1. 课程导入与目标设定

盘口交易的回测与普通K线策略回测有一个根本差别：它关心的不是“收盘价有没有穿过均线”，而是“在某一毫秒的买一卖一队列里，我的委托能不能排到、能不能成交、成交后滑点多少”。这意味着回测的输入粒度必须细到逐笔委托与逐笔成交，输出也不能只是一条净值曲线，而要能回答“信号在什么盘口状态下触发、撮合假设是否成立、成本侵蚀了多少收益”。本课程要解决的，正是把这条从原始逐笔数据到一份可读、可复核、可复用的回测报告的全过程自动化。

先明确核心价值。手工做一次盘口回测，典型工作量分布大致是：数据清洗与对齐占四成，撮合逻辑与成本建模占三成，指标计算与图表整理占两成，撰写结论占一成。其中前三项高度重复、规则明确，最适合脚本化；最后一项虽然需要人判断，但可以把“指标—阈值—结论”的映射固化成模板，让机器生成初稿、人来复核。自动化的收益不只是省时间，更在于可复现：同一份逐笔数据、同一套撮合参数，任何时候重跑都得到同一份报告，避免“上次那个结果是怎么算出来的”这类无法追溯的问题。

整体认知框架：四层数据流

把整个系统拆成四层来看，理解会清晰很多。最底层是原始数据层，包括逐笔成交（时间戳、价格、数量、买卖方向）、逐笔委托（委托序号、价格、数量、方向、类型）和行情快照（十档或一档盘口）。往上是撮合仿真层，它按队列位置模型判断委托能否成交、成交价是多少、部分成交如何处理。再往上是指标计算层，把成交记录聚合成收益、回撤、胜率、换手、滑点分布、盘口状态分组统计等。最顶层是报告生成层，负责排版、绘图、填充结论模板并输出文件。

这张图里最容易被低估的是“清洗与对齐”和“参数快照”两处。逐笔数据常见的坑包括：同一笔成交在成交表与快照中被重复计入、集合竞价时段的委托类型与连续竞价不同、时间戳精度不一致导致撮合顺序错乱。参数快照则是把本次回测用到的所有假设（队列前序量估计方式、手续费率、滑点模型参数、样本区间）随报告一起存档，这是报告能被复核的前提。

学习路径与最终交付物

课程按“先跑通、再校准、后扩展”的顺序推进。第一阶段建立最小闭环：用一小段真实逐笔数据（例如某只流动性较好的股票连续三个交易日的逐笔成交与快照），实现一个只考虑“排队位置=前序委托量”的简化撮合器，算出成交明细并输出一份含净值曲线和基础指标的HTML报告。这个阶段的目标不是准确，而是链路打通——数据能进、撮合能出、报告能看。

第二阶段做校准。把简化撮合器的结果与已知的成交回报或人工核对样本比对，重点看三类偏差：成交率是否偏高（常见原因是忽略了撤单导致的队列前移）、滑点是否偏乐观（常见原因是假设总能以对手价成交）、成本是否漏算。校准的抓手是参数，例如把“前序量估计系数”从1.0调到0.6～0.8区间做敏感性测试，观察成交率和收益如何变化，并在报告中记录这组测试结果。

第三阶段做扩展与工程化：支持多标的批量回测、把报告模板参数化、加入盘口状态分组统计（例如按买卖价差大小分桶，比较不同价差环境下的策略表现），最终形成一个可以“给一份数据目录，产出一套报告”的脚本入口。

本节要建立的三个判断

第一，明确“报告自动生成”不等于“结论自动生成”。机器负责把指标算准、把图画对、把模板填满；人负责判断这份回测是否可信、参数是否合理、结论是否越界。第二，明确撮合假设是盘口回测的误差主源，后续所有校准工作都围绕它展开，而不是围绕画图美化。第三，明确交付物的形态：一份结构化报告（含指标表、图表、参数快照、结论段落）加上可重跑的脚本，二者缺一不可。