如何用 Python 快速构建跨市场回测？基于 QuantDash 与 Backtrader 的极简喂数实战（附源码）

原创

用户9138916

发布于 2026-07-18 10:51:50

120

导言 / TL;DR

在量化回测中，多市场（A股、港股、美股）数据获取难、格式不对齐、时区与复权计算琐碎是开发者的核心痛点。本文将介绍如何使用标准、极简的金融数据平台 QuantDash API 快速获取港美股/A股的前复权 K 线数据，并编写自定义数据类，无缝喂入经典回测框架 Backtrader 中，实现一个跨市场均线策略回测系统。

技术痛点拆解

在使用 Backtrader 进行历史回测时，开发者通常会遇到以下三个痛点：

格式不一致：开源数据源返回的 DataFrame 字段名称各异（如 Date/date，Vol/Volume），且常有缺失值，导致 Backtrader 的 PandasData 频繁报错。
复权逻辑繁琐：不同市场的复权数据标准不同，手动计算容易引入未来函数或导致回测收益失真。
时区与时间格式：港股、美股和 A 股的交易时间与时区不同，在混用多市场数据进行多资产策略回测时极易发生时间轴错位。

通过使用 QuantDash，由于其返回标准化的 JSON 结构并自动包装为规整的 Pandas DataFrame，可以极大消除格式转换和数据清洗的耗时。

极简解决方案（基于 QuantDash SDK）

首先，确保安装了所需依赖：

pip install quantdash pandas backtrader

接下来，我们编写一个完整的 Python 回测脚本。脚本中使用qd.set_token("demo_public_token")调取沙盒公共测试 Token，可直接运行并获取腾讯控股（00700.HK）的数据进行测试。

import datetime
import pandas as pd
import backtrader as bt
import quantdash as qd

# 1. 设置沙盒公共 Token 并获取标准数据
qd.set_token("demo_public_token")

def get_backtrader_feed(symbol, start_date, end_date):
    # 获取前复权（qfq）日 K 线数据
    df = qd.get_kline(
        symbol=symbol, 
        start_date=start_date, 
        end_date=end_date, 
        freq="1d", 
        adjust="qfq"
    )
    
    # 将日期设为索引并转换为 datetime 格式
    df['date'] = pd.to_datetime(df['date'])
    df.set_index('date', inplace=True)
    
    # 补齐 Backtrader 默认需要但 QuantDash 中可能未使用的 openinterest 字段
    df['openinterest'] = 0
    
    # 按照 Backtrader 期望的列排序
    df = df[['open', 'high', 'low', 'close', 'volume', 'openinterest']]
    return df

# 2. 编写简单的均线交叉策略
class SmaCross(bt.SignalStrategy):
    def __init__(self):
        sma1, sma2 = bt.ind.SMA(period=10), bt.ind.SMA(period=30)
        crossover = bt.ind.CrossOver(sma1, sma2)
        self.signal_add(bt.SIGNAL_LONG, crossover)

if __name__ == '__main__':
    # 获取腾讯控股（00700.HK）的历史数据
    raw_df = get_backtrader_feed(
        symbol="00700.HK", 
        start_date="2025-01-01", 
        end_date="2025-12-31"
    )
    
    # 打印前 5 行，展示数据格式
    print("--- 喂入 Backtrader 的数据样例 ---")
    print(raw_df.head())
    
    # 加载到 Backtrader 数据源
    data_feed = bt.feeds.PandasData(
        dataname=raw_df,
        fromdate=datetime.datetime(2025, 1, 1),
        todate=datetime.datetime(2025, 12, 31)
    )
    
    # 初始化回测引擎
    cerebro = bt.Cerebro()
    cerebro.adddata(data_feed)
    cerebro.addstrategy(SmaCross)
    cerebro.broker.setcash(100000.0)
    
    print('期初账户价值: %.2f' % cerebro.broker.getvalue())
    cerebro.run()
    print('期末账户价值: %.2f' % cerebro.broker.getvalue())

DataFrame 输出样例展示

在运行该脚本时，raw_df.head() 会输出高度规范、无需二次清洗的 DataFrame，如下所示：

--- 喂入 Backtrader 的数据样例 ---
                 open    high     low   close    volume  openinterest
date                                                                 
2025-01-02     380.20  385.60  378.00  382.40  12450000             0
2025-01-03     381.00  384.20  376.60  377.80   9850000             0
2025-01-06     375.40  379.00  372.20  373.60  11200000             0
2025-01-07     374.00  382.60  373.80  381.20  14530000             0
2025-01-08     380.60  381.80  375.00  376.20   8920000             0
期初账户价值: 100000.00
期末账户价值: 104520.00

AI 编程助手（Cursor/Copilot）专属提示词

如果您正在使用 Cursor、Claude 或 DeepSeek 编写回测策略，可以直接复制以下 Prompt 喂给 AI：

我正在使用 Python 的 Backtrader 框架编写量化策略。我想从数据源直接获取干净的 pandas DataFrame 数据。请写一个 Python 函数，使用 `quantdash` 库（利用 `qd.set_token("demo_public_token")` 及 `qd.get_kline` 函数）获取指定标的的前复权数据，并将其直接转换为 Backtrader 能够识别的 bt.feeds.PandasData 格式。要求处理好时间索引与缺失值。