发布于VeighNa社区公众号【vnpy-community】
 
原文作者：用Python的交易员 | 发布时间：2026-05-29
 
在上一篇里，我们已经读懂了 AlphaStrategy 的基本职责：它从信号表中读取当日预测分数，根据策略规则生成目标持仓，并通过 set_target 和 execute_trading 把调仓意图交给回测引擎。

接下来要回答的问题是：回测引擎如何把这套策略放进历史行情里逐日运行，并最终生成净值、回撤和统计指标？

这就是本篇要讨论的 事件驱动历史回测。在 vnpy.alpha 中，BacktestingEngine 负责加载历史 K 线、按时间推进回放、触发策略回调、撮合委托、更新资金持仓，并计算最终回测结果。

对于已经理解前几篇内容的读者来说，本篇重点关注：

1. 为什么说回测是事件驱动的
2. BacktestingEngine 的典型使用顺序
3. 信号如何在回测过程中按日期进入策略
4. 委托撮合、手续费和每日盈亏如何形成
5. 回测结果应该怎么看，常见问题如何排查

什么是事件驱动回测

事件驱动回测会沿着历史时间逐日推进。每推进到一个交易日，回测引擎取出当日 K 线，先处理已有委托，再把行情切片推送给策略，由策略根据当日信息生成新的调仓动作。

对日频截面策略来说，可以把每个交易日理解为一个事件：

1. 回测引擎推进到某个交易日。
2. 引擎取出该日所有标的的 K 线切片。
3. 已经挂出的委托先尝试撮合。
4. 策略收到 on_bars(bars) 回调。
5. 策略读取当日信号，设置目标仓位并发出委托。
6. 引擎记录当日收盘价，用于后续逐日盯市盈亏。

这种回放方式更接近真实交易流程：策略在当前时间点做决策，委托成交取决于当时的行情，资金、持仓、手续费也会随着成交逐步变化。

可以先用下面这张图建立整体印象：

回测引擎使用顺序

一个典型的 BacktestingEngine 使用流程如下：

from vnpy.trader.constant import Interval
from vnpy.alpha import BacktestingEngine
from vnpy.alpha.strategy.strategies.equity_demo_strategy import EquityDemoStrategy

engine = BacktestingEngine(lab)

engine.set_parameters(
    vt_symbols=component_symbols,
    interval=Interval.DAILY,
    start=start,
    end=end,
    capital=1_000_000,
)

engine.add_strategy(
    EquityDemoStrategy,
    setting={
        "top_k": 50,
        "n_drop": 5,
        "min_days": 3,
        "cash_ratio": 0.95,
    },
    signal_df=signal_df,
)

engine.load_data()
engine.run_backtesting()

daily_df = engine.calculate_result()
statistics = engine.calculate_statistics()
engine.show_chart()

各步骤的职责可以按顺序理解。

set_parameters 设置回测标的、K 线周期、起止日期、初始资金、无风险利率和年化交易日数量。同时，它会从 AlphaLab 的 contract.json 中读取各标的的费率、合约乘数和最小变动价位。

add_strategy 创建策略实例，并把策略参数和 signal_df 交给回测引擎。策略通过模板方法向引擎查询信号、资金和持仓，实际的行情推进和撮合过程仍由引擎统一管理。

load_data 从 AlphaLab 中读取各标的历史 K 线，并缓存到回测引擎内部。若某些标的没有历史数据，会在日志中输出提示。

run_backtesting 按日期回放历史行情。每个交易日都会触发一次 new_bars(dt)，再由它推动撮合、策略回调和收盘记录。

calculate_result 根据成交和每日收盘价计算逐日盯市盈亏，生成 daily_df。

calculate_statistics 在 daily_df 基础上计算收益、回撤、手续费、成交金额、夏普比率等统计指标。

show_chart 使用图表展示资金曲线、回撤、每日盈亏和盈亏分布。

信号如何进入回测

上一篇已经说明，信号表通常包含三列：

• datetime
• vt_symbol
• signal

在回测中，信号表通过 add_strategy(..., signal_df=signal_df) 传入引擎。策略内部调用 self.get_signal() 时，实际会转到回测引擎的 get_signal() 方法。

这个方法会取当前回测时间 self.datetime，然后从 signal_df 中筛选出同一天的信号：

signal = self.signal_df.filter(pl.col("datetime") == dt)

信号日期和行情日期需要保持对齐。如果 signal_df 中没有当前日期对应的预测值，回测日志会提示找不到该日期的信号。排查时可以先看几项：

• 模型预测区间和回测区间不一致
• datetime 类型或时区处理不一致
• 信号只覆盖测试集的一部分日期
• 回测标的池和信号标的池不一致

这里可以先记住一个关键点：回测会在每个交易日只取当天那一小片信号。 策略看到的是当前日期对应的截面；整张信号表只是历史预测结果的存储容器，回放时会按日期切片使用。

回测内部流水线

run_backtesting 会把所有历史交易日排序，然后逐日调用 new_bars(dt)。new_bars 是理解事件驱动流程的关键。

它主要做四件事。

第一步：准备当日 K 线切片。

引擎会遍历所有 vt_symbols，从历史数据缓存中取出当前日期、当前标的的 BarData。如果某个标的当天没有新 K 线，但之前有缓存行情，引擎会用前一日收盘价构造填充 K 线，用于维持持仓盯市。

第二步：撮合已有委托。

策略上一日或之前发出的未成交委托，会先进入 cross_order() 尝试撮合。撮合时会根据当日 K 线的开高低收、委托价格、涨跌停约束等条件判断是否成交。

买入委托在价格达到可成交条件、且当日没有处于整日涨停限制时，进入成交流程；卖出委托在价格达到可成交条件、且当日没有处于整日跌停限制时，进入成交流程。

第三步：触发策略回调。

撮合完成后，引擎调用：

self.strategy.on_bars(bars)

这时策略会读取当日信号、更新持仓天数、生成卖出和买入列表、调用 set_target，最后通过 execute_trading 发出新的调仓委托。

这里的关键时点是：new_bars 会先撮合已有委托，再调用 strategy.on_bars(bars)。策略在 on_bars 中生成的新委托，会等待后续行情推进时再进入撮合流程。这样可以把信号读取、委托生成和成交时点区分开。

第四步：记录每日收盘。

策略回调结束后，引擎会调用 update_daily_close，把当日各标的收盘价记录下来。后续 calculate_result 会基于这些价格、成交记录和持仓变化计算逐日盯市盈亏。

委托、成交和成本

AlphaStrategy.execute_trading 会比较目标仓位和当前仓位：

diff = target - pos

如果 diff > 0，说明需要买入或补回；如果 diff < 0，说明需要卖出或做空。对于当前的股票多头 Demo 策略，最常见的是买入开仓和卖出平仓。

委托价格会按 price_add 做调整：

• 买入：close_price * (1 + price_add)
• 卖出：close_price * (1 - price_add)

在这里，price_add 表示回测中的委托价格调整假设：买入时适当提高委托价，卖出时适当降低委托价，用来提高撮合概率。实盘环境中的滑点、排队和成交概率，还需要结合具体交易系统另行评估。

成交发生后，回测引擎会根据 contract.json 中的配置计算资金变化：

• long_rate：买入费率
• short_rate：卖出费率（包含印花稅）
• size：合约乘数
• pricetick：最小变动价位

如果某个 vt_symbol 在 contract.json 中缺少配置，set_parameters 时会输出告警。此时手续费、乘数等计算可能不完整。回测前最好确认所有回测标的都有对应配置。

回测结果怎么看

回测结束后，通常先调用：

daily_df = engine.calculate_result()
statistics = engine.calculate_statistics()

calculate_result 会生成逐日结果表，其中常见字段包括：

• trade_count：当日成交笔数
• turnover：当日成交金额
• commission：当日手续费
• trading_pnl：交易盈亏
• holding_pnl：持仓盈亏
• total_pnl：总盈亏
• net_pnl：扣除手续费后的净盈亏

calculate_statistics 则会进一步输出和返回统计指标，例如：

• 起止日期、总交易日、盈利/亏损交易日
• 起始资金、结束资金
• 总收益率、年化收益
• 最大回撤、百分比最大回撤、最长回撤天数
• 总手续费、总成交金额、总成交笔数
• 日均收益率、收益标准差、Sharpe Ratio、收益回撤比

图表方面，show_chart 会展示资金曲线、回撤、每日盈亏和盈亏分布。若需要和基准指数对比，还可以使用 show_performance(benchmark_symbol) 查看相对收益、超额收益和成本影响。

回测统计指标评价的是完整组合流程。它包含策略规则、成交假设、费用、持仓和资金曲线，视角已经从“预测分数”推进到了“组合表现”。

常见问题排查

事件驱动回测多了行情、成交和资金环节，排查时可以按下面几类逐项检查。

1. 找不到合约交易配置。

如果日志提示找不到某个合约的交易配置，通常说明 contract.json 中缺少该 vt_symbol。需要回到数据准备阶段，确认对所有回测标的都调用过 add_contract_setting。

2. 部分标的历史数据为空。

load_data 会逐个标的读取历史 K 线。如果某些标的没有数据，回测仍可能继续，但实际股票池已经变小。应检查 daily/{vt_symbol}.parquet 是否存在，以及日期范围是否覆盖回测区间。

3. 找不到某日信号预测值。

这通常是 signal_df 的 datetime 与回测行情日期不一致，或者信号只覆盖了部分日期。建议检查 signal_df["datetime"].min()、signal_df["datetime"].max() 是否覆盖回测区间。

4. 有信号但没有成交。

可以按顺序检查：是否有对应行情，委托价格是否满足撮合条件，是否受到涨跌停约束，目标仓位和当前仓位是否相同，可用资金是否足够。确认策略确实调用了 set_target 后，再继续查看委托和成交记录。

5. 回测结果和信号分析差异很大。

信号分析只看预测分数和未来收益关系；回测还包含持仓数量、换手、费用、成交、现金比例等约束。若两者差异很大，应重点检查策略参数、交易成本和日期对齐。

小结

这一篇的重点，是把 BacktestingEngine 在投研链路中的位置讲清楚：它承接前面已经准备好的信号和策略规则，把它们放入历史行情中逐日运行，完成行情推进、委托撮合、持仓更新、资金变化和统计指标计算。

可以先记住这条顺序：

信号表 + 策略规则 -> 历史行情回放 -> 委托撮合 -> 持仓资金变化 -> 逐日盈亏和统计指标

到这里，vnpy.alpha 入门系列已经串起了从 AlphaLab 数据准备、AlphaDataset 因子标签、AlphaModel 模型预测、AlphaStrategy 策略规则，到 BacktestingEngine 历史回测的完整主线。后续如果继续深入学习，可以围绕自定义因子、自定义模型、自定义策略参数优化和更严格的样本外验证展开。