向量化回测 vs 事件驱动回测

第一层：通俗理解

1.1 看录像 vs 现场直播

1.2 研究流程中的位置

第二层：两种实现

2.1 向量化

import numpy as np, pandas as pd
rng = np.random.default_rng(11)
n = 500
price = pd.Series(100 * np.exp(np.cumsum(rng.normal(0.0003, 0.012, n))))

def vectorized(price, fast=10, slow=30):
    sig = (price.rolling(fast).mean() > price.rolling(slow).mean()).astype(float)
    pos = sig.shift(1).fillna(0)                 # 昨天收盘的信号，今天持有
    return (pos * price.pct_change().fillna(0)).add(1).cumprod()

整个回测只有三行。关键是 shift(1)：忘了它，就是回测的七宗罪里演示的前视偏差。

2.2 事件驱动

class Strategy:
    def __init__(self, fast=10, slow=30):
        self.fast, self.slow, self.hist = fast, slow, []
    def on_bar(self, close):
        self.hist.append(close)
        if len(self.hist) < self.slow:
            return 0.0
        f = np.mean(self.hist[-self.fast:]); s = np.mean(self.hist[-self.slow:])
        return 1.0 if f > s else 0.0              # 目标仓位

class Broker:
    def __init__(self):
        self.pos, self.equity, self.last = 0.0, 1.0, None
    def on_price(self, close):
        if self.last is not None:
            self.equity *= 1 + self.pos * (close / self.last - 1)
        self.last = close
    def set_target(self, target):
        self.pos = target                          # 简化：按收盘价立即成交、无成本

def event_driven(price):
    strat, broker, curve = Strategy(), Broker(), []
    for close in price:                            # 一根一根 K 线推进
        broker.on_price(close)                     # 先用旧仓位结算今天的盈亏
        broker.set_target(strat.on_bar(close))     # 再根据今天收盘算出明天的仓位
        curve.append(broker.equity)
    return pd.Series(curve)

v, e = vectorized(price), event_driven(price)
print("向量化终值:", round(v.iloc[-1], 6), " 事件驱动终值:", round(e.iloc[-1], 6),
      " 最大差异:", f"{(v - e).abs().max():.2e}")

输出：

向量化终值: 1.102555  事件驱动终值: 1.102555  最大差异: 0.00e+00

两种写法结果完全一致。注意事件驱动版本里，on_price（结算）一定在 set_target（下单）之前：这个顺序就是"不偷看未来"的结构保证，策略对象 Strategy 也只保存了过去的价格。

一个实用技巧：像这样用两种独立的方式实现同一个策略、比对结果，是发现回测 bug 的好办法（参见《多源交叉验证》 里"独立实现"的思路）。

第三层：什么时候必须用事件驱动

3.1 向量化很难处理的情况

3.2 一个典型的事件驱动架构

关键设计：

• 数据源可替换：回测时回放历史，实盘时接交易所，策略代码不变；
• 模拟撮合要保守：限价单只有在价格穿过限价时才成交，而不是"触及"就成交；按成交量比例限制成交数量；
• 时间戳严格：所有事件按时间排序，同一时刻的事件顺序要有明确规则；
• 可复现：随机数种子、数据版本、代码版本都要记录。

3.3 混合用法

实际中常见的做法：

• 研究阶段用向量化，几秒钟跑完几百个变体，用于淘汰明显不行的想法；
• 对少数候选策略，用事件驱动做精细回测，加入真实的成本、约束和风控；
• 两者结果出入很大时，通常意味着向量化版本漏掉了某个现实约束，或者有前视偏差。

3.4 常见开源框架

选框架时重点看：是否支持你需要的资产和订单类型、数据接口是否方便、回测和实盘能否共用代码、社区是否活跃。

总结