Python量化回測入門教程：用真實行情數據一步步完成策略回測

iTick
2026-10-29
教程

Python量化回測入門教程：用真實行情數據一步步完成策略回測

回測是指在歷史數據上模擬交易策略，看它過去會有怎樣的表現。這是發現一個想法行不通的最便宜方式——在真金白銀替你發現之前。本教程將使用 pandas 和 iTick API 的真實 OHLCV 數據，在 Python 中完成一個完整、嚴謹的回測。

準備工作

Python 3.9+，安裝 pandas、numpy、requests
一個免費的 iTick API Key，用於獲取歷史數據
大約 20 分鐘

      pip install pandas numpy requests

第一步：下載歷史 OHLCV 數據

      import requests
import numpy as np
import pandas as pd

TOKEN = "YOUR_API_TOKEN"
HEADERS = {"accept": "application/json", "token": TOKEN}

def load_bars(asset, region, code, ktype=8, limit=1000):
    url = f"https://api.itick.org/{asset}/kline"
    params = {"region": region, "code": code, "kType": ktype, "limit": limit}
    rows = requests.get(url, params=params, headers=HEADERS, timeout=10).json()["data"]
    df = pd.DataFrame(rows).rename(columns={"t": "time", "o": "open", "h": "high",
                                            "l": "low", "c": "close", "v": "volume"})
    df["time"] = pd.to_datetime(df["time"], unit="ms", utc=True)
    return df.set_index("time").sort_index().astype(float)

df = load_bars("stock", "US", "SPY")
print(df.tail())

    

kType 選擇K線週期（見文檔），日線是不錯的起點。對數據格式不熟悉？請先閲讀 OHLCV數據是什麼。

第二步：定義策略

我們測試經典的 EMA 交叉：20 EMA 在 50 EMA 上方時持有，否則空倉。（背景知識：EMA是什麼）

      fast, slow = 20, 50
df["ema_fast"] = df["close"].ewm(span=fast, adjust=False).mean()
df["ema_slow"] = df["close"].ewm(span=slow, adjust=False).mean()

# 信號基於當日收盤價計算……
df["signal"] = (df["ema_fast"] > df["ema_slow"]).astype(int)
# ……但只能在下一根K線交易 -> 向後平移一位，避免未來函數
df["position"] = df["signal"].shift(1).fillna(0)

    

shift(1) 是本教程最重要的一行。沒有它，回測會"提前知道"當日收盤價再按該價成交——這是典型的未來函數（前視偏差），幾乎能讓任何策略看起來都很出色。

第三步：計算收益（含交易成本）

      fee = 0.0005  # 單邊 5 個基點，請根據券商和市場調整

df["ret"] = df["close"].pct_change().fillna(0)
df["trades"] = df["position"].diff().abs().fillna(0)
df["strategy_ret"] = df["position"] * df["ret"] - df["trades"] * fee

df["equity"] = (1 + df["strategy_ret"]).cumprod()
df["buy_hold"] = (1 + df["ret"]).cumprod()

    

第四步：評估績效

      def stats(returns, periods_per_year=252):
    equity = (1 + returns).cumprod()
    years = len(returns) / periods_per_year
    cagr = equity.iloc[-1] ** (1 / years) - 1
    vol = returns.std() * np.sqrt(periods_per_year)
    sharpe = returns.mean() / returns.std() * np.sqrt(periods_per_year) if returns.std() else 0
    drawdown = equity / equity.cummax() - 1
    return {"年化收益": f"{cagr:.2%}", "年化波動": f"{vol:.2%}",
            "夏普比率": round(sharpe, 2), "最大回撤": f"{drawdown.min():.2%}"}

print("策略:", stats(df["strategy_ret"]))
print("買入持有:", stats(df["ret"]))
print("交易次數:", int(df["trades"].sum()))

    

指標	含義
年化收益（CAGR）	複合年增長率
年化波動	收益率的年化標準差
夏普比率	單位風險的收益（此處忽略無風險利率）
最大回撤	從高點到低點的最大虧損——你能承受嗎？

股票日線使用 periods_per_year=252，加密貨幣約 365，日內K線按比例換算。

第五步：換個市場測試

iTick 所有資產類別使用同一數據結構，只需改一行即可在外匯、黃金或比特幣上運行同一回測：

      eurusd = load_bars("forex", "GB", "EURUSD")
btc = load_bars("crypto", "BA", "BTCUSDT")

常見回測錯誤

未來函數——使用決策時尚不可得的信息，務必平移信號。
忽略成本——佣金、點差和滑點可能讓盈利策略變成虧損。
過擬合——測試上百組參數只留最好的。請保留樣本外區間。
倖存者偏差——只測試至今仍存在的股票。
數據太少——只在一輪牛市中測試過的策略等於沒測試。

從回測到實盤

策略通過樣本外檢驗後，再接入實時行情。使用 iTick WebSocket 行情推送獲取實時報價與逐筆數據，增量更新指標，先模擬交易再上實盤。

常見問題

Python 回測用什麼庫最好？ 學習階段用純 pandas（如上）最能看清每一步；大型項目可使用 Backtrader、vectorbt 等框架，提供訂單模擬與報告功能。

需要多少歷史數據？ 要覆蓋不同市場環境——日線策略通常需要數年數據；日內系統更看重交易次數而非年數。

回測用的歷史數據從哪裏獲取？iTick 歷史行情數據API 提供股票、外匯、加密貨幣、指數和期貨的 OHLCV 數據，並有免費套餐可以起步。

開始驗證你的想法

免費獲取 API Key，幾分鐘內下載歷史數據，看看你的策略是否真的有效。