1. 回测引擎概述
1.1 什么是回测引擎
回测引擎（Backtesting Engine）是一个用于在历史市场数据上模拟交易策略表现的软件系统。它接收交易策略的逻辑规则，在历史行情数据上逐笔或逐K线执行买卖决策，最终输出策略的收益、风险、交易频率等绩效指标。
一个完整的回测引擎通常包含以下核心模块：
| 模块 | 功能描述 |
|---|---|
| 数据加载器 | 读取历史行情数据（OHLCV、Tick、订单簿等），并进行清洗与对齐 |
| 事件循环 | 按时间顺序驱动市场数据、订单、成交等事件的流转与处理 |
| 策略逻辑 | 用户自定义的买卖规则，在收到市场数据事件时触发信号 |
| 订单管理 | 接收策略信号，生成订单、管理订单状态（待成交、部分成交、已成交） |
| 模拟撮合 | 根据当前市场深度或价格滑点模型，模拟订单的成交过程 |
| 资金与持仓 | 记录账户余额、持仓数量、浮动盈亏，计算保证金与风险指标 |
| 绩效分析 | 计算夏普比率、最大回撤、年化收益率、胜率等统计指标 |
核心认知： 回测引擎不是简单的“历史数据 + 买卖信号”循环。真正的工程挑战在于：事件时序的准确性、滑点与流动性的模拟、以及避免未来函数（Look-ahead Bias）。
1.2 事件驱动架构简介
事件驱动架构（Event-Driven Architecture, EDA）是回测引擎最主流的设计范式。其核心思想是：系统的运行由外部或内部产生的事件（Event）来触发，每个事件被分发到对应的处理器（Handler）中执行，处理器可以产生新的事件继续驱动系统。
在回测引擎中，事件类型通常包括：
- 市场数据事件（MarketDataEvent）：新的K线、Tick或订单簿快照到达。
- 信号事件（SignalEvent）：策略逻辑判断出买卖时机后发出。
- 订单事件（OrderEvent）：系统向模拟交易所提交的限价单或市价单。
- 成交事件（FillEvent）：订单被模拟撮合引擎部分或全部成交。
- 账户事件（AccountEvent）：资金、持仓或保证金发生变化。
下图展示了事件驱动回测引擎的典型数据流与模块关系：
事件驱动 vs 过程式回测： 传统过程式回测按“遍历K线 → 计算指标 → 下单”的线性顺序执行，难以处理Tick级数据、异步订单状态和复杂撮合逻辑。事件驱动架构将每个环节解耦为独立的事件处理器，天然支持异步、可扩展和模块化。
1.3 回测在量化交易中的重要性
回测是量化交易策略从“想法”到“实盘”之间最关键的一步。没有经过严格回测的策略，在实盘中几乎必然遭遇亏损。回测的核心价值体现在以下四个维度：
- 验证策略有效性：在大量历史数据上检验策略是否具有统计意义上的正期望收益，排除随机运气成分。
- 参数优化与鲁棒性测试：通过遍历参数组合寻找最优参数，并通过样本外测试、交叉验证评估策略的过拟合程度。
- 风险暴露识别：回测可以暴露策略在极端行情（如闪崩、流动性枯竭）下的最大回撤、连续亏损次数等尾部风险。
- 降低试错成本：在模拟环境中快速迭代策略逻辑，避免在实盘中因逻辑缺陷造成真金白银的损失。
下表总结了回测在不同交易阶段的作用：
| 阶段 | 回测作用 | 典型输出 |
|---|---|---|
| 策略研发 | 快速验证新因子、新逻辑的有效性 | 因子IC值、分组收益曲线 |
| 参数调优 | 寻找稳健的参数区间，避免过拟合 | 参数热力图、夏普比率曲面 |
| 实盘前验证 | 模拟真实交易环境，评估滑点与冲击成本 | 滑点敏感性分析、成交率统计 |
| 归因分析 | 拆解收益来源，区分Alpha与Beta | Brinson归因、因子暴露矩阵 |
⚠️ 回测的局限性： 回测结果不代表未来收益。常见陷阱包括：幸存者偏差（只考虑当前存活的股票）、前视偏差（使用了未来数据）、过度优化（参数拟合历史噪声）。优秀的回测引擎应内置防未来函数检查机制。
下图展示了从策略想法到实盘交易的完整流程，其中回测处于核心验证环节：