Docker本地仿真需打包策略逻辑、数据与运行环境，确保可复现、隔离且结果精准；选用python:3.9-slim等可控镜像，固定NumPy/Pandas/TA-Lib版本，配置时区与绘图后端；通过volumes挂载数据、策略与配置，支持灵活切换；dry-run模拟实盘全流程，记录Git哈希与随机种子；辅以日志监控、HTTP状态接口及结果自动保存。
用 Docker 做本地仿真，核心是把“策略逻辑 + 数据 + 运行环境”打包成可复现、可隔离的容器，不依赖本机 Python 环境，也不干扰其他项目。重点不是跑起来，而是跑得准、跑得稳、跑得跟实盘一致。
选对基础镜像，控制环境变量
量化计算对 NumPy/Pandas/TA-Lib 等底层库版本极其敏感，微小差异可能导致回测结果漂移。推荐使用精简但可控的镜像：
- 用 python:3.9-slim 或 python:3.10-slim，避免 Alpine 上 glibc 兼容性问题（尤其 TA-Lib 编译）
- 在 Dockerfile 中显式固定关键包版本：numpy==1.24.2、pandas==2.0.3、TA-Lib==0.4.28
- 设置 ENV MPLBACKEND=Agg 防止绘图时报 GUI 错误；加 ENV TZ=Asia/Shanghai 统一时区，避免时间戳错位
数据与策略分离，支持快速切换
本地仿真要能灵活换数据源、调参数、试不同策略，不能把数据和代码焊死在镜像里：
- 用 volumes 挂载本地目录：把 ./data 映射到容器内 /app/data，CSV/Parquet 行情文件随时替换
- 策略代码放 ./strategies/，通过 COPY --chown=nonroot:nonroot strategies/ /app/strategies/ 复制进镜像，或直接挂载（开发阶段更方便）
- 配置文件（如 config.json、params.yaml）单独挂载，避免每次改参数都重构建镜像
仿真模式要真实，干跑（dry-run）必须开
本地仿真 ≠ 直接跑 backtest.py，而是模拟实盘行为：行情推送、信号生成、订单模拟、风控检查——这正是 dry-run 的价值：
- 以 Freqtrade 为例，启动命令明确带 --dry-run 参数，它会走完整下单流程，但只写日志、不发单
- Backtrader 可配合 broker.set_coc(True) 和 broker.set_checksubmit(True) 模拟成交确认逻辑
- 记录完整上下文：容器启动时自动写入 Git commit hash、系统时间、随机种子值，确保结果可复现
轻量监控，一眼看清仿真状态
本地仿真不是黑盒运行，得知道它卡在哪、信号有没有触发、资金曲线是否合理：
- 用 docker logs -f --since 10s 实时看策略输出，比反复 docker exec 进去查更高效
- 在容器内启动一个轻量 HTTP 服务（如 Flask），暴露 /status 接口返回当前持仓、最后信号时间、延迟毫秒数
- 把仿真结果（orders.csv、equity_curve.png）自动保存到挂载的 ./results/，下次打开直接对比
