20 行代码回测一个交易策略：backtesting.py 快速上手指南-平芜编程栈

20 行代码回测一个交易策略：backtesting.py 快速上手指南

【免费下载链接】backtesting.py🔎 📈 🐍 💰 Backtest trading strategies in Python.项目地址: https://gitcode.com/GitHub_Trending/ba/backtesting.py

backtesting.py 是一个用 Python 做交易策略回测的轻量框架：你给它一段 OHLC 历史行情和一个买卖规则，它按 K 线逐根重放，算出收益率、最大回撤、胜率等指标，还能画出可交互的 K 线复盘图。适合想验证自己交易想法、又不想手写回测引擎的你。读完这篇文章，你就能用自带的测试数据跑通第一次回测，并知道怎么调参、怎么避开常见坑。

先看看没有回测框架的滋味

你想验证一个"双均线金叉买入、死叉卖出"的策略，没有工具的话得自己干这些事：写循环逐天计算均线、判断交叉、扣佣金、记录净值、统计回撤……几十行代码写完还要怀疑自己算错。更难受的是换个参数组合（比如 10/20 换成 15/30）就得重跑一遍，画个净值曲线又得另写绘图代码。

backtesting.py 把这些重复劳动收进了一个Backtest引擎：数据喂进去、策略用两个方法声明，结果指标和交互图直接吐出来。指标库它不绑死，你自带的SMA函数、TA-Lib 或者任何返回序列的函数都能用。

3 分钟装好并跑出第一个回测结果

一行命令装上：

pip install backtesting

如果想拿开发版：

git clone https://gitcode.com/GitHub_Trending/ba/backtesting.py

下面这段代码用框架自带的谷歌（GOOG）测试数据跑一个双均线交叉策略。注意SMA不是框架内置的，是快速上手指南里自己定义的一个滑窗均值函数，框架对指标库持中立态度。

import pandas as pd from backtesting import Backtest, Strategy from backtesting.lib import crossover SMA = lambda v, n: pd.Series(v).rolling(n).mean() class SmaCross(Strategy): def init(self): self.ma1 = self.I(SMA, self.data.Close, 10) self.ma2 = self.I(SMA, self.data.Close, 20) def next(self): if crossover(self.ma1, self.ma2): self.buy() elif crossover(self.ma2, self.ma1): self.sell() bt = Backtest(GOOG, SmaCross, commission=0.002) stats = bt.run()

bt.run()返回的stats就是一张完整的统计报表：总收益、年化、最大回撤、交易次数、胜率、利润因子等。README 里同参数示例的输出显示，这个策略九年赚了约 589%，但最大回撤 -33%、最长回撤持续 688 天——收益和险被放在同一张表里，这正是回测的意义。再调一句bt.plot()，就能在浏览器里打开可缩放的 K 线图：买卖点、净值曲线、回撤区间全标出来了。

两个方法讲透：init 和 next 在干什么

理解框架的核心机制只需要想清楚一件事：它把历史行情当成录像带，一根 K 线一根 K 线地播给你看。

类比一下值班看盘。init()是开市前的一次性准备：所有指标（均线、你写的任何函数）在这里用向量化方式一次算完，快且只需算一次。next()则是盘中的每一根 K 线收盘时，框架回调你一次，此时数据被"截断"到当前时刻，self.data.Close[-1]是当前收盘价，[-2]是前一根——就像你只能看到已经走完的 K 线，看不到未来。框架还替你处理了执行细节：self.buy()下单后默认下一根 K 线开盘成交，佣金按你给的commission比例扣。

典型用法：参数怎么扫、明细怎么查

写策略时别把参数写死。把n1、n2声明成类变量，就能直接交给optimize扫描：

stats = bt.optimize(n1=range(5, 30, 5), n2=range(10, 70, 5), maximize='Equity Final [$]', constraint=lambda p: p.n1 < p.n2)

每个参数传一组候选值，maximize指定以哪个统计量最优，constraint过滤掉n1 >= n2这种非法组合。stats返回的仍是统计 Series，其中_trades列是逐笔交易明细（入场/出场时间、价格、持仓收益），_equity_curve是净值与回撤曲线，都是普通 pandas 对象，方便你接着分析。想多看几类玩法，参数优化示例演示了热力图对比，策略库示例给了一批可组合的基础策略。