摘要：我们已经学习了功能强大的 Backtrader 和性能卓越的 vectorbt。但 Backtrader 配置稍显复杂，而 vectorbt 的向量化思维又有些“反直觉”。有没有一款回测框架，既能像 Backtrader 一样使用事件驱动的直观逻辑，又能像写普
《量化武器库》系列专门聚焦那些能极大提升我们量化研究和实盘效率的工具，打造一个覆盖数据、回测、分析到实战的全流程工具箱。
大家好，我是木泽！
我们已经学习了功能强大的 Backtrader 和性能卓越的 vectorbt。但 Backtrader 配置稍显复杂，而 vectorbt 的向量化思维又有些“反直觉”。有没有一款回测框架，既能像 Backtrader 一样使用事件驱动的直观逻辑，又能像写普通 Python 函数一样简洁，还能生成漂亮的可交互图表？
答案是肯定的！今天，我们就来学习回测框架中的一股“清流”——backtesting.py。它以极致的简洁、易用和出色的可视化为核心卖点，非常适合快速验证策略想法和教学演示。
(创作不易，感谢关注支持↑↑↑）
backtesting.py 的设计理念是将复杂性降到最低。你只需要关心两个核心组件：
Strategy 类: 和 Backtrader 类似，你需要定义一个策略类，包含 `init` 和 `next` 方法。Backtest 对象: 这是一个总管对象，你把数据和策略类“喂”给它，它就能帮你完成运行、优化和绘图的所有工作。安装：
pip install backtesting你将看到，用 backtesting.py 实现一个完整的双均线回测是多么的简洁。
from backtesting import Backtest, Strategyfrom backtesting.lib import crossoverfrom backtesting.test import SMA, GOOG# 1. 定义策略class SmaCross(Strategy): n1 = 10 n2 = 20 def init(self): # self.I 是一个便捷的函数，用于将任何函数包装成指标 self.sma1 = self.I(SMA, self.data.Close, self.n1) self.sma2 = self.I(SMA, self.data.Close, self.n2) def next(self): if crossover(self.sma1, self.sma2): self.buy elif crossover(self.sma2, self.sma1): self.sell# 2. 准备数据和运行回测# 注意：它需要一个特定格式的DataFrame，列名必须是 'Open', 'High', 'Low', 'Close'bt = Backtest(GOOG, SmaCross, cash=10000, commission=.002)stats = bt.run# 3. 查看结果和绘图print(stats)bt.plot代码之美：
整个流程一气呵成，非常符合 Python 的直觉。`self.I` 函数和 `crossover` 辅助函数的设计，让指标的定义和信号的生成都变得极其简单。最棒的是，`bt.plot` 会生成一个漂亮的、可在浏览器中交互的 HTML 图表！
backtesting.py 的参数优化功能也同样简单直观。
stats = bt.optimize( n1=range(5, 30, 5), n2=range(10, 70, 5), constraint=lambda p: p.n1简洁的代价：
backtesting.py 为了追求极致的简洁，在功能和灵活性上做了一些妥协。它不像 Backtrader 那样支持那么多种订单类型和复杂的 Broker 逻辑，也不支持多品种组合回测。它更适合用于单品种、中低频策略的快速原型开发和验证。
今天，我们学习了一款小而美的回测框架——backtesting.py。它证明了回测不一定非要复杂和繁琐。如果你是一个追求代码简洁、喜欢漂亮图表、并且主要做单品种策略的研究者，那么它绝对是你武器库中一件称手的“轻快佩剑”。
体验一下它的交互图表！
运行 `bt.plot` 后，在生成的网页图表中，尝试用鼠标悬停在交易点上，看看会显示什么信息？
来源：木泽的量化笔记
