3. 向量化回测实现

任务目标

用 pandas 向量化操作替代逐行循环，完成策略信号生成与持仓计算。以双均线策略为例：快线上穿慢线时全仓买入，下穿时清仓，最终输出每日持仓状态与策略净值曲线。

环境依赖

仅需 pandas 与 numpy，无需其他第三方库。数据使用内置生成的模拟行情，保证可独立复现。

关键完整代码

import pandas as pd
import numpy as np

# 生成模拟行情（100个交易日）
np.random.seed(42)
dates = pd.date_range('2024-01-01', periods=100, freq='D')
price = 100 + np.cumsum(np.random.normal(0, 1, 100))
df = pd.DataFrame({'close': price}, index=dates)

# 计算快慢均线
df['fast_ma'] = df['close'].rolling(5).mean()
df['slow_ma'] = df['close'].rolling(20).mean()

# 向量化信号生成：快线在慢线上方为1，否则为0
df['signal'] = (df['fast_ma'] > df['slow_ma']).astype(int)

# 向量化持仓计算：信号变化时调仓（前一行信号作为当前持仓）
df['position'] = df['signal'].shift(1).fillna(0)

# 向量化策略收益与净值
df['market_return'] = df['close'].pct_change().fillna(0)
df['strategy_return'] = df['position'] * df['market_return']
df['strategy_nav'] = (1 + df['strategy_return']).cumprod()
df['buy_hold_nav'] = (1 + df['market_return']).cumprod()

# 输出关键结果
print(df[['close', 'fast_ma', 'slow_ma', 'signal', 'position', 'strategy_nav']].tail(5))
print(f"\n策略最终净值: {df['strategy_nav'].iloc[-1]:.4f}")
print(f"买入持有最终净值: {df['buy_hold_nav'].iloc[-1]:.4f}")

运行方式

将上述代码保存为 vectorized_backtest.py，在安装有 pandas 和 numpy 的 Python 环境中执行：

python vectorized_backtest.py

验证方法与判定标准

• 无循环验证：代码中不存在任何 for 或 while 遍历行数据的逻辑，全部通过 pandas 的 rolling、shift、pct_change 等向量化方法完成。
• 持仓逻辑正确性：检查输出中 position 列，应满足：当 signal 从 0 变为 1 的次日，position 变为 1；当 signal 从 1 变为 0 的次日，position 变为 0。这是由 shift(1) 实现的 T+1 日生效规则。
• 净值计算验证：策略净值应等于每日 (1 + position * market_return) 的连乘结果。若某日持仓为 0，当日策略收益为 0，净值保持不变。
• 预期输出特征：由于使用固定随机种子，最终净值结果可复现。策略净值曲线应整体跟随价格趋势，但在均线交叉时点出现调仓导致的净值变化。

核心逻辑说明

信号生成使用布尔比较直接转为 0/1 整数，完全避免逐行 if-else。持仓计算通过 shift(1) 将当日信号延迟一日生效，模拟收盘后产生信号、次日开盘执行的真实交易场景。收益计算中 pct_change() 天然向量化，持仓与收益逐元素相乘后累乘即得净值序列。整个过程无任何 Python 循环，数据量增大时性能仅受 pandas 底层 C 实现约束。