Python量化回测入门教程：用真实行情数据一步步完成策略回测

iTick
2026-10-29
教程

Python量化回测入门教程：用真实行情数据一步步完成策略回测

回测是指在历史数据上模拟交易策略，看它过去会有怎样的表现。这是发现一个想法行不通的最便宜方式——在真金白银替你发现之前。本教程将使用 pandas 和 iTick API 的真实 OHLCV 数据，在 Python 中完成一个完整、严谨的回测。

准备工作

Python 3.9+，安装 pandas、numpy、requests
一个免费的 iTick API Key，用于获取历史数据
大约 20 分钟

      pip install pandas numpy requests

第一步：下载历史 OHLCV 数据

      import requests
import numpy as np
import pandas as pd

TOKEN = "YOUR_API_TOKEN"
HEADERS = {"accept": "application/json", "token": TOKEN}

def load_bars(asset, region, code, ktype=8, limit=1000):
    url = f"https://api.itick.org/{asset}/kline"
    params = {"region": region, "code": code, "kType": ktype, "limit": limit}
    rows = requests.get(url, params=params, headers=HEADERS, timeout=10).json()["data"]
    df = pd.DataFrame(rows).rename(columns={"t": "time", "o": "open", "h": "high",
                                            "l": "low", "c": "close", "v": "volume"})
    df["time"] = pd.to_datetime(df["time"], unit="ms", utc=True)
    return df.set_index("time").sort_index().astype(float)

df = load_bars("stock", "US", "SPY")
print(df.tail())

    

kType 选择K线周期（见文档），日线是不错的起点。对数据格式不熟悉？请先阅读 OHLCV数据是什么。

第二步：定义策略

我们测试经典的 EMA 交叉：20 EMA 在 50 EMA 上方时持有，否则空仓。（背景知识：EMA是什么）

      fast, slow = 20, 50
df["ema_fast"] = df["close"].ewm(span=fast, adjust=False).mean()
df["ema_slow"] = df["close"].ewm(span=slow, adjust=False).mean()

# 信号基于当日收盘价计算……
df["signal"] = (df["ema_fast"] > df["ema_slow"]).astype(int)
# ……但只能在下一根K线交易 -> 向后平移一位，避免未来函数
df["position"] = df["signal"].shift(1).fillna(0)

    

shift(1) 是本教程最重要的一行。没有它，回测会"提前知道"当日收盘价再按该价成交——这是典型的未来函数（前视偏差），几乎能让任何策略看起来都很出色。

第三步：计算收益（含交易成本）

      fee = 0.0005  # 单边 5 个基点，请根据券商和市场调整

df["ret"] = df["close"].pct_change().fillna(0)
df["trades"] = df["position"].diff().abs().fillna(0)
df["strategy_ret"] = df["position"] * df["ret"] - df["trades"] * fee

df["equity"] = (1 + df["strategy_ret"]).cumprod()
df["buy_hold"] = (1 + df["ret"]).cumprod()

    

第四步：评估绩效

      def stats(returns, periods_per_year=252):
    equity = (1 + returns).cumprod()
    years = len(returns) / periods_per_year
    cagr = equity.iloc[-1] ** (1 / years) - 1
    vol = returns.std() * np.sqrt(periods_per_year)
    sharpe = returns.mean() / returns.std() * np.sqrt(periods_per_year) if returns.std() else 0
    drawdown = equity / equity.cummax() - 1
    return {"年化收益": f"{cagr:.2%}", "年化波动": f"{vol:.2%}",
            "夏普比率": round(sharpe, 2), "最大回撤": f"{drawdown.min():.2%}"}

print("策略:", stats(df["strategy_ret"]))
print("买入持有:", stats(df["ret"]))
print("交易次数:", int(df["trades"].sum()))

    

指标	含义
年化收益（CAGR）	复合年增长率
年化波动	收益率的年化标准差
夏普比率	单位风险的收益（此处忽略无风险利率）
最大回撤	从高点到低点的最大亏损——你能承受吗？

股票日线使用 periods_per_year=252，加密货币约 365，日内K线按比例换算。

第五步：换个市场测试

iTick 所有资产类别使用同一数据结构，只需改一行即可在外汇、黄金或比特币上运行同一回测：

      eurusd = load_bars("forex", "GB", "EURUSD")
btc = load_bars("crypto", "BA", "BTCUSDT")

常见回测错误

未来函数——使用决策时尚不可得的信息，务必平移信号。
忽略成本——佣金、点差和滑点可能让盈利策略变成亏损。
过拟合——测试上百组参数只留最好的。请保留样本外区间。
幸存者偏差——只测试至今仍存在的股票。
数据太少——只在一轮牛市中测试过的策略等于没测试。

从回测到实盘

策略通过样本外检验后，再接入实时行情。使用 iTick WebSocket 行情推送获取实时报价与逐笔数据，增量更新指标，先模拟交易再上实盘。

常见问题

Python 回测用什么库最好？ 学习阶段用纯 pandas（如上）最能看清每一步；大型项目可使用 Backtrader、vectorbt 等框架，提供订单模拟与报告功能。

需要多少历史数据？ 要覆盖不同市场环境——日线策略通常需要数年数据；日内系统更看重交易次数而非年数。

回测用的历史数据从哪里获取？iTick 历史行情数据API 提供股票、外汇、加密货币、指数和期货的 OHLCV 数据，并有免费套餐可以起步。

开始验证你的想法

免费获取 API Key，几分钟内下载历史数据，看看你的策略是否真的有效。