Crypto Backtest

核心用法

crypto-backtest 是一个基于 Python 的命令行回测工具，专为加密货币期货策略设计。核心工作流分为三步：
1. 数据获取：通过 ccxt 库连接 Bybit、Binance、OKX 等交易所，拉取 OHLCV 历史数据；
2. 策略执行：内置 EMA 交叉、RSI 超买超卖、MACD、布林带四种经典策略，支持自定义参数组合；
3. 结果导出：输出胜率、盈亏比(PnL)、最大回撤、最佳/最差单笔等关键指标为 JSON，便于接入量化流水线。

高级用法包括参数扫掠（sweep.py 自动遍历多策略多参数组合）和自定义策略插件（遵循 references/custom_strategy.md 接口规范）。

显著优点

• 交易所覆盖广：借助 ccxt 抽象层，理论上支持 100+ 交易所；
• 开箱即用：无需额外数据订阅，直接拉取交易所公开历史数据；
• 灵活可扩展：插件式策略接口，Python 开发者可快速接入自定义因子；
• 结果标准化：JSON 输出便于与 Airflow、DBT、Pandas 等数据工具链集成。

潜在局限与风险

• 数据质量依赖交易所：部分小交易所历史数据存在缺口或价格异常，需人工清洗；
• 滑点与流动性未建模：默认回测未模拟订单簿深度，高频或大额策略在实盘中可能出现显著滑点；
• 过拟合风险：参数扫掠易产生数据窥探偏差（data snooping），需配合样本外测试与交叉验证；
• 杠杆模拟简化：未考虑强平机制、资金费率、维持保证金等期货细节，高杠杆结果可能过于乐观。

适合人群

• 量化研究员与策略开发者，需快速验证 crypto 信号；
• 个人交易者，希望系统评估手动策略的历史表现；
• 数据工程师，构建自动化交易研究流水线。

常规风险提示

> ⚠️ 回测结果不代表未来收益。过去表现优异的参数组合可能在未来失效（regime change）。建议将回测作为筛选工具，而非最终决策依据，实盘前务必进行模拟交易（paper trading）与小资金验证。

核心用法

crypto-backtest 是一款基于 Python 的加密货币期货策略回测引擎，通过 ccxt 库连接 Bybit、Binance、OKX 等主流交易所获取 OHLCV 历史数据，支持 EMA 交叉、RSI 超买超卖、MACD、布林带四种内置策略的参数化回测。用户可通过命令行指定交易对、策略参数、资金规模和杠杆倍数，运行单策略测试或全参数组合扫描（sweep），最终输出包含胜率、盈亏比、最大回撤等关键指标的 JSON 报告。

显著优点

1. 多交易所兼容：借助 ccxt 抽象层，几乎覆盖所有主流加密货币交易所，无需针对不同 API 单独适配。
2. 策略即插即用：内置四种经典技术指标策略，并提供标准化接口支持自定义策略扩展。
3. 参数扫描自动化：sweep.py 支持多策略、多参数组合的批量回测，快速定位最优参数区间。
4. 风险模拟完整：支持杠杆、仓位规模、止损止盈、手续费等真实交易要素的模拟计算。
5. 流水线友好：JSON 输出格式便于与下游数据分析工具（Pandas、Jupyter、BI 平台）无缝对接。

潜在缺点与局限性

1. 回测不等于实盘：历史数据回测无法模拟滑点、流动性缺失、极端行情下的订单簿深度变化，胜率可能被高估。
2. 仅支持期货合约：目前聚焦于永续合约/交割合约（USDT:USDT 格式），现货、期权策略不支持。
3. 无实时交易功能：纯回测工具，不具备实盘交易或模拟盘（paper trading）自动下单能力。
4. 个人开发者维护：来源为 Clawhub 平台个人账号，缺乏企业级维护承诺和长期版本路线图。

适合人群

• 量化交易初学者：希望快速验证技术指标策略效果
• 策略研究员：需要批量参数优化与绩效对比
• 加密货币交易员：在投入实盘前评估策略历史表现
• 数据科学从业者：构建交易信号研究与可视化流水线

常规风险

• 过度拟合风险：参数扫描可能选出历史表现最优但未来失效的参数组合
• 杠杆放大亏损：回测支持高杠杆模拟，但未考虑强平机制和资金费率
• 依赖安全风险：需确保 ccxt/numpy 来源可信，建议在虚拟环境安装
• 数据质量依赖：交易所历史数据可能存在插值、缺失或价格异常，影响回测准确性

使用建议

建议先用少量资金在历史数据上验证策略逻辑，再过渡至模拟盘观察实时表现，切勿直接基于回测结果进行大额实盘交易。