第七章 回测框架搭建：向量化回测引擎实现、事件驱动回测引擎实现、滑点与手续费模拟
做基差交易，回测是绕不开的一关。
我见过太多人，策略逻辑写得天花乱坠，一上实盘就亏得底掉。为什么？因为回测框架没搭好。说白了，回测就是你的策略在历史数据上的「模拟飞行」。飞得好，不代表真能上天；飞得不好，那肯定摔得惨。
这一章，咱们就聊聊怎么搭一个靠谱的回测框架。我会把向量化引擎和事件驱动引擎都讲透，再聊聊滑点和手续费那些坑。嗯，都是我在实战中踩过的雷。
7.1 向量化回测引擎：快，但别太信它
向量化回测，说白了就是「批量计算」。你把历史数据全塞进去，一次性算出所有信号和收益。速度快得飞起，几秒钟就能跑完几年的数据。
我个人习惯用向量化引擎做初步筛选。比如，我要测试一个简单的跨期套利策略——当近月合约比远月合约便宜超过1%时开仓。用向量化引擎，几行代码就搞定。
import pandas as pd
import numpy as np
def vectorized_backtest(df, spread_threshold=0.01):
# df 包含近月价格和远月价格
df['spread'] = (df['near_price'] - df['far_price']) / df['far_price']
df['signal'] = 0
df.loc[df['spread'] < -spread_threshold, 'signal'] = 1 # 做多价差
df.loc[df['spread'] > spread_threshold, 'signal'] = -1 # 做空价差
# 计算每日收益
df['daily_return'] = df['signal'].shift(1) * df['spread'].diff()
df['cumulative_return'] = (1 + df['daily_return']).cumprod()
return df你看，就这么简单。但我要提醒你——向量化回测有个大坑：它假设所有交易都能在收盘价成交。现实中，你根本做不到。
有一次，我用向量化引擎跑了一个螺纹钢的跨期套利策略，年化收益高达40%。我兴奋得差点直接上实盘。还好多留了个心眼，用事件驱动引擎重新跑了一遍——结果年化收益只有12%。差距在哪？就在成交细节上。
7.2 事件驱动回测引擎：慢，但真实
事件驱动引擎，就是模拟真实交易环境。每一笔Tick数据进来，引擎都要判断：要不要开仓？要不要平仓？能不能成交？
它慢，但真实。你想想看，实盘交易不就是这样的吗？
事件驱动引擎的核心，是一个事件循环。我一般这么设计：
class EventDrivenBacktest:
def __init__(self, data_handler, strategy, portfolio):
self.data_handler = data_handler
self.strategy = strategy
self.portfolio = portfolio
self.events = []
def run(self):
while True:
# 1. 获取下一个数据事件
event = self.data_handler.get_next_event()
if event is None:
break
# 2. 策略根据事件生成信号
signal = self.strategy.on_event(event)
# 3. 如果有信号，生成订单
if signal:
order = self.portfolio.generate_order(signal)
self.events.append(order)
# 4. 模拟撮合
fill_event = self.match_engine.match(order, event)
# 5. 更新投资组合
self.portfolio.update(fill_event)这个框架看起来简单，但每个环节都有讲究。比如数据处理器，你要考虑是处理Tick数据还是分钟数据。我个人建议，做基差交易至少用分钟数据，Tick数据太吵了。
7.3 滑点模拟：别让理想主义害了你
滑点，就是你的预期成交价和实际成交价之间的差距。做基差交易，滑点尤其要命——因为价差本身就不大，滑点一吃，利润就没了。
我常用的滑点模型有三种：
| 模型类型 | 实现方式 | 适用场景 |
|---|---|---|
| 固定滑点 | 每笔交易固定扣除N个最小变动价位 | 流动性极好的品种（如股指期货） |
| 比例滑点 | 按成交金额的固定比例扣除 | 流动性一般的品种 |
| 基于买卖价差的滑点 | 用历史买卖价差数据模拟 | 最真实，但数据难获取 |
💡 我的经验：做基差交易回测时，滑点至少设2个最小变动价位。别问我为什么，问就是吃过亏。有一次我设了1个最小变动价位的滑点，回测结果漂亮得很。结果实盘第一天，连续三笔交易都没吃到价差，全被滑点吃掉了。
7.4 手续费模拟：蚊子腿也是肉
手续费看起来不多，但基差交易是高频交易，一天可能来回好几次。累积下来，手续费能吃掉你20%的利润。
我一般这样模拟手续费：
def calculate_commission(trade_value, commission_rate=0.0003, min_commission=5):
"""
计算手续费
trade_value: 交易金额
commission_rate: 费率，默认万分之三
min_commission: 最低手续费，默认5元
"""
commission = trade_value * commission_rate
return max(commission, min_commission)注意，不同品种的手续费结构不一样。股指期货是固定金额，商品期货是比例收费。还有，别忘了交易所的「平今仓」优惠——有些品种平今仓手续费是免的。
🔑 核心要点：
- 向量化引擎适合快速筛选，但别用它做最终决策
- 事件驱动引擎更真实，但要注意性能优化
- 滑点至少设2个最小变动价位
- 手续费要按品种特性分别设置
- 回测结果至少要打八折，才是你实盘可能拿到的收益
7.5 回测框架的完整架构
说了这么多，咱们来看看一个完整的回测框架长什么样。我画了一张图，把核心模块和流程都标出来了。
这个架构图，说白了就是四个层次：数据进来，策略决策，执行交易，评估结果。每一层都有它的坑，咱们前面都聊过了。
最后说一句：回测框架搭好了，只是第一步。真正考验人的，是怎么解读回测结果。我见过有人回测收益30%，兴奋得睡不着觉。结果仔细一看，最大回撤40%——这策略你敢用吗？
嗯，回测的事，咱们今天就聊到这儿。记住一句话：回测是工具，不是信仰。