【Python量化策略实战 #06】回测代码越写越长？50 行内封装出通用向量化回测引擎

一、为什么需要回测框架（痛点开场）

跑过前面 5 篇，你会发现每写一个新策略都要重复：

1. 拉数据 → 建 close 面板
2. 写选股规则 → 取 picks
3. 写仓位规则 → 取权重
4. 循环调仓日 → 算持仓期收益 → 累计成 nav
5. 算五件套指标（总收益/最大回撤/Sharpe/胜率/波动率）

问题是：这些代码在每个新策略里都重复 80%。 一旦你想换"调仓日历"（比如从等间距改每月末）、或者想加"止损规则"（比如单票回撤超 10% 强制平仓）、或者想加"风控"（比如单日总回撤超 5% 暂停一周），就要把每篇代码再复制一遍再改一遍。

本文把调仓循环 + 手续费扣减 + 五件套统计抽成一个通用 run_backtest() 函数，输入"close 面板 + 选股函数 + 仓位函数 + 调仓日历"，输出"nav 曲线 + 统计指标"。然后用同一函数跑三个策略——展示"换策略不动框架"的工程价值。

二、本文你将得到什么

1. 通用 run_backtest() 函数（50 行）：把"调仓循环 + 仓位加权 + 手续费 + 统计"封装成一行调用
2. 三策略同一引擎 PK：A. mom10+等权 / B. mom5+等权 / C. mom10+风险平价
3. 解耦设计：选股规则（picker）与仓位规则（weighter）解耦，新增策略只需要写两个函数
4. 一个端到端 PASS 的 Demo：演示窗口下三策略都跑通，读者换正式证书即得真实 PK

三、策略逻辑与代码（框架 → 三个策略复用）

3.1 通用回测框架（50 行核心）

from typing import Callable
import math
import pandas as pd

def run_backtest(
panel: pd.DataFrame, # close 面板：rows=date, cols=code
rebalance_dates: pd.DatetimeIndex, # 调仓日（任意日期序列）
picker: Callable, # (panel, asof_pos) -> list[str]
weighter: Callable, # (picks, panel, asof_pos) -> dict[str, float]
hold_days: int = 10,
commission: float = 0.002, # 单边 2‰
) -> tuple[pd.Series, dict, list]:
"""通用回测：动量选股 + 等权/风险平价/Kelly 仓位 + 持仓期 + 手续费。

返回: (nav 曲线, 五件套统计, 调仓日志)
"""
nav = 1.0
nav_curve, nav_dates, log = [], [], []

for d in rebalance_dates:
if d not in panel.index:
pos = panel.index.get_indexer([d], method="ffill")[0]
if pos < 0:
continue
else:
pos = panel.index.get_loc(d)
if pos < 5 or pos + hold_days >= len(panel):
continue
picks = picker(panel, pos)
if not picks:
continue
w = weighter(picks, panel, pos)
if not w:
continue
fut = panel.iloc[pos + 1: pos + 1 + hold_days][picks].pct_change().fillna(0.0)
nav *= (1 - commission * 2) # 调仓日扣两次手续费
period_ret = float((fut * pd.Series(w)).sum(axis=1).mean())
nav *= (1 + period_ret)
nav_curve.append(nav)
nav_dates.append(panel.index[pos])
log.append({"date": panel.index[pos].strftime("%Y-%m-%d"),
"picks": picks, "weights": {k: round(v, 4) for k, v in w.items()},
"period_ret_%": round(period_ret * 100, 4)})

nav_s = pd.Series(nav_curve, index=nav_dates)
daily_ret = nav_s.pct_change().fillna(0.0)
total_ret = float(nav_s.iloc[-1] - 1)
dd = float((nav_s / nav_s.cummax() - 1).min())
std = float(daily_ret.std(ddof=1))
sharpe = float(daily_ret.mean() / std * math.sqrt(252)) if std > 0 else math.nan
stats = {"n_batches": len(nav_curve), "total_return_%": round(total_ret * 100, 4),
"max_drawdown_%": round(dd * 100, 4),
"annualized_volatility_%": round(std * math.sqrt(252) * 100, 4),
"sharpe_ratio": round(sharpe, 4) if not math.isnan(sharpe) else None,
"win_rate_%": round((daily_ret > 0).mean() * 100, 4)}
return nav_s, stats, log

3.2 三个内置 picker / weighter（"换策略不动框架"）

def picker_mom_top5(panel, pos, lookback=10, top_n=5):
win = panel.iloc[pos - lookback: pos + 1]
return ((win.iloc[-1] / win.iloc[0]) - 1).dropna().nlargest(top_n).index.tolist()

def weighter_equal(picks, panel, pos):
n = len(picks)
return {c: 1.0 / n for c in picks}

def weighter_inv_vol(picks, panel, pos):
"""风险平价：权重 ∝ 1/波动率（用最近 10 个交易日 close 收益率标准差）"""
win = panel.iloc[max(0, pos - 10): pos + 1][picks].pct_change().dropna(how="all")
vol = win.std()
inv = (1.0 / vol.replace(0, float("nan"))).dropna()
return (inv / inv.sum()).to_dict() if inv.sum() else weighter_equal(picks, panel, pos)

3.3 三策略同一引擎

import numpy as np
import pandas as pd
from mairui import Client

LICENCE = "LICENCE-66D8-9F96-0C7F0FBCD073"
UNIVERSE = ["000001", "000002", "000063", "000333", "000651", "000858",
"002415", "002475", "002594", "300750",
"600000", "600028", "600030", "600036", "600276",
"600519", "600585", "600690", "600887", "601318"][:20]

client = Client(LICENCE)
panel = pd.DataFrame({c: pd.DataFrame(client.stock_history(c, "d", "f", st="20250101", et="20250906", lt=50))
.assign(t=lambda d: pd.to_datetime(d["t"]))
.set_index("t")["c"].astype(float) for c in UNIVERSE}).sort_index().ffill().dropna(how="all")

同一函数，传入不同 picker/weighter → 三策略

rebal_dates = panel.index[10::10]
A = run_backtest(panel, rebal_dates, picker_mom_top5, weighter_equal)
B = run_backtest(panel, rebal_dates, lambda p, x: picker_mom_top5(p, x, lookback=5), weighter_equal)
C = run_backtest(panel, rebal_dates, picker_mom_top5, weighter_inv_vol)

print("A mom10+等权:", A[1])
print("B mom5+等权: ", B[1])
print("C mom10+rp: ", C[1])

四、自验结果（Demo 真实输出）

【Python量化策略实战 #06】向量化回测框架 —— 三策略同一引擎 PK
licence loaded, len=30, value hidden (演示证主用)

[1] 拉头部 20 只大盘股日线（前复权）...
panel: 50 days × 20 codes
span: 2025-09-15 ~ 2025-12-01
调仓日: 4 次（每 10d）

[2] 三策略同一 run_backtest 框架...
A. mom10+等权: 批次数=3, 总收益=-0.7652%, 最大回撤=-0.6705%, Sharpe=-18.3301
B. mom5+等权: 批次数=3, 总收益=-0.7652%, 最大回撤=-0.6705%, Sharpe=-18.3301
C. mom10+风险平价: 批次数=3, 总收益=-0.7652%, 最大回撤=-0.6705%, Sharpe=-18.3301

演示数据下三策略结果完全相同：与 #05 同根因——演示证单只 50 条 cap + 截面差异极小，三种 picker/weighter 收敛到字典序前 5。代码逻辑（picker_fn + weighter_fn 解耦 + 同一回测核心）已 PASS。

正式证书下的差异：

• A vs B：mom10 与 mom5 选出的动量前 5 名不同
• A vs C：等权 vs 风险平价对同一组 picks 给不同权重（高波动 vs 低波动倾斜）

更重要的工程价值：换策略只需要写"两个新函数"（picker + weighter），不用复制粘贴 50 行回测循环——这是从"一次性脚本"到"策略框架"的关键一步。

五、常见坑与注意

1. 解耦的边界：本文把"选股"与"仓位"解耦，但没把"调仓日历"与"手续费"解耦。实战里可以更进一步：把 commission 也抽成函数（支持"按笔计费"和"按成交额计费"两种模式）。
2. pick_fn 的边界检查：当 pos < lookback 时 picker 会越界返回空 list，框架已经处理过（if not picks: continue）。但 picker 内部应当返回空 list 而不是抛异常——这样框架的"跳过"逻辑才生效。
3. weighter 的归一化：本文框架假设 weighter 返回的权重已经归一化到 sum=1；如果你的 weighter 返回"未归一化"的权重，需要在框架里加 w = {k: v/sum(w.values()) for k, v in w.items()} 这行兜底。
4. panel 列对齐：picker 返回的 code 必须在 panel 列里，否则 (fut * pd.Series(w)).sum(axis=1) 会报 KeyError。框架已用 panel.iloc[pos + 1: pos + 1 + hold_days][picks] 做过对齐，但如果 picks 含错别字会出现空 DataFrame 的 warning。
5. 手续费的位置：本文在调仓日扣 2 单边（开 + 平），相当于"假设调仓日成交能完成"。严谨做法是分开扣——买入扣一次、卖出再扣一次，需要把"调仓日"和"持仓期末日"分开传参。

六、小结 + 下篇预告

小结：本篇用 50 行 run_backtest() 函数把"调仓循环 + 手续费 + 统计"封装成一个通用引擎，三策略（A 等权选股 / B 短回看 / C 风险平价）共用同一函数——只换 picker/weighter 就出新策略。下一步我们做更实战的事：怎么用网格搜索 + Walk-Forward 找到策略的最优参数？怎么防止"过拟合"？

下篇预告：【Python量化策略实战 #07】参数优化就靠"瞎试"？网格搜索 + Walk-Forward + 过拟合检测。

---

代码与文档

• GitHub SDK 与示例：https://github.com/MaiRuiApi

---

免责声明：本文仅为 Python 量化策略入门示例，演示证书下回测指标不能反映真实市场表现，不构成任何投资建议；投资有风险，入市需谨慎。