- 综合排序
- 最热优先
- 最新优先
- 来自专栏Python大数据分析
用Python实现量化交易策略回测
Python凭借其在数据科学领域积累的丰富生态，已然成为专业「量化分析」中必不可少的技术手段。 今天要给大家分享的例子，就展示了如何基于Python中常用的numpy、pandas等常用数据分析处理框架，针对目标个股简单实现「均线策略回测」： 1 相关库的导入 分析过程需要用到的库如下，其中numpy ，我们需要对先前下载提取的日线历史行情数据进行「清洗转换」，通过下面的代码，即可将上一步的原始数据转换为标准的「数据框」格式： # 转换为回测所需标准数据框格式 history_df = ( reduce 接下来我们需要定义策略模拟相关的初始资金、交易佣金率、交易最低佣金等基本参数： # 回测模拟相关参数设置 initial_cash = 100000 # 初始资金 commission_rate 最后，我们将整个回测过程，以及最终的账户结果值、佣金成本等信息整合到一张图中展示： # 设置中文字体 plt.rcParams['font.family'] = ['SimHei'] # 设置负号显示
2.4K10编辑于 2024-12-23 - 来自专栏王的机器
量化交易之向量化回测
这是 Python 进阶课的第十五节 - 量化交易之向量化回测 ，进阶课的目录如下： NumPy 上 NumPy 下 Pandas 上 Pandas 下 SciPy 上 SciPy 下 Pandas 异常处理 函数上：低阶函数 函数下：高阶函数 类和对象：封装-继承-多态-组合 字符串专场：格式化和正则化 解析表达式：简约也简单 生成器和迭代器：简约不简单 装饰器：高端不简单 本课的主要目标是掌握向量化回测 综合回测程序 该方法总体上非常快，允许测试多种短时间内的参数组合。当速度是关键因素时，应该考虑此方法。 本课介绍了应用于三种类型的交易策略的回测： 基于简单移动均线 (Simple Moving Average) 基于动量 (Momentum) 基于均值回归 (Mean Reversion) 对于每种策略 ，我会教大家如何做策略探索，包括读取和预处理数据，生成交易信号，计算策略指标如收益、波动率、最大回撤、最长回撤期、比对基准、调整最优参数、可视化结果等。
2.1K10发布于 2021-07-07 - 来自专栏钱塘小甲子的博客
Backtrader量化平台教程-Portfolio级别的回测（九）
如果接触过优矿、ricequant这样的平台的同学，可能觉得backtrader不适合做这样的portfolio层面的回测。 前段时间，笔者就做了这样的一个事情，让backtrader能够完成我们想要的组合层面的回测。 1.最终的效果 和一般的portfolio层面的回测平台一样，我们希望，最后我们实现一个策略只要进行一些设置就可以了。 笔者把回测的类封装了起来，只要调用笔者的回测类就可以了。 2.回测函数 接下来就是核心的回测的函数了。
5.7K22发布于 2019-01-28 - 来自专栏子晓AI量化
量化交易的“三驾马车”：数据、策略与回测
想象一下，构建一个量化策略，就像做一道顶级的“佛跳墙”。这道名菜味道鲜美，但工序极其复杂，对食材、火候、调味的要求都近乎苛刻。 而量化交易的世界里，也有这样决定成败的“三驾马车”：数据、策略和回测。 回测，就是这个“试吃”环节。 回测，就是把我们写好的策略（食谱），放到过去的历史数据（食材）中去跑一遍，看看如果按照这个规则操作，历史表现会是怎么样。 回测会告诉我们很多关键信息： 收益率：这道“菜”最终好不好吃？（赚了多少钱？） 最大回撤：制作过程中，最难吃、最失败的时刻是哪样？（历史上最糟糕的一笔亏损会让你亏多少钱？） 但是，回测最大的陷阱是“过拟合”。这就像一个厨师，只为了迎合某位试吃员的口味，把调料调到极致，结果换个人就完全无法下口。 回测是试金石：没有严格、科学的回测，你永远不知道自己的策略是“宝藏”还是“陷阱”。 它们三位一体，构成了一个量化策略从“前世”（数据与想法）到“今生”（策略与回测）的完整生命周期。
27210编辑于 2026-04-23 Python 量化回测实战：从零搭建双均线策略回测系统（免费数据源 + 完整代码）
Python量化回测实战：从零搭建双均线策略回测系统（免费数据源+完整代码）量化交易的核心不是找到一个"神奇策略"，而是用历史数据验证策略是否可行。 本文不依赖任何回测框架，用纯Python+pandas从零搭建一个完整的双均线策略回测系统，包含信号生成、收益计算、最大回撤、年化收益等核心指标。一、回测到底在做什么？ 回测就是拿历史数据模拟交易，回答一个问题：如果过去按这个策略操作，能赚多少钱？ :{mdd*100:.2f}%")print(f"夏普比率:{sharpe:.2f}")print(f"交易次数:{len(trades)}")print("="*50)七、多股票批量回测真正的量化研究不会只跑一只股票 九、总结本文从零搭建了一个完整的量化回测系统：数据获取：TickFlow免费层获取全量历史日K线信号生成：双均线交叉策略模拟交易：含手续费计算和仓位管理风险指标：总收益率、年化收益率、最大回撤、夏普比率批量回测
89910编辑于 2026-05-04- 来自专栏拓端tecdat
r语言多均线股票价格量化策略回测
策略说明 买入条件:多头排列时 ma30<ma5，ma30＜ma10，ma30＜ma20，close＞open，close＞ma5 本策略用R软件对比了不同的清仓信号、止损信号组合的回测效果。 对比组合的策略收益，可以看到使用跌幅止损的策略具有最高的策略收益，且最大回撤控制得也比较好；使用概率止损的策略虽然收益较少，但波动率较低，且最大回撤减少了近一半；
5.9K20发布于 2020-07-28 - 来自专栏sringboot
python 回测设置
本文链接：https://blog.csdn.net/weixin_44580977/article/details/102321995 本程序是关于回测，策略使用上章择时选股策略， 例程代码
1.5K20发布于 2019-11-01 - 来自专栏量化投资与机器学习
【量化核武】美丽的回测——教你定量计算过拟合概率
摘要 金融数据的信噪比很低，使得过拟合成为回测中的必然。本文介绍一个量化分析框架，它可以计算回测中过拟合的概率，有助于评价量化策略的有效性。 在量化投资中，回测（backtesting）就是这样一个漂亮的女人。 众所周知，金融数据中的信噪比很低。 鉴于过拟合的普遍存在以及过拟合的严重后果，如何量化回测中过拟合的概率（Probability of Backtest Overfitting，简称 PBO）就显得至关重要。 Harvey 的一些研究进行了梳理，而本文介绍的回测中过拟合概率的量化手段则是 Dr. Lopez de Prado 和他的 co-authors 提出的。 一个量化策略的提出往往经过回测、模拟盘、实盘三个阶段。回测中有很多门道（见《科学回测中的大学问》）；回测准确与否对于该策略在实盘外的表现至关重要。
2.7K41发布于 2018-10-25 - 来自专栏Rust
Rust + Polars：量化回测为什么能比 Pandas 快 10–100 倍？
我在 2025–2026 年常见量化 ETL + 回测 workload 上测过多次，结果基本一致： 场景（典型量化任务） 数据规模 Pandas 时间 Polars 时间 加速倍数 备注 读取大 CSV Rust + 四大杀招拆解 Polars 不是简单“换了个皮”的 Pandas，它从底层就是为大数据分析而生，Rust 内核 + 现代设计让它在量化回测场景下如鱼得水。 量化回测里，这种循环超级多。 杀招2：列式存储 + Apache Arrow 内存格式 • Pandas 是列式（column-major），分析时到处 copy 数据。 用 polars-xdt 等插件补时间序列功能 结语：2026 年，量化回测的“性能天花板”在变 Pandas 不会死，它是生态之王。 但在性能敏感的量化战场，Rust + Polars 已经是新王者。 很多顶尖对冲基金、量化团队已经在偷偷转向（G-Research 等案例频出）。 你还在用 Pandas 跑一天的回测吗？
20210编辑于 2026-04-23 量化交易系统：历史行情 API 批量拉取与回测数据清洗
做量化交易的人都知道，回测系统的核心不是策略有多花哨，而是数据有多可靠。 如果历史行情数据本身就有问题，那么再完美的回测结果也只是“垃圾进，垃圾出”。 本文从实战出发，聊聊如何通过 API 批量拉取历史行情数据，并做一套严谨的回测数据清洗流程。这些坑，我都踩过。一、为什么历史行情数据这么难搞？ 问题一大堆：不同数据源格式不同，有的前复权、有的后复权、有的不复权停牌日、除权除息日、涨跌停板数据容易被忽略API 限流、断点续传、数据缺失需要处理国内 A 股、美股、期货的数据格式和规则差异巨大一个合格的量化回测系统 三、回测数据清洗 Checklist拉下来的原始数据，离直接用于回测还差好几步。这是我总结的清洗流程，每一步都不能省。 最后，记住一句话：回测是用来排除坏策略的，不是用来证明好策略的。 而这一切的起点，就是靠谱的历史行情数据。希望这篇文章能帮你少走弯路。
25210编辑于 2026-05-25- 来自专栏维恩的派VNPIE
优化的tick级别精准回测引擎，支持双合约回测
moonnejs在「维恩的派」论坛里分享了自己如何对vn.py回测引擎进行改进，使其适合于高频交易。感谢moonnejs的分享！ 根据这个TICK内成交均价和上1TICK的盘口价，计算在1档盘口两边成交量，更新排队值 每笔订单成交量不能大于盘口量 跨交易日订单自动丢弃 双合约回测，同时成交的两个合约按单笔结算 保存每笔成交细节到文件 回测通过的挂撤单逻辑，如果没有时序错误，基本可以直接实盘 贴内问题集锦： 有没有代码？ 本帖分享了两个文件 ctaTemplate1.py(策略模板)和ctaBacktesting.py（回测引擎）； 双合约策略怎么写？ 截止目前，vn.py项目在Github上的Star已经达到5563，量化交易类开源项目第1，量化类项目第3（1、2依旧分别是Zipline和TuShare）。
2.1K30发布于 2018-07-26 - 来自专栏拓端tecdat
MATLAB深度学习Transformer神经网络量化金融时间序列预测交易策略回测
我们将预测三只个股的价格趋势，并使用预测的时间序列值对交易策略进行回测（点击文末“阅读原文”获取完整代码数据）。 在市场数据上回测模型预测 虽然RMSE是量化一组预测性能的常用方法，但我们使用这些预测的目的是利用它们开发一种在测试数据上有利可图的策略。 为了测试交易策略的盈利能力，我们可以使用金融工具箱™中的回测工具。此演示中实现的四种交易策略是： （一）仅做多策略 将所有资本投资于具有正预测回报的股票，与预测回报成比例。 虽然这些回测结果提供了关于使用模型预测实施的交易策略的盈利能力和有效性的见解，但模型和用于测试其预测结果的交易策略在实际交易场景中预计不会盈利。
1.2K11编辑于 2024-11-21 - 来自专栏NetCore
花了2天时间，把量化平台的回测从本地放到了在线
起因 去年不是撸了个量化平台嘛，自己用起来蛮舒服的，但很多用户反应，家里没有电脑，无法做到回测，起初呢也不在意，最近正好有时间，花了2天时间，让它支持了在线回测。 毕竟回测客户端需要的性能并非很高，哪怕我自己多新建几个虚拟机也可，想到这里我就策划起来。 这是当前的回测流程模型： 这是最初想做的在线回测模型： 这种模型需要花费大量的精力处理并发，排队，最主要还是金钱 最后我决定使用下面的模型： 使用上面的好处有哪些呢？ 我可以根据需求增加或者减少回测客户端 成本低廉，完全可以使用自己家里的废弃电脑，或者市面上的挂机宝等等 改造难度小，我不需要重新撸代码了 基于上面的考虑，我开始倒腾了起来。 下面是效果： 后续问题 基本上目前解决了大部分问题，接下来还需要解决一些细节： 回测数据过多，需要排队机制，考虑用ConcurrentQueue 回测服务器的统一管理 回测服务器的自动更新
1.7K30编辑于 2022-09-19 - 来自专栏DeepHub IMBA
QF-Lib：用一个库搞定Python量化回测和策略开发
搞过量化交易的人都清楚，测试策略的时候流程能有多乱：Pandas 管数据、Matplotlib 画图、Backtrader 跑回测，最后还要再用 Excel 做汇总。 而且它还包含了的事件驱动机制，不是简单粗暴地循环价格数据，而是模拟市场开盘、交易执行、日终清算这些真实流程，基本上达到了专业回测系统的最低要求。 QF-Lib 在设计上就考虑了这个问题，能保证回测的时间逻辑不出错。 基于 Pandas 但功能更专业 底层用的是 Pandas，所以学习成本不高。 回测模块设计合理 很多回测框架配置起来特别麻烦光搭环境就要半天，而QF-Lib 的回测器是模块化的，接口设计得比较直观，几分钟就能跑起来一个原型。 如果正在做量化研究或者策略开发，可以考虑用用看。
1.6K10编辑于 2025-11-15 加密量化云上开发：K 线规范化采集与回测优化落地实践
在依托云资源搭建加密量化回测系统的研发工作中，很多开发人员将研发重心放在模型参数调优与指标迭代上，但回测结果复现困难、与实盘运行结果偏差较大的现象十分普遍。 结合云端数据流水线搭建、回测引擎部署的落地经验，从数据规范标准、数据源常见缺陷、接口调用方案、工程落地价值四个维度做技术总结。 一、云端回测对应的 K 线数据规范标准加密 K 线由时间戳、开盘价、最高价、最低价、收盘价、成交量六大关键字段构成，各字段在量化建模中各司其职：收盘价多用于趋势类模型计算，高低价格作为突破策略的判定依据 二、数据源接入时常见的数据异常问题各数据源时间基准不统一，UTC 时区与本地时间混用，多币种数据合并入库后出现时序偏移；小众加密币种历史行情存在片段空缺，空值会打断回测引擎批量迭代运算；K 线时间周期和回测框架预设周期不一致 ，提升量化模型迭代效率。
7810编辑于 2026-06-04- 来自专栏量化小白上分记
从零开始学量化（四）：用python写一个择时策略回测
本篇给出写择时策略回测的详细步骤，并用代码展示全过程，代码用python写，数据和代码后台回复“择时”获取，可以自己测试。 从量化角度来说，择时是通过资产的数据构造出买卖信号，按照买卖信号进行交易。回测就是实现这整个过程。 回测说明 回测标的：沪深300指数 回测区间：2010年1月-2019年3月 代码说明：回测代码分成两块，一块是策略函数（Strategy），一块是评价函数(Performance)，策略函数通过指数的收盘价构造信号 、胜率、逐年收益率、单次最大亏损等指标； 收益都用复利； 回测结果 ? 综上，是一个完整的策略回测和评价过程，当然实际操作中还有许多需要细化的地方，仅供参考，欢迎指正！
12.8K156发布于 2019-05-21 量化私募回测系统：高质量股票外汇历史数据 API 选型与接入
一、从“回测漂亮”到“实盘翻车”：量化数据接口的第一课做量化私募开发有一个常见困局：策略在回测中表现亮眼，一到实盘就频频翻车。 滑点严重、信号滞后、甚至回测曲线和实盘收益完全背离——这类问题在行业里并不少见。根据行业观察，超过 85% 的量化策略失效，其核心原因之一是行情数据的延迟或接口不稳定。 对量化私募而言，回测系统的数据选型不仅仅是“选一个 API”这么简单，它决定了策略验证的可信度，也决定了从研发到实盘的迁移成本。 量化私募的回测系统至少需要覆盖以下几种粒度：Tick 级数据：逐笔成交记录，用于高频策略验证、订单流分析；分钟级 K 线：日内策略回测的基础粒度；日线级及更长周期：中低频策略验证、因子挖掘。 七、总结与建议对于量化私募而言，回测系统的价值不在于它的 UI 有多漂亮，而在于它能否忠实地反映市场真实情况。数据接口是这面镜子的最基础组成部分。
8300编辑于 2026-06-06- 来自专栏拓端tecdat
R语言金融市场量化交易：布林带、价差策略、RSI交易策略，回测COMP 226
# RSI 策略 pos <- long + short pos <- Lag(pos); pos[is.na(pos)] <- 0 return(pos)}复制代码样本内和样本外回测resultsIn 语言改进的股票配对交易策略分析SPY—TLT组合和中国股市投资组合3.R语言时间序列：ARIMA GARCH模型的交易策略在外汇市场预测应用4.TMA三均线期指高频交易策略的R语言实现5.r语言多均线量化策略回测比较
1.4K20编辑于 2022-10-25 - 来自专栏技术人生黄勇
让OpenClaw替你打工：每日摘要、获取社交网站信息、量化模拟回测（实战教程&踩坑）
，获取股市历史数据，进行模拟投资，生成策略回测报告 这不是我一个人做的。 再试试B站，用Agent-Reach搜索B站的关于量化策略的视频。开始未配置Cookie，它调用了全网搜索技能来完成任务。 用Cookie配置完成后，搜索成功。获取策略，进行代码回测。 三：生成量化策略回测报告 怎么做 第一步：安装数据获取技能 要做量化投资，必须要获取数据，先装 QVeris 技能获取股市历史数据。 能否开发一个程序，根据这个日线数据找出一个量化策略，进行中长期（1天～1个月为周期）的交易，能够获得正向的收益率，该策略回测率不超过15% 策略开发成功。 要求复盘，优化，加入手续费。 模拟量化策略回测 ✅ 成功 获取股市历史数据成功；编写中长期保守型量化策略，生成完整的回测报告。
2.7K62编辑于 2026-03-16 - 来自专栏python学习教程
Python爬虫回测股票的实例讲解
在本篇文章里小编给大家整理的是一篇关于Python爬虫回测股票的实例讲解内容，有兴趣的朋友们可以学习下。 股票和基金一直是热门的话题，很多周围的人都选择不同种类的理财方式。 ThreadPoolExecutor(max_workers=3)for datatemp in executor.map(getalldata, shanghaicode):pass 到此这篇关于Python爬虫回测股票的实例讲解的文章就介绍到这了
82010发布于 2021-01-29
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号