核心用法
本技能为系统化交易策略回测工作流，基于Backtrader开源框架实现三大核心能力：策略回测（在历史OHLCV数据上运行交易规则）、参数优化（网格搜索或边界搜索调参）以及绩效报告（生成CAGR、最大回撤、夏普比率、胜率等指标）。支持均线交叉、MACD、RSI等经典技术信号，也允许用户自定义策略逻辑。
典型调用路径为：配置策略参数与数据符号（如SPY、QQQ等ETF）→ 执行backtest命令运行回测 → 可选optimize进行参数扫描 → 最终report输出Markdown格式报告。命令行工具位于scripts/skills/strategy-backtest/scripts/strategy_backtest_tool.py，依赖pandas、numpy、backtrader及matplotlib。
显著优点
- 开源生态成熟：基于Backtrader（GitHub星标超5k），社区活跃，文档完善，支持自定义指标、多时间周期、多资产组合回测
- 量化工作流闭环：从策略编码、历史验证到参数优化一体化，减少工具链切换成本
- 标准指标输出：CAGR、最大回撤、夏普比率等绩效指标符合行业惯例，便于横向对比
- 扩展性：支持 walk-forward 等高级验证方法（需用户手动配置），策略模板可复用
潜在缺点与局限性
- 过拟合风险高：参数优化（尤其是无约束的网格搜索）极易导致历史数据过度拟合，样本外表现往往显著恶化；技能文档虽提及"out-of-sample caution"，但未内置严格的时序交叉验证机制
- 执行假设过于理想：默认回测未强制要求用户配置滑点、手续费、市场冲击成本，新手易高估策略实盘表现
- 幸存者偏差与数据质量：历史数据若未处理退市股票、分红除权、停牌等情形，回测结果存在系统性偏差
- 单一技术栈锁定：深度依赖Backtrader，若需迁移至Zipline、VectorBT或商业平台（如QuantConnect）需重构代码
- 实时性与数据依赖：需用户自备高质量历史数据源，技能本身不提供数据获取能力
适合人群
- 量化研究初学者：希望快速验证技术指标交易逻辑，学习回测流程与绩效评估方法
- 策略原型开发者：在实盘资金部署前进行规则可行性筛选与参数敏感性测试
- 学术/教学场景：金融工程、量化投资课程中作为算法交易实践工具
不适合：无编程基础的交易者（需Python环境）、追求高阶统计套利或机器学习策略的研究者（框架偏传统技术分析）、以及期望直接获得"可盈利策略"的投机者。
常规风险
| 风险类型 | 说明 |
|---------|------|
| 过拟合风险 | 优化后的参数在历史数据上表现优异，但未来失效概率极高 |
| 执行风险 | 回测假设市价成交、无滑点，实盘订单执行成本可能侵蚀全部理论收益 |
| 数据风险 | 历史数据质量（ survivorship bias、前视偏差、除权处理）直接决定结论有效性 |
| 杠杆与流动性风险 | 技能未内置资金管理模块，用户若配置杠杆需自行评估爆仓风险 |
| 合规风险 | 输出报告需明确标注"非投资建议"，涉及客户资金需持牌，纯研究用途需符合当地法规 |
使用建议
- 强制样本外测试：优化后的参数必须在未参与训练的时段或资产上验证，报告需区分"训练集/验证集"绩效
- 显式声明假设：每笔回测报告须注明手续费率、滑点估计、杠杆倍数、再平衡频率等关键假设
- 蒙特卡洛稳健性检验：对关键策略增加随机扰动测试，评估指标稳定性而非单点最优
- 定期失效监控：实盘部署后持续跟踪策略表现，设定预定义止损阈值与策略下线规则