Stock Strategy Backtester

核心用法

Stock Strategy Backtester 是一款面向量化投资者与策略研究员的专业回测工具，通过解析CSV格式的日频OHLCV数据，对多种经典交易策略进行历史仿真验证。用户可通过命令行界面快速配置策略类型（SMA crossover趋势跟踪、RSI mean reversion均值回归、breakout突破策略），灵活调整参数窗口，并设定真实的交易成本模型（佣金与滑点），最终生成标准化的绩效报告与逐笔交易日志。

显著优点

1. 标准化输出：自动生成total_return_pct、cagr_pct、win_rate_pct、max_drawdown_pct、sharpe_ratio、profit_factor等核心量化指标，支持JSON与CSV双格式导出，便于自动化流水线集成
2. 真实成本建模：强制支持--commission-bps与--slippage-bps参数，避免"零成本幻觉"导致的策略过拟合
3. 防未来函数设计：信号计算基于t时刻，执行价格为t+1开盘，有效规避数据泄露
4. 多策略覆盖：内置三种主流策略模板，覆盖趋势跟踪与均值回归两大流派
5. 版本管控清晰：明确标注1.0.0/1.0.1已废弃，引导用户使用1.0.2+稳定版本

潜在缺点与局限性

• 仅限多头策略：当前版本不支持做空与杠杆，策略丰富度受限
• 日线级别局限：未明确支持分钟级或Tick级回测，高频策略验证能力不足
• 单品种回测：缺乏多资产组合层面的权重优化与相关性分析
• 无内置优化器：参数调优依赖外部网格搜索或手动对比，Walk-forward validation需用户自行实现
• 历史数据依赖：结果质量完全取决于输入CSV的准确性与完整性

适合人群

• 量化研究员与策略开发者进行规则验证
• 个人投资者学习经典技术分析策略效果
• 教育机构用于金融工程课程教学演示
• 资产管理团队进行策略入库前的标准化绩效评估

常规风险

回测结果仅为历史仿真，存在过拟合风险（尤其在参数密集调优后）、幸存者偏差（输入数据可能未含退市标的）、市场机制变化（历史模式未必延续）等重大局限。文档明确警示"Backtests are not guarantees"，用户应避免将回测收益直接等同于未来实盘收益，禁止作为投资建议向终端客户输出。

---

指标参考详见 bundled references/backtest-metrics.md

核心用法

Stock Strategy Backtester 是一款基于纯 Python 标准库的股票策略回测工具，用户通过命令行输入历史 OHLCV 数据 CSV 文件，即可对指定交易策略进行完整的历史绩效评估。

三种内置策略：

• SMA 交叉：双均线趋势跟踪，快线上穿慢线买入，反之卖出
• RSI 均值回归：超卖区间（默认30）入场，修复至中性区间（默认55）出场
• 突破策略：N日新高突破买入，N日新低跌破卖出

关键参数配置：

• --commission-bps：交易佣金（基点）
• --slippage-bps：滑点成本（基点）
• --output-json / --output-trades：导出详细结果与逐笔交易记录

输出指标：总收益率、年化收益率（CAGR）、胜率、最大回撤、夏普比率、盈亏比、交易笔数等完整量化指标。

显著优点

1. 零依赖纯净架构：仅使用 Python 标准库（argparse、csv、json、math、pathlib），无第三方包依赖，彻底规避供应链攻击风险
2. 完全本地化运行：无网络请求、无外部 API 调用、无数据上传，所有文件操作严格限定于用户指定路径
3. 专业级回测逻辑：内置前视偏差防护（t时刻信号→t+1时刻开盘执行），支持交易成本建模，符合学术级回测规范
4. 可复现输出：JSON 结构化结果便于流水线自动化，CSV 交易日志支持逐笔审计与归因分析
5. S+ 顶级安全认证：CLS-Certify 全维度扫描满分通过，静态/动态/依赖/网络/隐私/威胁情报六项检测均为满分

潜在缺点与局限性

| 局限维度 | 具体说明 |

|---------|---------|

| 数据来源 | 需用户自行准备历史数据 CSV，无内置数据下载功能 |

| 策略复杂度 | 仅支持单标的、多头的简单规则策略，不支持多因子组合、机器学习模型或衍生品 |

| 执行模拟 | 简化限价/市价模拟，不支持订单簿级别撮合、冲击成本建模 |

| 市场环境 | 未考虑涨跌停、停牌、分红除权等中国 A 股特殊机制 |

| 统计显著性 | 回测结果受限于历史数据长度，小样本策略可能过拟合 |

| 来源可信度 | T3 级别社区项目，无企业背书，建议关键决策前交叉验证 |

适合人群

• 量化研究新手：学习回测框架原理、理解交易成本影响的理想工具
• 策略验证者：快速检验交易想法、对比参数敏感性的轻量方案
• 安全敏感用户：对第三方依赖极度谨慎、追求代码完全可控的环境
• 自动化开发者：JSON 输出便于集成至 CI/CD 流水线或报告生成系统

常规风险

1. 回测不等于实盘：历史表现不代表未来收益，过度优化（overfitting）是常见陷阱
2. 成本假设偏差：默认佣金/滑点可能低估实际交易成本，建议按券商实际费率校准
3. 数据质量问题：CSV 数据需自行确保无幸存者偏差、无未来函数、无价格错误
4. 策略失效风险：任何规则型策略都可能因市场结构变化而失效，建议 Walk-Forward 验证
5. 无金融建议属性：工具输出仅为统计计算结果，不构成投资建议或决策依据