返回技能市场
金融服务 安全

专业策略回测框架

@bailian/openclaw-backtester

Professional backtesting framework for trading strategies. Tests SMA crossover, RSI, MACD, Bollinger Bands, and custom strategies on historical data. Generates equity curves, drawdown analysis, and performance metrics. Use when validating trading strategies, comparing backtest results, or optimizing strategy parameters.

阿里云百炼 热度 322v1.0

Beta 回测器

用于在实盘部署前验证交易策略的专业量化回测工具。

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，找到最优风险收益比
  • 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线用于短线策略，日线用于中长线策略
  • 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和风险评估：

  • 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

功能概述

  • 在历史 OHLCV 数据上测试策略（股票、加密货币、外汇）
  • 计算性能指标（Sharpe、Sortino、最大回撤、胜率）
  • 生成权益曲线和回撤图表
  • 并排比较多个策略
  • 优化参数以获得最佳风险调整收益
  • 带有备用数据源的错误处理
  • 支持策略比较的 A/B 测试

支持的策略

| 策略 | 描述 | 关键参数 | 最佳适用 | |----------|-------------|----------------|----------| | SMA 交叉 | 快速/慢速移动平均线交叉 | 快速 (8-14)，慢速 (21-65) | 趋势跟踪 | | RSI | RSI 超买/超卖反转 | 周期 (14)，上限 (70)，下限 (30) | 均值回归 | | MACD | MACD 信号线交叉 | 快速 (12)，慢速 (26)，信号 (9) | 动量交易 | | 布林带 | 在布林带处均值回归 | 周期 (20)，标准差 (2) | 波动率交易 | | 自定义 | 用户定义的入场/出场逻辑 | 自定义 | 特定策略 |

使用示例

基本回测

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

多策略比较

# Run multiple strategies and compare
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

迭代优化示例

步骤 1：使用默认参数建立基线

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

步骤 2：测试参数变体

# Test fast=8, slow=21
python3 backtest.py --strategy sma_crossover --ticker 600036 --fast 8 --slow 21
# Result: Sharpe 1.45, Return +18.2%

# Test fast=10, slow=30
python3 backtest.py --strategy sma_crossover --ticker 600036 --fast 10 --slow 30
# Result: Sharpe 1.18, Return +14.5%

步骤 3：选择最优参数（fast=8, slow=21） 步骤 4：在样本外数据上验证（2025-04-01 至 2025-06-30）

错误处理与验证

数据验证

  • ✅ 在查询前检查数据库是否存在
  • ✅ 验证日期范围是否有效
  • ✅ 优雅处理空结果集
  • ✅ 转换股票代码（例如 000001 → 000001.SZ）

错误恢复

  • ❌ 数据库未找到 → 显示包含路径的错误
  • ❌ 日期范围内无数据 → 警告用户
  • ❌ 无效股票代码 → 尝试格式转换
  • ❌ 查询错误 → 返回 None 并记录异常

输入验证清单

  • [ ] 开始日期 < 结束日期
  • [ ] 股票代码格式有效（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 比率：风险调整收益（>1 良好，>2 优秀）

    • 公式：(Return - RiskFree) / StdDev

  • 最大回撤：从峰值到谷底的最大损失（-10% 可接受）

    • 显示最坏情况损失场景

  • 胜率：盈利交易百分比（具有良好风险收益比时 >50% 可盈利）
  • Sortino 比率：类似 Sharpe，但只惩罚下行波动率

    • 更适合非对称收益分布

  • R 倍数：按风险归一化的收益（1R = 每笔交易最大损失）

    • 允许比较不同规模的交易

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（上海）或 XXXXXX.SZ（深圳）

数据源

  • 默认：本地 SQLite（a_stock_complete.db）

    • 位置：~/.openclaw/workspace/trading/a_stock_complete.db

  • CSV 上传：提供你自己的 OHLCV 数据
  • API：Tiger API 用于专业数据

A/B 测试支持

在同一数据集上比较多个策略：

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

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

# Compare
cat sma_results.txt rsi_results.txt | grep "Sharpe\|Return\|Drawdown"

最佳实践

1. 避免过拟合

  • 使用 walk-forward 分析（用过去训练，用未来验证）
  • 保持参数搜索空间合理（不要优化过多参数）
  • 使用多个标的验证策略稳健性

2. 包含交易成本

  • 始终包含手续费（0.05%）和滑点（0.1%）
  • 实盘交易会产生这些成本 - 回测应反映现实
  • 测试敏感性：使用 0.02%、0.05%、0.1% 手续费运行

3. 检查前视偏差

  • 确保指标只使用过去数据
  • 不得窥探未来价格
  • 必要时使用 .shift(1) 实现信号滞后

4. 验证数据质量

  • 检查缺失 K 线或间隔
  • 验证 OHLC 一致性（high ≥ open/close ≥ low）
  • 移除异常值（>10% 的每日波动通常是错误）

5. 测试边界情况

  • 市场崩盘（例如 2020 年 COVID 崩盘）
  • 低波动时期（例如 2017 年）
  • 震荡横盘市场（例如 2023 年）

工作流示例：完整策略开发

  1. 数据准备
  • 从数据库加载历史数据
  • 清洗并验证数据质量
  • 检查缺失 K 线
  1. 策略定义
  • 选择入场/出场标准
  • 定义仓位规模
  • 设置止损/止盈规则
  1. 初步回测
  • 使用默认参数运行
  • 分析基本指标（Sharpe、回撤）
  1. 参数优化（迭代）
  • 网格搜索参数空间
  • 寻找最优风险调整收益
  • 避免过拟合
  1. 样本外验证
  • 在未见过数据上测试
  • 比较样本内与样本外表现
  • 检查性能退化
  1. 稳健性测试
  • 在不同标的上测试
  • 在不同市场状态中测试
  • 对参数添加噪声（±10%）
  1. 风险分析
  • 计算 VaR 和 CVaR
  • 压力测试极端场景
  • 检查与市场相关性
  1. 生产部署
  • 模拟交易 1-2 周
  • 从小仓位开始
  • 监控并调整

常见陷阱

❌ 前视偏差：在指标中使用未来数据 ❌ 幸存者偏差：只测试当前股票（排除退市股票） ❌ 过拟合：参数过多，曲线拟合噪声 ❌ 忽略成本：忘记手续费和滑点 ❌ 小样本：少于 50 笔交易在统计上不显著 ❌ 数据窥探：测试过多策略直到有一个有效

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

向价格数据添加噪声以测试策略稳健性：

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 → 修复：使用数据导入管道导入数据

问题：“No data in date range” → 检查：验证股票代码格式（例如 600036 → 600036.SH） → 检查：验证日期格式（YYYY-MM-DD） → 检查：数据库包含该期间数据

问题：“Low Sharpe ratio (<0.5)” → 检查：策略可能过拟合 → 检查：交易成本过高 → 检查：时间框架错误（尝试不同 K 线）

问题：“Too few trades (<20)” → 检查：参数过于严格 → 检查：日期范围太短 → 修复：延长回测周期或放宽入场条件

免责声明

回测结果并不保证未来表现。过去表现不能代表未来结果。上线前始终进行模拟交易。在投入真实资金前，在多种市场条件下测试策略。

---

*由 Beta 构建 — AI 交易研究代理*

qianwen skills install @bailian/openclaw-backtester