

> 本文你将得到什么：
> 1. 一个 50 行左右、可直接复制运行的"最小回测引擎"
> 2. 理解回测的三要素：数据、信号、执行
> 3. 学会"信号日收盘计算、次日开盘执行"的无前视偏差写法
> 4. 逐日净值记录 + 策略 vs 买入持有对比
> 5. 净值曲线可视化

---

## 痛点：回测很美，实盘很惨

很多人写过这样的"回测"：算出金叉，直接看金叉之后涨没涨，涨了就算盈利。这么算出来的策略年化 50%，一上实盘就亏——因为它犯了一个致命错误：**你在用当天收盘价确认信号，又假设当天收盘价成交**。现实中你根本做不到"看到收盘信号又以收盘价买入"。

回测不可信，多数时候不是策略不行，而是**引擎写错了**。本文从零搭一个最小但正确的回测引擎，把"数据 → 信号 → 执行 → 净值"四步拆清楚。

---

## 环境准备

```bash
pip install mairui pandas numpy matplotlib
```

---

## 第一步：拉取日线数据

```python
from mairui import Client
import pandas as pd

client = Client("LICENCE-66D8-9F96-0C7F0FBCD073")
bars = client.stock_history(code="600519", period="d", dividend="f")

df = pd.DataFrame(bars)
df = df.rename(columns={"t": "date"})
df = df.sort_values("date").reset_index(drop=True)
for col in ("o", "h", "l", "c", "v"):
    df[col] = df[col].astype(float)
```

说明：这里用的是公开演示证书，为演示方便明文写入；实际项目请换成你自己的正式证书（申请配置见 SDK 文档 https://github.com/MaiRuiApi/mairui ），换证后代码无需修改。

回测的第一原则：**数据质量决定回测质量**。字段缺失、复权口径混乱、K 线有洞，任何回测结果都不可信。用稳定的数据接口先把数据这一层做扎实，再去谈策略。

---

## 第二步：生成信号

用最经典的 MA5/MA20 双均线：金叉买入（+1），死叉卖出（-1）。

```python
def ma_cross_signals(df):
    df = df.copy()
    df["ma5"] = df["c"].rolling(5).mean()
    df["ma20"] = df["c"].rolling(20).mean()
    signals = []
    for i in range(1, len(df)):
        prev, curr = df.iloc[i - 1], df.iloc[i]
        if pd.isna(curr["ma20"]):
            continue
        if prev["ma5"] <= prev["ma20"] and curr["ma5"] > curr["ma20"]:
            signals.append((i, curr["date"], 1))
        elif prev["ma5"] >= prev["ma20"] and curr["ma5"] < curr["ma20"]:
            signals.append((i, curr["date"], -1))
    return signals

signals = ma_cross_signals(df)
print(f"信号共 {len(signals)} 个")
```

**输出示例**：

```
信号共 2 个: 2025-11-03死叉, 2025-11-10金叉
```

注意：信号是**用第 i 天的收盘价算出来的**，所以它只能在第 i 天收盘之后才"存在"。

---

## 第三步：最小回测引擎（核心 50 行）

引擎规则，三条讲清楚：

1. **信号日收盘计算，次日开盘执行**——第 i 天的信号，第 i+1 天以开盘价成交。这是消灭前视偏差的关键一步；
2. **按手取整**——A 股一手 100 股，`int(现金/价格/100)*100`；
3. **逐日记净值**——每天收盘后记一次 `现金 + 持仓市值`，净值曲线是回测的底层数据。

```python
def run_backtest(df, signals, cash=100000.0):
    # i 日信号 -> i+1 日执行
    sig_by_next = {i + 1: side for i, _, side in signals}
    position, cash_now = 0, cash
    equity, trades = [], []
    for i in range(len(df)):
        row = df.iloc[i]
        side = sig_by_next.get(i)
        if side == 1 and position == 0:
            shares = int(cash_now / row["o"] / 100) * 100
            if shares > 0:
                cash_now -= shares * row["o"]
                position = shares
                trades.append((row["date"], "BUY", shares, row["o"]))
        elif side == -1 and position > 0:
            cash_now += position * row["o"]
            trades.append((row["date"], "SELL", position, row["o"]))
            position = 0
        equity.append(cash_now + position * row["c"])
    return equity, trades

equity, trades = run_backtest(df, signals)
for d, side, sh, px in trades:
    print(f"{d} {side} {sh} 股 @ {px:.2f}")
```

**输出示例**：

```
2025-11-11 BUY 8800 股 @ 11.29
```

看执行日期：金叉发生在 2025-11-10，成交在 11-11——**信号和成交差了一天**，这才是可执行的回测。

---

## 第四步：净值与收益对比

```python
init = equity[0]
final = equity[-1]
bh = df["c"].iloc[-1] / df["c"].iloc[0] - 1          # 买入持有
peak = pd.Series(equity).cummax()
mdd = ((pd.Series(equity) - peak) / peak).min()      # 最大回撤

print(f"初始资金: {init:,.2f} 元")
print(f"期末净值: {final:,.2f} 元  策略收益 {final/init-1:+.2%}")
print(f"买入持有: {bh:+.2%}")
print(f"最大回撤: {mdd:.2%}")
```

**输出示例**：

```
初始资金: 100,000.00 元
期末净值: 100,352.00 元  策略收益 +0.35%
买入持有: +3.47%
最大回撤: -5.96%
```

策略收益 +0.35%，跑输买入持有的 +3.47%——**这是正常的**，样本只有 50 个交易日、信号只有 2 个，双均线在震荡市本来就不占优。回测的意义不是"证明策略赚钱"，而是**用同一把尺子量化策略行为**，后面几篇我们在这把尺子上加成本、加仓位管理、加指标体系。

---

## 净值曲线可视化

```python
import matplotlib.pyplot as plt
plt.rcParams["font.sans-serif"] = ["SimHei", "Microsoft YaHei"]
plt.rcParams["axes.unicode_minus"] = False

fig, ax = plt.subplots(figsize=(12, 5))
ax.plot(range(len(df)), equity, label="双均线策略", color="red", linewidth=1.2)
ax.plot(range(len(df)), init * df["c"] / df["c"].iloc[0],
        label="买入持有", color="gray", linewidth=1, linestyle="--")
ax.set_title("双均线策略 vs 买入持有")
ax.set_ylabel("净值（元）")
ax.legend()
ax.grid(True, alpha=0.3)
plt.tight_layout()
plt.savefig("backtest_engine.png", dpi=150)
```

---

## 常见坑

1. **当日收盘成交**：用当日收盘价既算信号又成交，是最常见的前视偏差，收益会"虚高"一大截；
2. **不按手取整**：回测里 1013.4 股这种数字，实盘根本下不了单；
3. **忘了现金**：净值只记持仓市值、忘记加现金，回撤会凭空放大；
4. **样本太短就下结论**：50 根 K 线只能验证"引擎跑得对"，不能验证"策略赚不赚钱"。

---

## 小结与下篇预告

- 最小回测引擎 = 数据 + 信号 + 执行 + 逐日净值，核心是"次日开盘执行"这条纪律；
- 信号与成交差一天，是回测可信的第一道防线；
- 本文引擎是零成本的——下一篇把手续费、印花税、滑点算进去，看看成本到底吃掉多少收益。

---

## 免责声明

本文所有内容仅用于技术学习与交流，不构成任何投资建议。股市有风险，投资需谨慎。


很多人写过这样的"回测"：算出金叉，直接看金叉之后涨没涨，涨了就算盈利。这么算出来的策略年化 50%，一上实盘就亏——因为它犯了一个致命错误：你在用当天收盘价确认信号，又假设当天收盘价成交。现实中你根本做不到"看到收盘信号又以收盘价买入"。

【Python量化回测实战 01】自己写的回测一上实盘就亏？从零搭一个最小回测引擎

编程语言

算法

本文从零搭建50行最小回测引擎，涵盖数据、信号、执行、净值四要素，强调次日开盘执行消除前视偏差，逐日净值对比买入持有，附可视化与常见坑解析，助你构建可信回测框架。

数据接口

代码解释

GitHub

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

【Python量化回测实战 01】自己写的回测一上实盘就亏？从零搭一个最小回测引擎-腾讯云开发者社区-腾讯云

【Python量化回测实战 01】自己写的回测一上实盘就亏？从零搭一个最小回测引擎

【Python量化回测实战 01】自己写的回测一上实盘就亏？从零搭一个最小回测引擎

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐