版本里偷用的未来。
越简单、越漂亮、越对参数敏感的回测，越值得怀疑。不是因为它一定有未来函数，但它有未来函数的概率显著高于"看起来朴素"的策略。

这件事认知到位后，你看公众号"年化 200% 策略已开源"的反应会从"我也试试"变成"先找未来函数"。这是量化新手到量化半熟手的第一个分水岭。

三、撮合假设：你以为的"买入"和实际的"成交"差多远

第三件事是新手最容易跳过、实盘最容易死在上面的——撮合。

撮合回答一个问题：当你下了一个订单，什么时间、什么价格、能不能成交？

              撮合的三个核心维度

   1. 时间假设
        - 当前 bar 的收盘价？（向量化常用，实盘做不到）
        - 下一根 bar 的开盘价？（Backtrader 默认）
        - 下一根 bar 的某个介于开高低收之间的价格？

   2. 价格假设
        - 完美成交（你想要的价就是你拿到的价）
        - 加滑点（开盘价 ± x%）
        - 限价单+部分成交（更接近真实但写起来累）

   3. 成交概率假设
        - 100% 成交（默认，但小盘股、低流动性币种里不成立）
        - 按当根 bar 的成交量比例成交
        - 完全不成交（流动性枯竭时的真实情况）

新手第一次接触 Backtrader 的 Broker 会问：为什么默认是下一根 bar 的开盘价？这个问题问得对——因为这是『最不容易作弊』的默认假设。它不是最现实的（更现实的要加滑点和部分成交），但它是物理可行的。

把 Backtrader 的 Broker 调真实一点，你会做三件事：

设手续费（A股万 2.5，美股按券商，币圈 maker/taker 各算）
设滑点（固定基点 / 百分比 / 跟成交量动态调整）
限制成交量（不超过当根 bar 成交量的某个比例）

每加一个约束，收益曲线就矮一截。等你加完，再回头看自己最开始那条年化 60% 的漂亮曲线，会发现真实可达的可能只有 8% 到 15%。这一刻你才真正理解为什么实盘永远比回测难看。

四、滑点和手续费：吃掉你 Alpha 的两只老鼠

撮合层里有两个具体的"漏斗"，单独拎出来讲，因为它们是吃掉 Alpha 最快的两件事——快到很多策略在它们面前直接归零。

滑点：你想以 100 元买入，实际成交价是 100.05。0.05% 看起来什么都不是，但是：

                滑点的乘法效应

   单次滑点    年交易次数    年化损耗
   0.05%       50            2.5%
   0.05%       200           10%
   0.10%       200           20%   ← 你的 Alpha 还剩多少？
   0.20%       500           100%  ← 高频策略的死因

手续费：每一次买卖被券商/交易所抽一刀。A股双向万 2.5，看起来便宜，一年 100 次交易等于 5%；币圈 maker 万 2 taker 万 5，一年 1000 次交易（不算高频）等于 30%。

这两件事合起来叫"交易成本"。Backtrader 让你必须显式声明它们——commission 和 slip_perc 是 Broker 上两行配置，但你必须知道这两行配置存在。这是它在结构上拒绝你假装这两件事不存在。

              一个真实策略的 Alpha 衰减链

   回测毛收益（零成本假设）        +35%
        ↓ 加手续费                  +28%
        ↓ 加滑点                    +18%
        ↓ 加部分成交                +14%
        ↓ 加心理因素（提前止损）     +8%
                            实盘真实净收益

文艺复兴的 Medallion Fund 扣费前年化 66%，扣费后约 39%——交易成本吃掉了全球最强量化基金 40% 的毛收益。你那个回测年化 30% 的策略，凭什么觉得自己能扛住？

学会问"我的策略对滑点和手续费有多敏感"，是从"做回测"到"做量化"的第二个分水岭。

五、风控不是装饰，是策略的一半

第五件事，风控。

新手写策略，逻辑通常长这样：信号来了买入，反信号来了卖出。完。

这种策略在 Backtrader 里能跑——但你跑完一周后会发现一个反复出现的现象：80% 的最大回撤来自 20% 的最差交易。也就是说，决定你账户生死的不是大多数普通交易，是少数几次极端事件。

风控就是处理这少数极端事件的——它不是装饰，是策略本身的一部分。

              风控的四个层次

   1. 单笔止损：这一笔亏多少必须出
        - 固定百分比（如 -5%）
        - ATR 倍数（如 -2×ATR，更适应波动率）

   2. 总体止损：账户回撤多少必须停
        - 月度回撤超过 -10% 暂停一个月
        - 总回撤超过 -25% 重新评估整套策略

   3. 仓位控制：单笔下多少
        - 固定金额 / 固定百分比 / Kelly / 风险平价
        - 越简单的方法越稳健，新手不要上来玩 Kelly

   4. 敞口限制：同时持有多少
        - 最大持仓数量
        - 行业/板块集中度
        - 多头-空头净敞口（如果做多空）

Backtrader 不会替你写这四层，但它给了你写它们的位置——Strategy 里的 next()、Sizer 对象、Order 的 stop/limit 字段。框架把『风控该写在哪里』的位置准备好了，等你填。

一周下来，你会有一个非常具体的体感：同样一个均线信号，加风控的收益曲线和不加风控的收益曲线完全是两个东西。不加风控的版本看着收益高，但最大回撤 50%，意味着任何一个理性的人在中途都会关掉它；加风控的版本收益低 30%，但回撤压在 15% 以内，意味着它在心理上和资金上都能跑过完整周期。

回撤决定你能不能活到收益兑现的那一天。这是上一篇《回测赚钱、实盘亏钱》讲过的话，在 Backtrader 里第一次以代码形式落到你手上。

六、评估指标：单看收益是新手做的事

第六件事，评估。

跑完策略你拿到一条收益曲线——然后呢？年化 25% 算好吗？算坏吗？怎么和别的策略比？

Backtrader 的 Analyzer 是一组评估器：SharpeRatio、DrawDown、SQN、TradeAnalyzer、Calmar……一行代码挂上去，跑完出一张报表。这张报表强迫你看四组数字：

                量化策略的四类评估指标

   收益类   Total Return / CAGR / 月度均收益
            ──告诉你"赚了多少"
            ──新手最容易只看这个

   风险类   Max Drawdown / Volatility / VaR
            ──告诉你"代价是什么"
            ──比收益类重要

   效率类   Sharpe / Sortino / Calmar
            ──告诉你"单位风险下赚多少"
            ──真正能跨策略比较的指标

   行为类   Win Rate / Profit Factor / Expectancy
            ──告诉你"策略性格是什么"
            ──决定你能不能在心理上长期跑

四类合在一起，才是一个策略的"画像"。

举个例子：A 策略夏普 1.8、胜率 35%、盈亏比 4.0；B 策略夏普 1.5、胜率 70%、盈亏比 0.8。B 的胜率高，但单位风险下的收益更低——而且 B 的"7 次小赢被 3 次大亏抹掉"的性格，会让大多数人在实盘里中途放弃。单看任何一个指标都会判断错。

新手只看年化收益，半熟手看夏普，老手看夏普+回撤+胜率分布三件套。Backtrader 把这三件套放在一个回测里一起算出来，强迫你在第一天就用全套指标看自己的策略。

这是从"做回测"到"做量化"的第三个分水岭——学会用风险和效率指标看策略，而不是只看收益。

七、参数扫描与过拟合：你以为找到规律，其实在挖噪声

第七件事，也是最后一件，过拟合。

Backtrader 提供 cerebro.optstrategy()：把均线参数从 (5, 20) 扫到 (50, 200)，跑完看哪组参数最好。

新手第一次跑参数扫描通常会震惊：500 种参数组合里，居然有 30 多种夏普超过 2.0。然后挑出最好的那组，自信地准备实盘。

这是过拟合的标准入口。

              参数扫描的两面性

   有用的一面：
     ─ 看参数对结果的敏感度
     ─ 找到一片"稳定区"，而不是单个最优点
     ─ 理解策略对市场假设的依赖

   有害的一面（更常见）：
     ─ 把"最好的参数"误以为"对的参数"
     ─ 在 500 种里挑出 1 种 ≈ 在噪声里挖出一条规律
     ─ 实盘上线第一周就开始偏离回测

判断过拟合有个简单方法：把最优参数 ±10% 试一下，结果是否还在合理范围内？如果均线从 (20, 60) 改成 (22, 66) 后夏普从 2.5 掉到 0.4，那你找到的不是规律，是一个孤立的山尖。真正的市场规律对参数有鲁棒性，孤立山尖只在历史那一段数据上存在。

更严格的做法是样本外测试：用 2018–2022 的数据找参数，再用 2023–2025 的数据验证。Backtrader 没有专门的"样本外切分"功能，但它支持你手动切——这反而是好事，因为切分本身就是一个需要你思考的设计动作。自动化样本外切分会让你忘了过拟合是怎么发生的。

跑完一周后，你会带走这个永久的反射动作：看到任何漂亮的回测曲线，第一反应不是『要复刻』，而是『这是在多少组参数里挑出来的？』 这是从"做量化"到"做严肃量化"的第四个分水岭。

八、十分钟跑一遍：用 Backtrader 打通完整闭环

到这里都是概念。下面给一段可以直接复制就能跑的完整 Backtrader 例子，把前面七件事一次性落地。完整工程已经放在 GitHub（文末有链接），下面只展示核心策略代码。

数据源：直接拉东方财富的公开行情接口（无需 API key、无需注册），覆盖 A股、ETF、港股的日线数据，首次拉取后自动缓存为本地 CSV。标的：沪深 300 ETF（510300，宽基 ETF）+ 贵州茅台（600519，超级强势个股），同一套策略放在两个性格完全不同的标的上跑，差异本身就是一堂课。区间 2012-12 ~ 2025-12（13 年），后复权——刚好覆盖 2015 大牛、2018 熊市、2020 暴涨、2022~2024 长熊、2024Q4 反弹这五段典型市场结构。

策略不是简单的"金叉买、死叉卖"——那种策略在震荡市会被反复打脸。这里加了三层结构化处理：

# ---- 趋势跟踪策略：SMA 金叉 + ADX 过滤 + ATR 移动止盈止损 ----
class TrendFollowing(bt.Strategy):
    params = dict(
        fast=20, slow=60,           # SMA 双均线
        atr_period=14,
        atr_stop_mult=2.5,          # 初始止损 = 入场价 - 2.5×ATR
        atr_tight_mult=1.2,         # 浮盈足够后收紧到 1.2×ATR
        profit_threshold=3.0,       # 浮盈达 3×ATR 时触发收紧
        risk_per_trade=0.05,        # 单笔风险预算 5%
        max_position_pct=0.9,       # 最大仓位 90%
        adx_period=14,
        adx_threshold=18,           # ADX < 18 视为震荡市，不入场
    )

    def __init__(self):
        sma_f = bt.ind.SMA(self.data.close, period=self.p.fast)
        sma_s = bt.ind.SMA(self.data.close, period=self.p.slow)
        self.crossover = bt.ind.CrossOver(sma_f, sma_s)
        self.atr = bt.ind.ATR(self.data, period=self.p.atr_period)
        self.adx = bt.ind.ADX(self.data, period=self.p.adx_period)
        self.stop_price = None
        self.entry_price = None

    def next(self):
        if not self.position:
            # 入场：金叉 + ADX 确认趋势
            if self.crossover > 0 and self.adx[0] > self.p.adx_threshold:
                stop = self.data.close[0] - self.p.atr_stop_mult * self.atr[0]
                risk = self.data.close[0] - stop
                if risk <= 0: return
                # 风险预算决定仓位：单笔最大亏损 = 账户 × 5%
                size = int((self.broker.getvalue() * self.p.risk_per_trade) / risk)
                max_size = int(self.broker.getvalue() * self.p.max_position_pct
                               / self.data.close[0])
                size = min(size, max_size)
                if size > 0:
                    self.buy(size=size)
                    self.stop_price = stop
                    self.entry_price = self.data.close[0]
        else:
            # 浮盈足够大时，收紧止损倍数（移动止盈）
            profit_in_atr = (self.data.close[0] - self.entry_price) / self.atr[0]
            mult = (self.p.atr_tight_mult if profit_in_atr > self.p.profit_threshold
                    else self.p.atr_stop_mult)
            # 移动止损：只升不降，锁住浮盈
            new_stop = self.data.close[0] - mult * self.atr[0]
            self.stop_price = max(self.stop_price, new_stop)
            # 出场：死叉 或 跌破移动止损线
            if self.crossover < 0 or self.data.close[0] < self.stop_price:
                self.close(); self.stop_price = None; self.entry_price = None

回测引擎部分照常配齐手续费、滑点、Analyzer 全家桶（SharpeRatio / DrawDown / Returns / TradeAnalyzer），不再展开。茅台个股额外加千 1 印花税——A股个股卖出收，ETF 不收，这一项很多教程会忽略掉，但是在长期持有的策略里是真金白银的差距。

跑出来的真实结果（13 年回测，初始资金 ETF 10 万 / 茅台 50 万）：

沪深 300 ETF（510300）

策略             CAGR    MaxDD    Sharpe   Trades  Win%
────────────────────────────────────────────────────────
Buy & Hold       7.51%   43.44%   0.023      —      —
TrendFollowing   0.17%   12.86%  -0.025     17    47.1%

2026-05-19-backtrader-demo-csi300

贵州茅台（600519，含千 1 印花税）

策略             CAGR    MaxDD    Sharpe   Trades  Win%
────────────────────────────────────────────────────────
Buy & Hold      19.21%   44.96%   0.045      —      —
TrendFollowing   2.66%   16.57%   0.008     19    57.9%

2026-05-19-backtrader-demo-moutai

这两张表+两张图把前面七件事一次性兑现，逐个对应回去：

1. 事件驱动：next() 在 13 年的每一根日线上被触发了一次（约 3000 次），每次只能看到截至当前的 SMA、ATR、ADX。没有任何一处用到未来。

2. 未来函数：crossover[0]、atr[0]、adx[0] 都是基于历史窗口计算的，物理上无法触达未来。self.buy() 在 bar N 下单，bar N+1 开盘成交——这条规则你不写都跑不通。

3. 撮合假设：setcommission 和 set_slippage_perc 摆在那里。把它们注释掉再跑一次，CAGR 会回升 1-2 个百分点——这就是你看不见的成本。

4. 滑点 + 手续费：5bp 滑点 + 万 2.5 手续费 + 茅台千 1 印花税。看茅台那行 19 笔交易，仅印花税一项就吃掉约 0.95% 的年化。手续费在回测里是配置，在实盘里是法律。

5. 风控：ATR 移动止损（只升不降）+ 移动止盈（浮盈 3×ATR 后收紧到 1.2×ATR）+ 单笔风险 5% 仓位 = 把最大回撤从 43-45% 压到 13-17%，砍掉了三分之二。两张图的下半幅都看得很清楚——蓝色（TrendFollowing）回撤区域明显比灰色（Buy & Hold）浅，这就是风控的可视化定义。代价是 CAGR 跑输 Buy & Hold。

6. 评估指标：CAGR、MaxDD、Sharpe、Trades、Win% 五件套同时出现。单看任何一个都会判断错：

只看 CAGR → 趋势策略两边都输
只看 MaxDD → 趋势策略两边都赢
只看胜率 → 沪深 300 上 47%，茅台上 58%，看起来都过得去
合起来看 → 这是个"低收益+低回撤+中等胜率"的趋势跟随性格，对应一种特定的市场观

7. 过拟合：这里我故意没做参数优化，直接用最常见的 (20, 60) 经典组合。如果你现在去 optstrategy 扫描 fast/slow/atr_mult 三个参数，几乎必然能找到一组让收益超过 Buy & Hold 的参数——但那大概率是过拟合。试试把窗口改成 (22, 66) 或 (18, 55)，看曲线是否还稳定。如果稳定，是规律；如果剧变，是噪声。

还有一个反直觉结论是我没料到的：同一套趋势策略，在沪深 300 上 CAGR 0.17%，在茅台上 CAGR 2.66%——差距不在策略，在标的的趋势性。沪深 300 是宽基指数，里面 300 只票的趋势相互对冲，整体偏均值回归；茅台是单只强趋势股，"金叉成立 → 趋势延续"的概率显著更高。这印证了一句老话：策略和标的是一对一的婚姻，不是一对多的派对。把茅台上跑得好的策略硬套到沪深 300 上，性能必然衰减。

而这个例子还远不是终点：

把 commission 改成 0 看一下——CAGR 会假性回升
把 slip_perc 改成 0.005（50 bp，相当于小盘股的真实滑点）——CAGR 可能直接归零
把 adx_threshold 调到 25——交易次数减半，但胜率会上升
把标的换成 159915（创业板 ETF）、518880（黄金 ETF）、513100（纳指 ETF）——同一个策略在不同标的上行为完全不同（仓库里 compare_symbols.py 直接做了这个对比实验）

这就是"做量化"的真实日常——不是写一次跑完，是反复改一个旋钮、看一个指标、思考一个反直觉的结果。Backtrader 没替你做这些思考，它只是把所有的旋钮明明白白摆在你面前。

九、把七件事合起来：量化的真实结构

现在把这七件事压成一张图：

                    量化交易的认知地图

   ┌────────────────────────────────────────────┐
   │  世界观层                                  │
   │  (1) 事件驱动 vs 向量化                    │
   │  (2) 未来函数                              │
   ├────────────────────────────────────────────┤
   │  执行层                                    │
   │  (3) 撮合假设                              │
   │  (4) 滑点 + 手续费                         │
   ├────────────────────────────────────────────┤
   │  生存层                                    │
   │  (5) 风控（止损/仓位/敞口）                │
   ├────────────────────────────────────────────┤
   │  评估层                                    │
   │  (6) 收益/风险/效率/行为 四类指标          │
   ├────────────────────────────────────────────┤
   │  方法论层                                  │
   │  (7) 参数扫描 vs 过拟合                    │
   └────────────────────────────────────────────┘

这张图就是量化交易的真实结构——不论你用 Backtrader、vectorbt、Zipline、LEAN 还是自己手撸，这五层都在那里。任何一层处理不到位，实盘都会以那一层的方式打你。

Backtrader 的角色是什么？它是一个走廊——把你强制塞进这五层，每一层都要你做一次显式选择：

选事件驱动而不是向量化（不能跳过）
选默认的"下一根开盘价撮合"还是改成更狠的滑点模型（必须填）
选要不要挂 Sizer 和止损（必须想）
选挂哪些 Analyzer（必须看）
选要不要 optstrategy 以及怎么解读（必须谨慎）

走完这条走廊，你拿到的不只是一个均线策略——是一套遇到任何新策略都能问对问题的认知框架。

十、收尾：一周后你真正带走的东西

很多人把"一周写出均线策略"理解成"一周学会一个框架"。这是误读。

一周写出均线策略，真正带走的不是策略，也不是框架，是七件事的肌肉记忆：

看代码会反射性问"这一行在哪根 bar 拿到"
看回测会反射性问"撮合假设是什么、滑点多少、手续费多少"
看收益曲线会反射性问"最大回撤呢？夏普呢？胜率分布呢？"
看漂亮参数会反射性问"在多少组里挑出来的？±10% 还成立吗？"

这些反射动作，是你以后做量化的免疫系统。没有它们，你只是用 Python 写赌博；有了它们，你才在做量化。

均线策略本身不重要，框架本身不重要。重要的是你被框架强制走过的那条走廊，让你和量化的真实结构对齐了一次。

一周时间，七件事进入大脑。仅此而已——但这已经足够。

如果你是第一次看到这个号，可以从这几篇开始：

技术人入门量化交易：回复 量化
AI 工程化落地清单：回复 AI工程
复杂系统文章地图：回复 复杂系统

完整代码已开源：github.com/warm3snow/coft/tree/master/quant/backtrader-sma-atr

仓库内容：

main.py — 趋势跟踪策略（SMA + ADX + ATR 移动止盈止损）+ 双标的回测（沪深 300 ETF / 贵州茅台）+ 净值回撤图
compare_symbols.py — 多标的对比实验（沪深 300 / 创业板 / 黄金 / 纳指 ETF），看同一套策略在不同性格标的上的表现差异
数据通过东方财富公开接口拉取，首次运行后缓存为本地 CSV，无需 API key

git clone https://github.com/warm3snow/coft.git
cd coft/quant/backtrader-sma-atr
pip install -r requirements.txt
python main.py

关于本文定位的说明：本文不教你 Backtrader 的具体 API（那是文档的事），也不评测 Backtrader 与其他框架的优劣。本文的目的是用 Backtrader 当作一面镜子，让你看到量化交易在概念层面真正在做的事。如果你已经用其他框架（vectorbt / Zipline / LEAN）跑过完整流程，这七件事你应该也都遇到过——名字可能不一样，本质完全相同。

posted @ 2026-05-21 11:48 warm3snow 阅读(13) 评论(0) 收藏举报

刷新页面返回顶部

warm3snow

用 Backtrader 拆解量化交易：一周内你会真正理解的七件事

用 Backtrader 拆解量化交易：一周内你会真正理解的七件事

一、事件驱动 vs 向量化：你以为在写策略，其实在选世界观

二、未来函数：90% 的"圣杯策略"的死因

三、撮合假设：你以为的"买入"和实际的"成交"差多远

四、滑点和手续费：吃掉你 Alpha 的两只老鼠

五、风控不是装饰，是策略的一半

六、评估指标：单看收益是新手做的事

七、参数扫描与过拟合：你以为找到规律，其实在挖噪声

八、十分钟跑一遍：用 Backtrader 打通完整闭环

九、把七件事合起来：量化的真实结构

十、收尾：一周后你真正带走的东西

转载声明

公告