【魔码量化工程实战进阶 #18】本地回测框架从零搭：向量化与无未来函数
【魔码量化工程实战进阶 #18】本地回测框架从零搭：向量化与无未来函数
入门系列第 14 篇讲了"双均线策略回测"一行
rolling。本篇把它升级成正经的回测框架：向量化引擎怎么写、无未来函数怎么保证、事件驱动与向量化怎么选。我们用一段合成价格跑出真实净值，重点不是"赚多少"，而是框架对不对。
本文你将得到什么
- 向量化回测引擎：
收益 = 信号 × 日收益，四行核心 - 无未来函数的铁律：
shift(1)确认，信号绝不碰当天收盘价 - 事件驱动 vs 向量化：取舍与适用场景
- 本机复核（合成 252 日，seed=7）：双均线无成本 总收益 −4.3%，夏普 −0.59，最大回撤 −11.5%
一、痛点：回测赚钱、实盘亏钱
绝大多数"回测很美"死于一个原因：未来函数——信号偷偷用了未来才知道的信息。比如用"当天收盘价上穿均线"当天就买入，等于用收盘后的结果下收盘前的单。框架的第一使命就是堵死未来函数。
二、工程方案：向量化引擎
向量化回测把"逐日循环"变成矩阵运算，快且不易错：
import numpy as np, pandas as pd
s = pd.Series(close) # 后复权收盘价（#09）
ma5 = s.rolling(5).mean()
ma20 = s.rolling(20).mean()
sig = (ma5 > ma20).astype(int).shift(1).fillna(0) # 次日确认，无未来函数
ret = np.log(s / s.shift(1)).fillna(0) # 对数收益（#14）
pnl = sig * ret # 持多时吃收益，空仓时收益=0
equity = np.exp(pnl.cumsum()) # 净值曲线（期初=1）
四行核心：sig（信号）→ ret（收益）→ pnl（组合收益）→ equity（净值）。
无未来函数的关键：sig 用 shift(1)——金叉在 T 日确认，但 T+1 才持仓。回测里"信号日"和"持仓日"必须错开一天。
三、事件驱动 vs 向量化
| 方式 | 做法 | 优点 | 缺点 | 适合 |
|---|---|---|---|---|
| 向量化 | 整个序列矩阵运算 | 极快、代码短、不易错 | 难表达"复杂下单逻辑/状态" | 信号→持仓映射简单 |
| 事件驱动 | 逐根 bar 推进，维护持仓/现金状态 | 能精确模拟撮合、手续费、部分成交 | 慢、易写错、难调试 | 高频/复杂撮合/组合约束 |
新手从向量化起步，验证逻辑；要上实盘再迁移到事件驱动（或成熟回测库）。
四、本机复核（合成 252 日，seed=7）
用一段随机游走价格跑双均线（long-only）：
无成本: 总收益 = -4.3% 夏普 = -0.59 最大回撤 = -11.5%
这组数字是负的——这是故意的诚实演示：双均线在随机/震荡样本下本就难以稳定盈利。本文用它演示框架与指标，不是荐股。重点看结构：框架正确（无未来函数）、回撤可量化、夏普为负说明样本期策略无效。真实有效策略需另选信号 + 样本外验证（#17 IC）。
五、原理深挖：四个回测杀手
- 未来函数（致命）：信号碰了当天
close/high/low即违规。所有信号必须shift(1)或基于t−1及之前数据。 - 幸存者偏差：回测只含"现在还在"的股票，漏掉退市的（它们当年也该被选中），胜率虚高。截面用"当时全部上市股票"。
- 前视对齐：多股票用面板时，必须按交易日对齐（#08），别用行号。
- 数据权限：回测要完整历史后复权，免费证常不够——需对应权限（Pro 完整历史）。
六、小结
回测框架 = 向量化引擎（四行核心）+ 无未来函数（shift(1)）+ 可量化输出（收益/夏普/回撤）。它不保证赚钱，但保证"你测的是你以为你在测的"。下一篇加成本——你会看到同样的信号，实盘能差出几个点。
回测依赖完整后复权历史；魔码量化 Pro 包（完整历史 + 全市场实时）让框架能从"单只试玩"扩到"全市场样本外"。详见文末。
免责声明：本文所有示例数据仅用于接口演示，不构成任何投资建议；市场有风险，投资需谨慎。
系列持续更新中。 想要亲手跑通上面的代码？前往 魔码证书申请页 免费领取你的专属证书，复制即用、按次计费、稳定可用。
