Backtesting.py 是面向 Python 的轻量历史策略回测框架，通过 Strategy 的 init 和 next 方法组织指标与逐根数据逻辑，再由 Backtest 生成统计和交互图表。官方快速入门提供数据与均线交叉样本，便于先理解执行流程。
它适合验证简单规则和检查代码假设，但不会替使用者解决数据质量、前视信息和过拟合。尤其要理解信号产生与订单成交的时点，明确费用、仓位及是否做空，再解释结果中的交易和回撤。
带着问题，直达常用入口
这个网站能帮你做什么？
编辑推荐理由
建议先复现官方样本并逐笔检查交易。保持数据和均线参数不变，仅调整一项费用或执行假设，能更清楚地认识回测输出。
从数据输入，到可复现的分析
| 接口与模块 | 能回答什么 | 实现与验证 |
|---|---|---|
| 数据输入OHLC data | 保证顺序与字段 创建回测前 | 日期索引、价格列、复权和空值 |
| 策略生命周期init / next | 避免偷看未来 写策略时 | 预计算指标与逐根可见数据 |
| 执行参数Backtest | 解释实际模拟 运行前后 | commission、trade_on_close 和仓位 |
跑通第一条数据与研究流程
A PRACTICAL WORKFLOW研究练习
费用如何改变同一规则的回测
用官方 GOOG 示例与 10/20 均线策略，只比较 commission=0 和 0.002 两种假设。
- 01
保存库版本、样本日期、策略代码和两个费用参数，保留示例中做多与做空的原始规则。
- 02
分别运行并核对信号时间、成交时间和交易记录；检查费用是否也影响可用仓位或成交。
- 03
记录交易次数、费用与结果差异，说明不能只把两条曲线之差当成固定成本常数。
把观察写进研究笔记
应得到两份配置、交易记录和差异解释，能够说明策略、费用与成交模型共同决定模拟结果。
什么情况下适合使用？
- 理解 init 与 next 的数据可见范围
- 用均线交叉示例检查信号和成交
- 比较费用设置对同一策略的影响
访问方式与使用边界
免费能做
- 开源 Python 库免费使用。
需付费或注册
- 数据需自备。
免费
开源库和文档公开可用，可在本地 Python 环境运行；需要自行准备依赖与符合格式的数据。
- 单根 K 线不能完整重建内部价格路径，成交模型需按数据频率理解。
- 参数搜索容易对历史样本过拟合，框架输出不能代替独立验证。
使用前，你可能还想知道
next 中看到的是完整未来数据吗？
框架按逐根数据推进可见序列；自行计算的指标或外部数据仍可能引入前视信息。
信号当根就一定成交吗？
默认与 trade_on_close 等设置有关，必须按当前 API 的执行规则核对。
优化最好的参数可以直接用吗？
需要检查样本外表现、稳定性和成本敏感性，最优历史参数可能只是过拟合。
内容核对于 · 击球区编辑部整理 · 原始资料见本页官方链接
先了解工具，再带着具体问题去使用。功能、数据权限及收费方式以网站官方说明为准。
CONTINUE EXPLORING
全部投资工具 把这些工具配合起来用
在研究、回测和执行环境中编写并检验量化策略。
查看官网
通过开源 Python 数据库连接股票、基金和宏观公开数据。
免费
查询财务报表、估值指标与电话会资料，也提供数据接口。
查看官网