Beta 回测器

专业量化回测工具，用于实盘部署前验证交易策略。

应用的设计模式

1. 迭代式优化模式（Iterative Optimization Pattern）

回测框架采用参数优化的迭代流程，逐步优化策略参数：

• 参数扫描：自动遍历参数空间（如 SMA 的 fast/slow、RSI 的超买/超卖阈值）
• 网格搜索：测试不同参数组合，寻找最优风险收益比
• 验证集：使用 walk-forward 分析避免过拟合

2. 情境感知工具选择（Context-Aware Tool Selection）

根据数据类型和市场特性，自动选择合适的数据源：

• 数据源适配：A 股使用本地 SQLite 数据库，美股/加密货币使用 Yahoo Finance
• 时间框架感知：15 分钟 K 线适用于短线策略，日线适用于中长线策略
• 资产类别识别：自动处理股票代码格式转换（如 000001 → 000001.SZ）

3. 特定领域智能（Domain-Specific Intelligence）

内置专业金融指标计算与风险评估能力：

• 性能指标：Sharpe、Sortino、最大回撤、胜率、期望收益
• 风险调整：考虑手续费和滑点的实盘模拟
• 权益曲线：可视化回测结果，支持多策略对比

功能说明

• 在历史 OHLCV 数据（股票、加密货币、外汇）上测试策略
• 计算性能指标（Sharpe、Sortino、最大回撤、胜率）
• 生成权益曲线与回撤图表
• 并排对比多个策略
• 优化参数以获得最佳风险调整后收益
• 具备错误处理机制，并支持备用数据源回退
• 支持 A/B 测试用于策略对比

支持的策略

使用示例

基础回测

python3 backtest.py --strategy sma_crossover --ticker 600036 --start 2025-01-01 --end 2025-03-31

参数优化

python3 backtest.py --strategy rsi --ticker 000001 --start 2025-01-01 --end 2025-03-31 --upper 65 --lower 35

多策略对比

# 运行多个策略并对比结果
python3 backtest.py --strategy sma_crossover --ticker 600519 --start 2025-01-01 --end 2025-03-31
python3 backtest.py --strategy macd --ticker 600519 --start 2025-01-01 --end 2025-03-31
python3 backtest.py --strategy rsi --ticker 600519 --start 2025-01-01 --end 2025-03-31

输出示例

BACKTEST RESULTS: SMA_CROSSOVER | 600036 | 2025-01-01 to 2025-03-31
============================================================
📊 Performance Metrics
Total Return:        +18.2%
Annual Return:        +9.8%
Sharpe Ratio:         1.45 (Good)
Max Drawdown:        -8.7% (Acceptable)
Win Rate:             62% (Above average)
Total Trades:         32
Best Trade:          +6.8%
Worst Trade:         -3.2%
Avg Hold Time:        10 days

📈 Equity Curve
2025-01-15: $10,000 → $10,350 (Entry: SMA cross up)
2025-01-28: $10,350 → $10,520 (Exit: SMA cross down)
2025-02-10: $10,520 → $10,890 (Entry: SMA cross up)
2025-03-05: $10,890 → $11,820 (Exit: SMA cross down)
2025-03-20: $11,820 → $11,820 (Current position)

⚙️ Strategy Parameters
Fast SMA: 8
Slow SMA: 21
Commission: 0.05%
Slippage: 0.1%
Initial Capital: $100,000

迭代式优化示例

步骤 1：使用默认参数运行基准回测

python3 backtest.py --strategy sma_crossover --ticker 600036 --start 2025-01-01 --end 2025-03-31
# 结果：Sharpe 1.25，收益率 +12.3%

步骤 2：测试参数变体

# 测试 fast=8，slow=21
python3 backtest.py --strategy sma_crossover --ticker 600036 --fast 8 --slow 21
# 结果：Sharpe 1.45，收益率 +18.2%

# 测试 fast=10，slow=30
python3 backtest.py --strategy sma_crossover --ticker 600036 --fast 10 --slow 30
# 结果：Sharpe 1.18，收益率 +14.5%

步骤 3：选定最优参数（fast=8，slow=21）

步骤 4：在样本外数据（2025-04-01 至 2025-06-30）上验证

错误处理与校验

数据校验

• ✅ 查询前检查数据库是否存在
• ✅ 校验日期范围是否有效
• ✅ 对空结果集进行优雅处理
• ✅ 自动转换股票代码（例如：000001 → 000001.SZ）

错误恢复

• ❌ 数据库未找到 → 显示错误信息及路径
• ❌ 指定日期范围内无数据 → 向用户发出警告
• ❌ 股票代码无效 → 尝试格式转换
• ❌ 查询异常 → 返回 None 并记录异常日志

输入校验清单

• 起始日期 < 结束日期
• 股票代码格式合法（6 位数字）
• 策略名称受支持
• 初始资金 > 0
• 手续费率合理（0.0001–0.005）

指标说明

• Sharpe Ratio：风险调整后收益（>1 为良好，>2 为优秀）
  公式：(Return − RiskFree) / StdDev
• Max Drawdown：最大峰谷回撤（−10% 属可接受范围）
  反映最差情形下的亏损幅度
• Win Rate：盈利交易占比（>50% 且盈亏比合理即具盈利性）
• Sortino Ratio：类似 Sharpe，但仅惩罚下行波动率
  更适合非对称收益分布
• R-Multiple：以风险单位标准化的收益（1R = 单笔交易最大亏损）
  便于比较不同规模交易的表现

系统要求

• Python 3.8+
• pandas、numpy、matplotlib（自动安装）
• 包含 OHLCV 数据的 SQLite 数据库（a_stock_complete.db）
• 股票代码格式：XXXXXX.SH（上交所）或 XXXXXX.SZ（深交所）

数据源

• 默认：本地 SQLite（a_stock_complete.db）
  路径：~/.openclaw/workspace/trading/a_stock_complete.db
• CSV 上传：提供您自己的 OHLCV 数据
• API：Tiger API（专业行情数据）

A/B 测试支持

在同一数据集上对比多个策略：

# 策略 A：SMA Crossover
python3 backtest.py --strategy sma_crossover --ticker 600036 --start 2025-01-01 --end 2025-03-31 > sma_results.txt

# 策略 B：RSI
python3 backtest.py --strategy rsi --ticker 600036 --start 2025-01-01 --end 2025-03-31 > rsi_results.txt

# 对比结果
cat sma_results.txt rsi_results.txt | grep "Sharpe|Return|Drawdown"

最佳实践

1. 避免过拟合

• 采用 walk-forward 分析（用历史数据训练，用未来数据验证）
• 保持参数搜索空间合理（避免过度优化过多参数）
• 使用多个标的验证策略鲁棒性

2. 包含交易成本

• 始终计入手续费（0.05%）与滑点（0.1%）
• 实盘交易必然产生此类成本——回测必须反映现实
• 进行敏感性测试：分别运行手续费为 0.02%、0.05%、0.1% 的回测

3. 检查前瞻偏差（Look-Ahead Bias）

• 确保指标仅依赖历史数据
• 不得窥探未来价格
• 必要时使用 .shift(1) 实现信号滞后

4. 校验数据质量

• 检查是否存在缺失 K 线或时间断层
• 验证 OHLC 一致性（high ≥ open/close ≥ low）
• 剔除异常值（单日涨跌幅 >10% 通常为数据错误）

5. 测试边界情形

• 市场崩盘（例如：2020 年新冠疫情冲击）
• 低波动时期（例如：2017 年）
• 震荡横盘市（例如：2023 年）

工作流示例：完整策略开发流程

1. 数据准备

   • 从数据库加载历史数据
   • 清洗并校验数据质量
   • 检查是否存在缺失 K 线

2. 策略定义

   • 设定入场/离场条件
   • 定义仓位管理规则
   • 设置止损/止盈规则

3. 初始回测

   • 使用默认参数运行
   • 分析基础指标（Sharpe、回撤等）

4. 参数优化（迭代式）

   • 在参数空间内执行网格搜索
   • 寻找风险调整后收益最优解
   • 防范过拟合

5. 样本外验证

   • 在未见数据上测试
   • 对比样本内与样本外表现
   • 检查性能是否明显衰减

6. 鲁棒性测试

   • 在不同标的上测试
   • 在不同市场周期中测试
   • 对参数添加噪声（±10%）

7. 风险分析

   • 计算 VaR 与 CVaR
   • 极端情景压力测试
   • 检验策略收益与大盘相关性

8. 实盘部署

   • 先进行 1–2 周模拟盘交易（paper trade）
   • 从小仓位起步
   • 持续监控并动态调整

常见陷阱

❌ 前瞻偏差（Look-ahead bias）：指标中使用了未来数据
❌ 幸存者偏差（Survivorship bias）：仅测试当前存续股票（忽略已退市标的）
❌ 过拟合（Overfitting）：参数过多，拟合噪声而非真实规律
❌ 忽略交易成本：遗漏手续费与滑点
❌ 样本量过小：交易次数 <50 符合统计学意义不足
❌ 数据窥探（Data snooping）：测试大量策略直至某一个“有效”

高级功能

自定义策略模板

def calculate_custom_strategy(df: pd.DataFrame, param1: int, param2: float) -> pd.DataFrame:
    """User-defined strategy"""
    df = df.copy()
    
    # Your logic here
    df['signal'] = 0
    df.loc[entry_condition, 'signal'] = 1  # Buy
    df.loc[exit_condition, 'signal'] = -1  # Sell
    
    df['position'] = df['signal'].diff()
    return df

蒙特卡洛模拟

向价格数据注入随机噪声，测试策略鲁棒性：

def add_noise(df: pd.DataFrame, noise_pct: float = 0.01) -> pd.DataFrame:
    """Add random noise to prices"""
    df = df.copy()
    noise = np.random.normal(0, noise_pct, len(df))
    df['close'] = df['close'] * (1 + noise)
    return df

故障排查

问题：“Database not found”
→ 检查：ls ~/.openclaw/workspace/trading/a_stock_complete.db
→ 解决：通过数据导入流水线（data ingestion pipeline）导入数据

问题：“No data in date range”
→ 检查：确认股票代码格式（如 600036 → 600036.SH）
→ 检查：确认日期格式为 YYYY-MM-DD
→ 检查：数据库中是否包含该时段数据

问题：“Low Sharpe ratio (<0.5)”
→ 检查：策略可能存在过拟合
→ 检查：交易成本是否过高
→ 检查：时间周期是否不匹配（尝试不同 K 线周期）

问题：“Too few trades (<20)”
→ 检查：参数是否过于严苛
→ 检查：回测时间段是否过短
→ 解决：延长回测周期或放宽入场条件

免责声明

回测结果不能保证未来实盘表现。过往业绩不代表未来结果。上线实盘前务必进行模拟盘交易（paper trade）。应在多种市场环境下充分测试策略，再投入真实资金。

由 Beta — AI Trading Research Agent 构建