

> 本文你将得到什么：
> 1. 一个 Strategy 基类：策略只写 `on_bar`，一行执行代码都不用碰
> 2. 一个事件式回测引擎：收盘收单、次日开盘成交，策略无法"偷看"执行细节
> 3. 同一个引擎跑两个策略（慢速 MA5/MA20 vs 快速 MA3/MA10），引擎零改动
> 4. 策略与引擎的职责边界清单，改策略不再动引擎

---

## 痛点：改一个策略，动半个引擎

前三篇的回测代码有一个共同问题：信号计算、仓位规则、执行逻辑全搅在一个 `run_backtest` 函数里。想加一个 RSI 策略？只能复制整个函数再改中间几行——改着改着，原来的策略也被你顺手改坏了。

解法是工程上最经典的一步：**信号与执行解耦**。策略只负责"在每一根 K 线上做决策"，引擎只负责"下单怎么成交、钱怎么算"。两者之间只留一个窄接口：`on_bar`。

---

## 环境准备

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

---

## 第一步：数据获取

数据层与前三篇完全一致：

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

client = Client("LICENCE-66D8-9F96-0C7F0FBCD073")  # 演示证书，请换成你自己的正式证书
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。

---

## 第二步：执行接口与策略基类

先定义两者之间唯一的通道——`Context`。策略能看到的只有它：想买就 `ctx.pending = "buy"`，它**摸不到**撮合逻辑、也算不了账。

```python
class Context:
    """策略与引擎之间的执行接口：策略只能通过它下单。"""
    def __init__(self, cash):
        self.cash = cash
        self.position = 0      # 当前持仓（股）
        self.pending = None    # 收盘挂单：'buy' / 'sell'，次日开盘成交


class Strategy:
    """策略基类：子类只实现 on_bar，不写一行执行代码。"""
    name = "strategy"

    def on_bar(self, bar, ctx):
        raise NotImplementedError
```

---

## 第三步：写一个策略，只需 on_bar

均线交叉策略压缩成十几行：自己攒收盘价、算均线、金叉挂买单、死叉挂卖单。注意它**从不直接动钱**——挂单只是"请求"，成不成交、按什么价成交，全是引擎的事。

```python
class SmaCross(Strategy):
    """均线交叉策略：fast 上穿 slow 挂买单、下穿挂卖单。"""
    def __init__(self, fast, slow):
        self.fast, self.slow = fast, slow
        self.name = f"SMA{fast}/{slow}"
        self.closes = []

    def on_bar(self, bar, ctx):
        self.closes.append(bar["c"])
        if len(self.closes) < self.slow + 1:
            return
        f_now = sum(self.closes[-self.fast:]) / self.fast
        s_now = sum(self.closes[-self.slow:]) / self.slow
        f_prev = sum(self.closes[-self.fast - 1:-1]) / self.fast
        s_prev = sum(self.closes[-self.slow - 1:-1]) / self.slow
        if f_prev <= s_prev and f_now > s_now:
            ctx.pending = "buy"
        elif f_prev >= s_prev and f_now < s_now:
            ctx.pending = "sell"
```

想换 RSI、布林带策略？再写一个 `on_bar` 就行，引擎一个字都不用改。

---

## 第四步：事件式引擎

引擎的一天分四步：① 开盘执行昨日挂单 → ② 期末强平（仅最后一天）→ ③ 收盘记净值 → ④ 调策略 `on_bar` 收新挂单。策略在收盘后做的决策，天然只能次日开盘成交——**想犯前视偏差都难**。

```python
class BacktestEngine:
    """事件式回测引擎：逐日喂 bar，收盘后收单、次日开盘成交。"""
    def __init__(self, df, cash=100000.0):
        self.df = df
        self.cash = cash

    def run(self, strategy):
        df = self.df
        ctx = Context(self.cash)
        equity, n_exec = [], 0
        n = len(df)
        for i in range(n):
            row = df.iloc[i]
            # 1) 次日开盘执行昨日收盘挂单
            if ctx.pending == "buy" and ctx.position == 0 and i < n - 1:
                shares = int(ctx.cash / row["o"] / 100) * 100
                if shares > 0:
                    ctx.cash -= shares * row["o"]
                    ctx.position = shares
                    n_exec += 1
            elif ctx.pending == "sell" and ctx.position > 0:
                ctx.cash += ctx.position * row["o"]
                ctx.position = 0
                n_exec += 1
            ctx.pending = None
            # 2) 期末强平（按末日开盘价）
            if i == n - 1 and ctx.position > 0:
                ctx.cash += ctx.position * row["o"]
                ctx.position = 0
            # 3) 收盘记净值
            equity.append(ctx.cash + ctx.position * row["c"])
            # 4) 策略决策（仅产生挂单，不直接动钱）
            strategy.on_bar(row, ctx)
        return equity, n_exec
```

---

## 第五步：一个引擎，跑两个策略

```python
engine = BacktestEngine(df)
for st in [SmaCross(5, 20), SmaCross(3, 10)]:
    eq, n_exec = engine.run(st)
    r = eq[-1] / eq[0] - 1
    print(f"{st.name}: 收益 {r:+.2%}  成交 {n_exec} 次")
```

**输出示例**：

```
SMA5/20: 收益 -0.44%  最大回撤 -5.96%  成交 1 次
SMA3/10: 收益 -0.71%  最大回撤 -9.31%  成交 8 次
买入持有: +3.47%
```

---

## 结果怎么读

1. **引擎零改动跑了两个策略**——这就是解耦的价值。对比也更有说服力：两个策略的差别只剩参数，执行口径完全相同；
2. 快信号（SMA3/10）交易频繁（8 次成交 vs 1 次），在这段震荡样本里两头挨打（-0.71% vs -0.44%）——信号多不等于赚得多；
3. 一个口径说明：本引擎在**期末按末日开盘价强平**，第 01 篇的引擎是"末日按收盘记净值"不强平，所以 SMA5/20 与 #01 的 +0.35% 有小幅差异（最大回撤 -5.96% 完全一致）。两个口径都合法，但**同一个项目里必须统一**，否则跨策略对比会失真。

---

## 常见坑

1. **策略直接改 `ctx.cash` / `ctx.position`**：绕过接口等于没解耦，引擎的账就乱了。策略只允许写 `ctx.pending`；
2. **在 on_bar 里直接下单当日成交**：事件式接口的价值就是强制"收盘决策、次日成交"，把执行塞回策略里前视偏差马上回来；
3. **把指标计算塞进引擎**：引擎只认 bar 和订单。均线、RSI 都是策略自己的事；
4. **每个引擎的期末口径不一样**：强平 / 不强平、按开盘 / 按收盘，跨策略对比前先对齐口径。

---

## 小结与下篇预告

- 策略只写 `on_bar`、引擎只管执行，一个引擎跑 N 个策略，加策略不再动引擎；
- 收盘决策、次日开盘成交由接口强制保证，前视偏差从结构上被挡住；
- 到这里引擎能跑了，但报告只有一个收益率数字——下一篇把**年化、最大回撤、夏普、卡玛、胜率**做成一键输出的绩效全家桶。

---

## 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。


同一个引擎跑两个策略（慢速 MA5/MA20 vs 快速 MA3/MA10），引擎零改动

【Python量化回测实战 04】策略和引擎搅在一起改不动？信号与执行解耦的 on_bar 事件式接口

人工智能

学习事件式回测引擎与策略解耦设计：通过Strategy基类只写on_bar决策、引擎负责收盘收单与次日开盘成交，实现信号与执行分离。同一引擎零改动运行MA5/20与MA3/10双策略对比，揭示快信号高频交易在震荡市收益更低，并附常见坑与绩效评估预告。

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 04】策略和引擎搅在一起改不动？信号与执行解耦的 on_bar 事件式接口-腾讯云开发者社区-腾讯云

【Python量化回测实战 04】策略和引擎搅在一起改不动？信号与执行解耦的 on_bar 事件式接口

【Python量化回测实战 04】策略和引擎搅在一起改不动？信号与执行解耦的 on_bar 事件式接口

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